新型遗传算法求解车辆路径问题研究

建立有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造有时问窗车辆路径问题的混合遗传算法,并进行实验计算.结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到质量较高的解.     

模拟退火遗传算法在电力系统无功优化中的应用

电力系统无功优化是保证系统安全、经济运行的一项有效手段.针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,在遗传算法(GA)和模拟退火算法(SA)的基础上,提出了更加有效的算法即模拟退火遗传算法.使用该文提出的算法对IEEE-14节点系统进行了无功优化计算,结果表明该模拟退火遗传算法应用于无功优化是合理可行的.     

考虑切换时间的机器人装配线平衡优化方法

考虑装配过程中的切换时间,以装配线的工位节拍最小为优化目标,建立了机器人装配线平衡问题的数学模型.在此基础上,将自适应策略引入模拟退火遗传算法框架中,构建了自适应模拟退火遗传算法.以轿车制造车身车间左前门内板总成的焊接装配为例,分别对比了标准遗传算法、模拟退火遗传算法及自适应模拟退火遗传算法在解决该问题方面的性能,结果表明自适应模拟退火遗传算法在解的性能和算法收敛性两个方面表现出了较大的优势.     

一种混合遗传模拟退火算法及其应用

分析了遗传算法和模拟退火算法的优缺点，提出了一种混合遗传模拟退火算法，对其进行优化，并将该算法应用于TSP问题的求解之中，理论分析和实验结果表明了这种混合遗传模拟退火算法优于普通的遗传算法和模拟退火算法．     

遗传退火进化算法在背包问题中的应用

从增强算法收敛性和减少参数依赖性的角度出发，提出应用遗传退火进化算法求解背包问题，遗传退火进化算法结合了遗传算法和模拟退火算法的优点，并有效地克服了各自的弱点，使其在优化性能、优化效率和可靠性方面具有明显的优越性．阐明了用该算法求解背包问题的具体实现过程，并通过实际数值计算和结果比较表明，该算法优于遗传算法和模拟退火算法．     

基于量子退火算法的无线传感器网络节点定位

经典模拟退火、遗传算法等是无线传感器网络节点非测距定位广泛使用的方法,但是它们都存在:①容易陷入局部最优,难以实现全局最优,定位精度不高;②计算较复杂,能耗较多等问题.提出了基于量子退火算法的无线传感器网络节点定位方法,利用量子隧穿效应,可以较快地穿透能量势垒由局部最优到达全局最优,简化了计算,提高了计算速度.通过仿真实验验证,该算法与传统的遗传算法和经典模拟退火算法相比,提高了精度,降低了能耗.     

改进的遗传模拟退火算法在TSP中的应用

在介绍遗传算法和模拟退火算法的理论基础上，分析遗传算法和模拟退火算法的主要优缺点，提出了一种改进的遗传模拟退火算法。结合两种算法的优点，对其中的复制、交叉、变异操作进行了改进，并将该算法应用于TSP问题的求解之中。最后给出用该算法求解TSP问题的具体实现过程，并进行仿真实验，验证了该算法的有效性。     

模拟退火算法在钢桁架优化设计中的应用

将模拟退火算法应用于桁架结构离散变量优化问题,提出新的用于离散变量的退火邻域结构,进行了三杆和十杆桁架结构模拟退火算法优化计算,并与遗传算法和传统优化设计方法的优化结果进行了比较.结果表明模拟退火算法对桁架结构离散变量的优化问题更加有效,且新的邻域结构加快了算法的收敛速度,提高了算法的稳定性和有效性.     

基于模拟退火遗传算法的GMDH网络模型

针对传统GMDH网络建模用最小二乘法辨识参数时容易陷入局部极小导致模型预测效果不理想的问题,提出将模拟退火算法与遗传算法结合起来,并引入到GMDH网络,用模拟退火遗传算法来辨识其部分描述式系数.描述了模拟退火遗传算法,构建了基于该算法的GMDH网络模型,并将该模型应用于泥石流预测的仿真研究,预测平均相对误差达到3.54%.结果表明,该算法既保证了全局寻优又防止了过早收敛,进一步提高了GMDH网络模型的全局与局部寻优能力.     

混合优化策略在生命线管网拓扑设计中的应用

提出用遗传-模拟退火算法(GASA)混合优化策略来求解生命线管网的拓扑优化问题.混合优化策略结合了遗传算法的并行搜索机制和模拟退火算法的概率突跳特性,提高了算法的优化性能、参数鲁棒性以及计算效率.数值仿真实验表明了算法的稳定性非常好,首次达到最优值的进化代数,且比单一遗传算法提高了26.5倍.     

一种新的快速收敛的反向传播算法

提出了一种新的快速的误差反向传播算法 .这种方法从神经网络的权值调节公式入手 ,通过避免过早饱和、加大权值调节的幅度等手段来加快收敛 .并通过对两个奇偶问题、一个函数逼近问题的仿真 ,验证了所提出的算法的有效性 .结果表明 ,所提出的算法在收敛速度等方面大大优于通常的BP(反向传播 )算法、带动量项的BP算法以及其他的一些改进的算法 .     

基于多克隆选择的多维关联规则挖掘算法

通过引入多克隆选择算法的思想,提出了一种基于多克隆选择的关联规则挖掘算法．仿真对比试验表明,该算法加快了关联规则挖掘的收敛速度,具有更强的全局与局部搜索能力,与基于进化算法和基于免疫算法的关联规则挖掘算法相比,明显提高了所得关联规则的准确率．     

一种新的连通域标记算法

提出一种新的连通域标记算法.与其它适合硬件实现的算法相比,增加了虚警剔除部分,并将一维数组和游程码的结构结合成二维数组的形式进行操作,使新算法在速度、资源占用率、性能上更有优势.算法的Matlab和现场可编程门阵列(FPGA)仿真结果表明,新算法可以完备记录标记和参数信息;应用于要求快速得到准确参数信息的工程时,相比较其他算法,时间减少约50%,且控制逻辑的复杂性减小.     

一种新的自适应免疫遗传算法

 为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA(Self-adaptive Immune Genetic Algorithm)。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3~90倍,求解精度达到10^-3,并有效地抑制了早熟现象。     

一种基于堆的快速排序算法

堆排序算法具有低时间复杂度和低空间复杂度的优点;但对原始序列的有序性不敏感。快速排序算法是在平均情况下公认的高速算法;但有较高空间复杂度。对两个算法扬长避短,设计了一种新的排序算法HQSort;并从理论和实例两个角度分析了该算法的效率,在不同量级的数据集上对该算法和三种经典排序算法进行了对比运行和测试,验证了该算法不仅在时间效率上优于其他算法,而且在辅助存储空间上比快速排序算法减少约50%。     

基于改进动态因子的鲸鱼优化算法

为了实现鲸鱼优化算法的种群多样性、减小计算复杂度,构造具有搜索上下界的初始种群。进一步,设计动态收敛因子和动态权重因子,以提高算法的收敛速度和计算精度,在此基础上,提出基于改进动态因子的鲸鱼优化算法并证明了其收敛性,分析了其复杂度。为了验证新算法优化性能和普适性,将改进的鲸鱼优化算法与其他优化算法进行比较,并将其应用到无人机路径规划中。结果表明：基于改进动态因子的鲸鱼优化算法相比于其他优化算法有更好的收敛精度和更快的收敛速度。可见,基于改进动态因子的鲸鱼优化算法性能更好,能更高效的完成任务。     

无线传感器网络节点定位算法分析

在各种无线传感器网络应用中,无线传感器节点的精确定位非常关键。在阐述了节点定位问题的基础上,分析了三种典型节点定位算法:质心法、不定形(Amorphous)法和蒙特卡罗法,然后通过仿真实验对算法性能进行对比,研究节点密度、节点速度和采样个数等因素对定位性能的影响。实验结果表明,蒙特卡罗法的误差最小,且在锚节点密度大于1,未知节点密度大于6,取样个数超过50时达到最佳定位性能。     

改进人工蜂群算法在饲料配比中的应用研究

人工蜂群算法是一种模拟蜜蜂采蜜的群智能优化算法。针对传统的人工蜂群算法收敛速度慢,容易陷于局部最优进行了改进,引入了扰动控制频率来指导引领峰搜寻蜜源,增强算法局部搜索能力。提出了自适应动态变异算子,提高了算法收敛速度。融合了Boltzmann策略选择机制,动态调整了算法的搜索范围,增强了种群的多样性。算法成功地应用到求解动物饲料配比问题。结果显示,在运行效率、最优解质量、稳定性均优于被比较的其它算法。     

LZCE算法:竞争进化的Lempel-Ziv算法

给出一组在ＬＺ算法基础上改进而来的具有竞争进化功能的字典算法：ＬＺＣＥ（Ｌｅｍ ｐｅｌ－ＺｉｖＡｌｇｏｒｉｔｈｍ ｗ ｉｔｈ Ｃｏｍ ｐｅｔｉｔｉｖｅ Ｅｖｏｌｕｔｉｏｎ）．在算法构成上，根据图像压缩应用的特点，将ＬＺ算法（Ｖ－Ｆ编码）和Ｈｕｆｆｍ ａｎ 编码（Ｆ－Ｖ 编码）相结合，实现了基于先验知识的统计编码与基于学习的ＬＺ算法的相互竞争，构造出可综合利用局域相关性、广域相关性和先验统计知识的竞争进化的字典算法；在二维相关性利用上，经ＤＣＴ域引入ＬＺＣＥ算法，较好地解决了一维ＬＺ算法难以利用二维相关性这一问题．实验结果表明，对于相同的ＰＳＮＲ，该方法可将ＪＰＥＧ 码率降低２０％ 左右     

基于子种群的改进人工蜂群算法

针对人工蜂群算法以及现有改进算法的不足,提出了一种基于子种群的改进人工蜂群算法.此算法利用个体适应值与种群适应值平均值的比较,将种群划分为两个子种群,每个子种群采用不同的搜索方式,有效地平衡了不同搜索方式的探索和开发能力.此外,采用分段Logistic方程的初始化方法产生初始解,提高算法的收敛速度.与基本蜂群算法和其他改进蜂群算法进行比较,数值仿真结果表明,所提算法在处理复杂数值优化问题时具有更好的寻优精度和收敛速度.