一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

一种新的改进遗传算法——混合式遗传算法

针对遗传算法应用的局限性,把模糊思想应用到大变异操作中,提出了模糊大变异操作;并结合自适应遗传算法、最佳选择策略机制和过滤操作的思想,提出了一种新的遗传算法结构--混合式遗传算法(hybridgeneticalgorithm,HGA).HGA不仅保证了算法的全局收敛性,而且提高了算法的收敛速度和稳定性.算例验证了算法的优越性能.     

自适应多目标遗传算法在柔性工作车间调度中的应用

针对柔性工作车间调度问题的特点，提出了一种新的自适应多目标遗传算法，其特点包括：同时运用了基于工序顺序和基于机器分配两种交叉变异方法以弥补经典工作车问调度问题中交叉变异操作的局限性；根据遗传算法搜索的历史自适应的调整两种交叉变异方法的概率以提高算法的搜索效率和稳定性；引入多目标遗传算法中的小生境技术以保持种群的多样性；采用精英保留策略保护进化过程中的优秀个体。实验结果证明该算法在多目标柔性工作车间调度问题的应用上，可以产生分布性较好的高质量的解。     

面向任务的拼修策略问题及求解算法

研究了一种面向任务的拼修策略问题, 建立了该问题的多维背包问题模型,提出了基于遗传算法的求解方案.然后设计了一种求解效果较好的两阶段遗传算法, 进行了包括编码, 交叉,变异, 最优前沿限定算法, 适应度函数,选择策略和退火局部搜索算法在内的全面的分析和设计. 最后,给出了一个算例,检验了求解方案的实用性,并且通过计算实验分析了遗传算法的有效性.     

基于信息熵的自适应PBIL算法及其应用

分析了基于群体的增量学习(Population-based Increased Learning，简称PBIL)算法的基本原理和存在问题，提出了一种具有自适应学习和变异能力的改进策略。新的算法采用信息熵衡量种群的进化程度，并根据熵值的变化自适应地调整学习速率和变异率。应用该算法求解典型的Flow Shop调度问题，通过与简单PBIL算法和遗传算法的结果进行比较，表明该算法的计算效率和局部搜索能力得到提高，且收敛过程非常稳定。     

基于改进差分算法的数据链时隙分配方法

针对当前时隙分配策略具有算法单一、容易陷入局部最优、泛化能力弱等问题,基于差分进化算法,引入了混沌算法、自适应变异交叉算法和问题解处理机制,提出了一种基于改进差分进化算法的时隙分配策略。利用混沌算法初始化种群,增加种群多样性避免算法过早收敛;利用选择概率参数使得交叉和变异过程更加灵活,使算法初期增加搜索范围,算法后期增加获取全局最优解的概率。实验结果表明：该算法时隙分配均衡度、稳定性、算法效率和泛化能力均优于差分算法和遗传算法,时隙分配均衡度和算法效率更高、稳定性更好、泛化能力更强。     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。     

敏捷供应链质量兼容生产计划模型与算法

描述了敏捷供应链质量兼容生产计划问题,建立了有限企业资源约束条件下的极大化模糊交货期满意度数学模型,设计了一种求解模型的导引变异遗传算法,从而利用信息查询引导变异个体进行可行化随机变异,同时应用惩罚技术和精华选择策略来引导遗传搜索达到可行解空间的最好区域.大量计算结果表明了模型和所提算法的有效性.     

基于Elmore模型的Steiner树问题的求解

建立了一种求解基于Elmore延迟模型的Steiner树问题的遗传算法。针对Steiner树问题的特点,在引入一种新的具有自适应性的杂交概率和变异概率的基础上,提出了面向Steinet树问题的遺传算法和一种构造染色体的新方法。提供了遗传算法的结构并讨论了遗传算子。分析了基于时间和空间的算法复杂性。     

求解带时间窗取送货问题的遗传算法

首先介绍基于时差的插入法,进而设计求解带时间窗取送货问题的遗传算法.与传统求解该问题的遗传算法相比, 本算法有 以下特点:一是设计了基于时差插入法的交叉算子、R1变异算子与R2变异算子;二是采用非代际搜索策略. 应用56个标准测试算 例测试显示,其求解质量比已有文献报道的同类算法高.     

柔性作业车间动态调度问题研究

为了有效求解柔性作业车间动态调度问题,提出了一个基于多目标免疫遗传算法(MOIGA)的动态调度优化算法。首先定义了柔性作业车间动态调度问题,然后采用事件驱动和周期驱动相结合的调度策略,提出了基于MOIGA的动态调度优化模型,接着设计了面向交货期性能最优的柔性作业车间调度算法,并讨论了影响算法复杂度的因素,最后通过一个实例仿真,表明了算法的可行性和优越性。     

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。     

渐近式Bloch球面搜索的量子遗传算法及其应用

为了进一步加快搜索速度,提高优化效果,提出了一种渐近式Bloch球面搜索的量子遗传算法.在该算法中,首先采用Bloch球面坐标对量子染色体进行编码,然后基于最小二乘法理论,构建了量子染色体的更新策略,建立了量子旋转门角度大小和方向的公式,最后构造了变异操作中相位公式.将本文算法应用于多变量函数极值优化问题进行验证.实验结果表明,该算法不仅具有较好的种群多样性和随机性,而且还具有进化代数少、收敛速度快和优化效率高等优点.     

基于量子遗传算法的滤波器参数优化

针对传统模拟滤波器设计对于较为复杂的目标需求往往精度与效率均较差的问题,提出一种基于量子遗传算法(quantum genetic algorithm,QGA)的模拟滤波器优化设计方法。量子遗传算法是量子计算理论与进化理论相结合的产物,同传统遗传算法(classical genetic algorithm,CGA)相比具有种群多样性好、收敛速度快和全局寻优能力强的特点。引入QGA算法对滤波器参数进行寻优。通过采用自适应的量子旋转角调整策略并引入量子交叉、变异及群体灾变操作,提高了算法的搜索效率,降低了算法出现早熟的可能性。实例计算表明了算法在该类问题中的有效性和可行性。     

用GA求解敏捷供应链质量兼容生产计划问题

在考虑产品质量控制过程的基础上,建立了极大化生产利润的敏捷供应链质量兼容生产计划模型,并利用遗传算法对这个复杂的组合优化问题进行了求解,从而提出基于遗传算法的敏捷供应链质量兼容生产计划算法。在改进的遗传算法中,染色体编码被设计成一种位串式的整数编码形式,遗传算子采用了一种引导遗传变异操作的运算方式,惩罚技术和精华选择策略被用来引导遗传搜索达到可行解空间的最好区域。大量仿真计算表明所提算法是有效性的。     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

基于学习机制的退火并行遗传算法应用研究

本文综合并行遗传算法(PGA)和模拟退火算法(SA)的优点,提出一种新的退火并行混合优化策略(PGASA).该算法克服了并行遗传算法局部搜索能力弱的缺点,在子种群的搜索中引入SA作为GA种群的变异算子,增强和补充了PGA的局部进化能力;同时将机器学习原理引入到混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度.针对车间调度中的典型问题进行了仿真,结果证明了新算法的有效性.     

遗传算法在离散变量优化问题中的应用研究

针对实际应用中大量存在的离散变量优化设计问题,研究了利用一般连续变量方法进行离散变量优化设计的不足。结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。基于线性搜索思想提出离散引导算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优。通过对两个实际离散变量优化设计问题的应用研究,验证了本方法解决离散变量优化设计问题的有效性。     

武器-目标分配问题的粒子群优化算法

建立了武器-目标分配问题的优化模型,分析了各种解决此模型的方法的优缺点。经典的粒子群是一个有效的寻找连续函数极值的方法,结合遗传算法的思想提出粒子群算法来解决武器-目标分配问题。经过比较测试,4种粒子群算法的效果都比较好,特别交叉策略A和变异策略B的混合粒子群算法是最好的且简单有效的算法。