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．     

基于进化规划算法的背包问题求解研究

背包问题是一个具有较强应用价值的NP完全问题.如何设计求解此类问题的算法,则具有很强的实用价值和理论意义.目前已有很多的求解方法,但背包问题并没有完全解决.本文在启发式算法的理论基础上,改进了进化规划算法求解背包问题,此方法简单通用、易于操作.数值实验表明该方法具有较高的准确率,能较快的收敛到全局最优点.     

低维函数的快速优化算法

基于群体的进化算法是求解函数优化问题的常用方法,但存在收敛速度慢和易陷入早熟的缺点．提出了一个基于（1＋1）-ES分块进化的低维函数优化算法,采用分块进化,引入丢弃不重要分块和二次优化求精的策略,实现了全局搜索过程和局部搜索过程的分离．通过算法分析,表明了算法比较适合于低维函数．仿真结果表明了提出的算法的抗早熟能力和求解效率均优于FEP．     

微进化算法

人类能够根据所积累的经验与知识,有效地引导人类社会的不断进化.受此启发,基于人类社会中趋同与趋异行为过程的有机结合,提出了一种新型的群体智能优化方法——微进化算法.采用若干benchmark函数进行了数值实验,结果表明,微进化算法求解速度快、计算精度高、鲁棒性强.此外,算法控制参数少,易于使用.该算法是一种新型有效智能优化算法.     

一种求解昂贵黑箱优化问题的多代理辅助进化算法

【目的】提出一种求解昂贵黑箱优化问题的多代理辅助进化算法。【方法】对进化采样辅助优化算法进行改进，将全局搜索中每代的进化操作进行10次，以降低求解的不稳定性；并对全局搜索与局部搜索的转换采用自适应距离准则判断，从而提高求解的精度。【结果】得到了新的昂贵黑箱优化问题的多代理辅助进化算法。【结论】使用22个测试问题对新算法的数值结果进行评估，结果表明新算法与进化采样辅助优化算法相比优势明显。     

应用知识进化原理求解背包问题的算法研究

以知识进化论哲学思想为基础,提出一种应用知识进化原理求解背包问题的算法(简称为KP-KEA),利用Banach压缩映射原理证明了算法的全局收敛性.该算法使用传承算子来传承知识库中的优秀知识个体,利用创新算子来产生新知识个体,利用更新算子来更新知识库,在它们的共同作用下实现知识的进化,最后从知识库的最优知识个体中获取背包问题的最优解.实例表明,该算法在求解背包问题时取得了良好的效果,其收敛速度和最优解的质量均优于常用的遗传算法.该算法同样适用于其他约束优化问题的求解.     

模糊交货期Flow Shop调度文化进化算法研究

基于文化算法及文化进化思想设计了的文化进化算法,通过上层文化空间的经验知识指导下层个体进化搜索的方向及步长,通过模拟人类社会文化进化的机制实现文化空间的进化与更新,最后将算法应用到模糊Flow Shop问题的求解,用Matlab编程仿真测试.结果表明,此算法解决生产调度优化问题是可行的,而且其搜索性能优于简单遗传算法及模拟退火算法.     

多目标优化的进化优化算法

进化优化算法具有全局优化能力,可以一次性求解多个非劣解。近年来,此类方法已经成为求解多目标优化问题一个重要的研究方向。本文分析了进化优化算法的关键步骤,介绍了几种代表性的多目标进化优化算法,并指出了值得进一步研究的相关问题。     

基于进化规划的网络多目标路由算法

多目标路由问题要求极小化网络带宽资源消耗 ,它与图论中 NP完全的 Steiner问题等价 ,不存在多项式时间算法 ,只能采用近似算法或启发式算法 .进化算法是一类有效求解优化问题的新算法 .应用进化算法中的进化规划方法 ,求解 Steiner问题 ,提出了一种新的多目标路由算法 .仿真结果显示 ,该算法性能高于启发式方法     

基于混合蛙跳算法的背包问题求解

混合蛙跳算法(SFLA)是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力.背包问题是一个典型的 NP完全问题.首先建立了背包问题基于 0/1规划的数学模型,阐述了混合蛙跳算法的基本理论.针对离散搜索空间,提出了SFLA的改进算法,应用该算法解决了背包问题.在实例上的运行结果表明本文方法的可行性和有效性.     

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE).该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性.同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解.仿真结果表明:在电流效率为92％时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-Ⅱ的直流功耗降低了1.45％,比传统DE的直流功耗降低了1.75％.表明本文改进算法有效地提高了传统进化算法的性能.     

遗传大洪水演算法求解多维背包问题

由于遗传算法具有较强的全局搜索能力,但在实际应用中容易产生早熟收敛现象,且进化后期搜索效率较低,而大洪水演算法是求解组合优化问题的独特算法,结合两者的优点,形成基于遗传算法的大洪水演算法（Genetic Great Deluge Algorithm,GGDA）,然后应用该混合算法求解不同规模的多维背包问题（Multidimensional Knapsack Problem,MKP）,求解结果表明提出的算法是简单有效的,优于标准遗传算法和大洪水演算法。     

无人机多任务区侦察时间分配模型与应用

为了合理分配无人机对多个任务区的侦察时间,提出了一种包含问题建模、求解和方案决策的无人机多任务区侦察时间分配方法。首先,建立了包含侦察收益和侦察风险两目标的无人机多任务区侦察时间分配模型,该模型属于带约束多目标优化问题;其次,提出了一种改进的基于分解的约束多目标进化算法,该算法具有简单、灵活、无参等特点,可有效求解;最后,利用优劣解距离法从非支配解集中选择最优方案。选择了6种约束多目标进化算法,在3个不同雷达强度指数条件下进行对比实验。Hypervolume指标说明约束多目标进化算法在求解该问题时优于其他算法。实验结果表明：提出的方法在求解无人机多任务区侦察时间分配优化问题中能够实现快速准确决策。     

一种基于免疫选择的粒子群优化算法

粒子群算法是一种新的群体智能算法,被广泛用于各种复杂优化问题的求解,但算法存在着过早收敛问题.为了克服算法早熟的缺点,将粒子群看作是一个复杂的免疫系统,借鉴生物学中免疫系统自我调节的机制,提出了一种新的基于免疫选择的粒子群优化算法(IS-PSO).免疫系统中的抗原、抗体和亲和度分别对应了待优化函数的最优解、候选解和适应度.IS-PSO通过免疫算法中免疫记忆、疫苗接种、免疫选择等操作有效地调节PSO算法中种群的多样性.给出了算法的详细步骤,并将本文提出的算法与基本的粒子群算法(bPSO)在几个典型Benchmark函数的优化问题应用中进行了比较,仿真结果表明:IS-PSO算法可以有效避免早熟问题,提高粒子群算法求解复杂函数的全局优化性能.     

Gradient Gene Algorithm: a fast optimization method to MST problem

The extension of Minimum Spanning Tree (MST) problem is an NP hard problem which does not exit a polynomial time algorithm. In this paper, a fast optimization method on MST problem—the Gradient Gene Algorithm is introduced. Compared with other evolutionary algorithms on MST problem, it is more advanced: firstly, very simple and easy to realize; then, efficient and accurate; finally general on other combination optimization problems.     

基于目标空间分区的稳态高维多目标进化算法

针对高维多目标优化中Pareto非劣候选解所占比例很大,常用的先考虑收敛性再考虑分布性的多目标进化算法面临选择压力衰减的问题,提出一种先考虑分布性再考虑收敛性的高维多目标进化算法——基于目标空间分区的稳态高维多目标进化算法(SS-OSP).该算法先采用目标空间分区策略将种群按照权重向量分为多个子空间,在每个子空间中按照分解方法中的聚合函数选择个体;然后,考虑到常规的PBI聚合函数的罚参数在进化过程中一直保持不变的情况,提出一种自适应PBI聚合函数;最后,仿真实验结果表明所提出的算法与其他三种算法相比,具有更好的收敛性和分布性.     

基于DNA进化算法的车辆调度问题

在建立一种物流配送车辆调度模型的基础上,针对传统启发式算法对复杂问题搜索效率低、易陷入局部最优的缺点,构造了DNA进化算法求解该问题。将其在个体变异操作中进行了一些改进,避免陷入局部最优。车辆调度问题(V SP)属于组合优化NP难题。采用V SP问题进行测试,仿真结果表明:该算法简单可行,与其他算法相比较,不但有很好的求解性能,而且具有更快的收敛能力与搜索能力。     

Parameter optimization of electric bus transmission system based on dynamical evolutionary algorithm

The transmission ratio is the key parameters influence power performance and economic performance of electric vehicle (EV). As a class of heuristic algorithms, Dynamical Evolutionary Algorithm (DEA) is suitable to solve multi-objective optimization problems. This paper presents a new method to optimize the transmission ratio using DEA. The fuzzy constraints and objective function of transmission ratio are established for parameter optimization problem of electric bus transmission. DEA is used to solve the optimization problem. The transmission system is also designed based on the optimization result. Optimization and test results show that the dynamical evolutionary algorithm is an effective method to solve transmission parameter optimization problems.