差异演化算法求解二次分配问题

二次分配问题是典型的NP难题.建立了二次分配问题的数学模型.设计了基于差异演化算法的新方法对其进行求解.给出了差异演化算法求解该问题的具体方案.对不同的二次分配问题算例进行了仿真实验.结果表明,算法可以有效、快速地找到二次分配问题的最优解.     

云计算环境下基于热力学演化算法的任务调度与虚拟机分配算法研究

在云计算环境下的云任务调度和虚拟机分配过程建立了数学模型,并将其转换为整数编码形式的组合优化问题,并提出了一种热力学演化算法进行问题求解。算法根据整数编码形式定义了基因熵和个体能量,并引入了温度的概念,算法中提出了两种选择策略,算法利用自由能极小值原理驱动种群向最优化方向演化。实验结果表明热力学演化算法可以有效地解决云任务调度和虚拟机分配问题,可以为云环境调度问题提供依据。     

混沌演化算法求解动态优化问题

提出了一种结合混沌序列的演化算法——混沌演化算法,将其用于处理动态优化问题,并对动态多峰benchmark优化问题进行了数值实验,实验结果表明:混沌演化算法在处理动态优化问题时是有效的.     

云制造环境下的演化博弈公差分配方法

针对云制造环境下复杂多样的制造资源对产品装配尺寸链公差分配的影响,提出了一种基于演化博弈的公差分配方法。首先以同属一个尺寸链中的各公差单元为博弈方,综合考虑公差设计方案的质量损失和资源价格两方面,将装配质量要求和成本转换为公差单元选择制造资源后的总支付,以公差单元对资源的选择为博弈策略,建立演化博弈模型;然后,构造模型的复制动力学方程,模拟不同用户的策略适应过程;最后,运用Lyapunov第二方法证明该模型能够收敛至演化均衡,并利用分布式迭代算法进行求解。以车身前端装配总成公差分配设计为例,验证该模型及算法的可行性与有效性,实验结果表明:质量损失系数对资源选择策略无影响,但会影响总支付;所提演化博弈方法与非合作博弈方法、线性加权方法相比,可降低公差分配方案的质量损失及总支付,平均降低了28.3%～54.0%和18.2%～63.6%。将该演化博弈方法应用于装配尺寸链公差分配设计,实现了云制造环境下依据公差设计进行制造资源的选择。     

基于混合算法求解ELSP问题的可行域分析

本文给出求解ELSP问题(Economic Lot Scheduling Problem)的可行域的特征、启发式规则和演化神经网络设计问题.经济批量问题采用基本时段方法表示,该方法产生两类决策变量,一种是表示基本时间段的连续变量,另一种是表示时间倍数的整数变量.在求解ELSP问题的算法设计中,可行域是判定启发式规则有效性的基础.为了给出可行域的特征,利用神经网络的演化计算,设计求ELSP问题的初值算法,设计演化参数函数、网络结构、演化函数、演化规则,并依此获得可行域的约束条件.对在可行域约束条件和启发式规则下设计的算法进行测试,并与用HGA和一般GA方法求解ELSP问题进行比较,求解效果明显提高,使得在满足可行性的前提下总费用减小.     

在内部演化硬件中实现自适应变异参数控制

为了在演化过程中优化演化算法性能和避免花费大量时间在演化算法的参数设定中,设计了一种新颖的基于硬件实现的自适应变异比率控制方法.为了实现自适应特性,变异比率控制参数也被编码到染色体中作为附加的基因经历演化操作.本方法的有效性将通过和传统的采用固定变异比率的演化算法在演化4-bit偶校验函数(even-parity function),2-bit乘法器和3-bit乘法器的对比实验中进行证明.实验平台建立在一个完全FPGA实现的内部演化硬件上,它的设计思想来源于笛卡尔遗传程序(Cartesian Genetic Programming).在所有实验中,基于自适应变异比率控制的演化算法的性能明显优于传统的采用固定变异比率的遗传算法.     

一种基于博弈的任意时间演化优化算法

提出了一种基于多人博弈的演化优化方法(EAMG),用于解决旅行商问题(TSP).将TSP看作n个人(n个城市)之间的非合作博弈,通过主体的理性行为来对问题的解进行优化.详细介绍了该算法的设计思想和具体实验,从理论上分析了算法的性能和时间复杂度.为了体现一定的多样性,在EAMG的基础上进一步提出了多群体EAMG算法,并将两种算法的实验结果与已有的优化算法相比较.实验结果表明,EAMG和MEAMG在实际应用中具有很强的问题求解能力.     

一种求解带约束多式联运问题的群智能算法

针对如何有效运用群智能算法求解多式联运问题,设计了一种针对群智能优化算法的个体解码方式,提出了一个有效的个体编码与多式联运方案的映射模型.在该映射模型中设计了基于比例的流量分配方式,实现了个体编码信息向初步流量分配方式的解码;同时构建了局部流量调整策略,进行不可行方案修复,提高了解码方案的有效性.而后,提出了一种变邻域粒子群算法,将社会网络演化特征引入进行粒子群算法的种群拓扑和邻域调整,以改善个体在搜索过程中的交互模式.基于解码策略,采用改进算法对多式联运问题进行求解,并与3种新型群智能算法进行对比.通过实例分析,该编码策略可以有效应用于多式联运问题求解.同时,变邻域粒子群优化算法的收敛效率和性能优于对比算法.     

基于启发式变异的改进演化规划算法

常用的演化规划算法(EP)的变异是基于固定的概率分布,鲁棒性较差.文中分析了变异算子对演化规划算法计算效率的影响,指出了Gauss变异、Cauchy变异和Lévy变异算子缺少启发式信息的不足,并据此设计了一种根据种群个体差异信息的启发式变异算子,用算子抽取的个体差异来更新变异步长,允许个体有机会在某些维数保持原状,只是进行部分维数上的变异.启发式变异算子能使演化规划算法更好地适应不同特点的连续优化问题,从总体上增强算法的鲁棒性.在求解多个Benchmark测试问题的数值实验中,基于启发式变异的改进演化规划算法比当前6种等概率分布演化规划算法有更快的收敛速度和更优的平均性能.     

基于改进演化算法的快速图像相关匹配

提出了一种基于演化算法的快速图像相关匹配的新方法,详细介绍了染色体编码的编码方法选取、适应度函数设计及演化算子设计,并对演化算子设计做出了部分改进．实验结果表明：与传统的遗传算法相比较,改进的演化算法能够更快而且有效地实现灰度图像的相关匹配．