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。     

基于DNA进化算法的Flow shop生产调度问题

DNA进化算法是基于细胞分裂中DNA分子复制原理的进化算法.算法模拟了一类单亲群体的演化过程,单亲个体能够通过分裂和变异的交互作用,以1的概率演化得到全局最优解.目前,该算法只是在连续优化问题中有很好的应用.在此算法的基础上,本文将其在个体变异操作中进行了一些改进并成功应用于Flow shop生产调度.为验证DNA进化算法的有效性,采用Flow shop标准问题进行测试.仿真实例表明,该算法简单可行,与其它算法相比较,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.     

基于改进蚁群算法求解连续空间寻优问题

蚁群算法是近几年优化领域中出现的一种启发式仿生类并行智能进化算法,并在离散空间领域中得到广泛应用,但在求解连续空间优化问题方面的研究相对较少。为了克服蚁群算法在连续空间中搜索时间过长等缺点,在原有的连续空间寻优方法的基础上,提出了一种用于求解连续空间寻优问题的改进蚁群算法。针对各子区间内的总信息量及应有的蚁数的求解方式进行改进,引入一个随迭代次数增加而变化的函数,以提高改进后蚁群算法的收敛速度。仿真实验表明,提出的基于信息量分布函数的改进蚁群算法较有关文献的算法有更好的收敛性能,从而为蚁群算法求解这类问题提供了一种可行有效的新方法。     

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。     

柔性作业车间调度优化的改进模拟退火算法

针对柔性作业车间调度问题,提出一种改进模拟退火算法来进行求解。该算法引入粒子群算法中的基于位置取整和基于轮盘赌两种个体编码方法,并采用3种不同的局部搜索方法来构造个体的邻域结构。算例计算表明,改进模拟退火算法在求解柔性作业车间调度问题时,比粒子群算法、混合粒子群算法以及模拟退火算法具有更好的求解性能,其中采用轮盘赌编码时,算法的求解性能要优于采用位置取整时的求解性能,且基于互换的局部搜索方法要优于其他两种局部搜索方法,能更有效地改善算法的求解性能。     

自适应进化的蚁群算法及其仿真研究

蚁群算法广泛应用于求解组合优化问题,但基本蚁群算法与其它模拟进化算法存在进化速度慢,并易于陷入局部最小等缺陷,在此提出一种采用自适应选择和动态调整的进化策略,通过TSP问题的仿真表明,算法的性能明显得到改善,该方法不仅能够加快收敛速度,节省搜索时间,而且能够克服停滞行为的过早出现,有利于发现更好的解.这对于求解大规模的优化问题是十分有利的.     

解决高维INLP和MINLP问题的混沌差分进化算法

为改进差分进化(Differential Evolution,DE)算法的搜索能力,提出一种新的混沌差分进化算法(CGLSDE)﹒首先,该算法利用混沌序列替换DE参数并采用混沌全局搜索算法来改进DE的全局搜索能力;其次,CGLSDE算法还采用了单维和多维的混沌局部搜索来改进DE的局部搜索能力﹒仿真结果表明:CGLSDE算法在解决高维整数非线性规划(INLP)问题和高维混合整数非线性(MINLP)问题上,其性能要好于其它3种混沌差分进化算法﹒     

改进的人工蜂群算法

人工蜂群算法是一种新兴的群智能优化算法,以其独特的寻优机制被广泛应用。然而,该算法存在着"早熟"收敛和进化后期搜索能力较差的缺点,针对这一问题,采用反向学习的种群初始化方法,并引入受差分进化算法思想启发的搜索方程,提出了一个改进的人工蜂群算法(简记为DEABC)。通过5个测试函数的仿真实验并与其他算法比较,结果表明DEABC算法具有更好的优化效率和优化性能。     

化学吸附局部增强微分进化算法

微分进化算法是解决复杂系统优化问题的有效方法。为了增强微分进化算法的全局搜索能力和局部逼近能力,分别引入化学吸附变异算子和局部增强策略,提出了化学吸附局部增强微分进化算法。采用标准测试函数对改进算法进行仿真测试,并与基本微分进化算法和局部增强微分进化算法进行比较。实验结果表明,化学吸附局部增强策略提高了微分进化算法的搜索能力和收敛性能,验证了改进算法的有效性。     

一种求解约束优化问题的进化规划型文化算法

为了求解复杂约束优化问题,提出了一种新的进化算法——进化规划型文化算法。求解过程中,在基于自适应的文化算法中引入进化规划,有效利用进化过程中相关知识引导种群进化。针对约束优化问题,对这一算法的信念空间进行了设计,并利用基准函数和丁烯烷化生产调度问题进行了仿真,仿真结果表明该算法具有较好的全局搜索能力,而且大大减少了计算量。     

基于Alopex的进化优化算法

提出了一种基于Alopex的进化优化算法。该算法在进化过程中从种群中随机选择2个个体,通过计算2个个体和目标函数值的变化情况,确定算法进一步搜索方向的概率,逐步迭代最终收敛到全局最优。该算法具备基本进化算法的特点,同时具备Alopex算法的优点,即在一定程度上具有梯度下降法和模拟退火算法的优点。对典型函数的测试表明:新算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

一种求解多目标数值优化问题的实值量子演化算法

基于多目标优化原理和量子计算原理,提出了一种求解多目标数值优化问题的实值量子演化算法. 该算法除保留求解单目标优化问题的实值量子演化算法的特点外,还有三个主要特征:首先,根据多目标优化特点,使用多目标密度比较算子对种群进行排序和筛选;其次,应用非均匀变异算子保持解的收敛性和提高局部搜索能力;再次,使用多样性保持算子来保持解的多样性. 实验中使用多目标优化测试集并且同NSGA-II算法相比较,结果表明了算法的有效性.     

A novel quantum-inspired immune clonal algorithm with the evolutionary game approach

The quantum-inspired immune clonal algorithm (QICA) is a rising intelligence algorithm. Based on evolutionary game theory and QICA, a quantum-inspired immune algorithm embedded with evolutionary game (EGQICA) is proposed to solve combination optimization problems. In this paper, we map the quantum antibody’s finding the optimal solution to player’s pursuing maximum utility by choosing strategies in evolutionary games. Replicator dynamics is used to model the behavior of the quantum antibody and the memory mechanism is also introduced in this work. Experimental results indicate that the proposed approach maintains a good diversity and achieves superior performance.     

风险投资的演化建模

利用演化算法的自适应性、组织性、自学习性的特性，得出了一种演化的建模算法.数值实例表明，采用该算法能够对风险投资做出优化的决策.     

基于差分进化算法的图像聚类研究

将差分进化算法应用于图像聚类问题,对问题进行实数编码,采用群体智能模式实现问题解的搜索.利用差分进化算法的差分变异操作和群体分布特性有效提高算法的搜索能力,采用贪婪选择操作和竞争生存策略实现群体内个体之间的相互合作与竞争,降低了进化操作的复杂性,并通过仿真实验证明了该算法的有效性.     

采用群体统计学习的量子进化算法

针对传统量子进化算法采用精英个体作为吸引子,存在种群学习范围窄、优秀基因易丢失的缺陷,提出了一种采用群体统计学习的量子进化算法.该算法抛弃了传统量子进化算法中的精英保留策略,通过截断、比例、竞赛选择等方式对进化过程中优秀群体统计分析后构建整个种群的吸引子,避免了以单一个体为单位的学习方式,能较为全面地从整个优秀种群学习知识,并保留群体的优秀基因信息.同时,吸引子每代更新,避免了采用精英保留策略易陷入局部极值的问题.通过测试实验表明,提出的算法搜索精度和效率提高,收敛速度更快,算法综合性能提高.     

动态环境下基于可变记忆的进化算法

常规基于记忆的进化算法在动态环境中往往达不到期望的效果,这主要是由于记忆体大小的限制.为此提出了动态环境下基于可变记忆的进化算法(IMEEA),其核心思想是算法中拥有两个种群,即搜索种群和记忆种群,同时采用过度变异策略来增加种群的多样性.算法中的两个种群有最小和最大的允许长度,并且种群的大小根据进化过程的进行而不断变化...     

Design for a Novel Framework of Hyper-Heuristic Algorithm

A novel framework of hyper-heuristic algorithm was proposed to improve the adaption of evolutionary algorithms （EAs） in optimization. The algorithm could be changed during the evolutionary progress according to their performances. In addition. a large number of elite individuals were employed in the algorithm and the elite individuals helped algorithm achieve a better performance. while such number of elite individuals stagnated the global convergence in conventional single algorithm. The time complexity was analyzed to demonstrate the novel framework did not increase the time complexity. The simulation results indicate that the proposed framework outperforms any single algorithm that composes the framework.     

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。     

An effective evolutionary algorithm for the multiple container packing problem

This paper focuses on a new optimization problem, which is called "The Multiple Container Packing Problem (MCPP)" and proposes a new evolutionary approach for it. The proposed evolutionary approach uses "Adaptive Link Adjustment Evolutionary Algorithm (ALA-EA)" as a basic framework and it incorporates a heuristic local improvement approach into ALA-EA. The first step of the local search algorithm is to raise empty space through the exchange among the packed items and then to improve the fitness value through packing unpacked items into the raised empty space. The second step is to exchange the packed items and the unpacked items one another toward improving the fitness value. The proposed algorithm is compared to the previous evolutionary approaches at the benchmark instances (with the same container capacity) and the modified benchmark instances (with different container capacity) and that the algorithm is proved to be superior to the previous evolutionary approaches in the solution quality.