改进人工蜂群算法在路径优化上的应用

基本的人工蜂群算法通过不同角色蜜蜂在对蜜源进行采食过程中进行角色的转变,能够快速地求解问题的最优值,其具有全局寻优能力强、鲁棒性、收敛快等优点.但在接近全局最优解的时候,蜜蜂搜索的速度会明显变慢,易陷入局部最优.针对这些问题,在基本算法的位置更新阶段加入了高斯变异算子和柯西变异算子,提高了算法的收敛速度,增加邻域蜜源的访问概率,使得算法能够有效地跳出局部最优.应用TSP问题对改进后的算法进行仿真验证,结果证实了改进后的算法具有一定有优越性.     

渐变式路径优化在GIS中的应用

为了解决传统算法收敛速度慢、搜索区域盲目等问题，提出了一种新的算法——渐变式路径优化算法该算法是结合Dijkstra算法和遗传算法的优点，采用启发式搜索和自适应禁忌等策略进行优化而形成的一种混合算法对新算法和传统算法进行了比较，同时将该算法应用于GIS路径规划中，对新算法中的关健参数σ、β因子进行了测试仿真结果表明该算法极大地加快了搜索速度，提高了搜索效率，取得了良好的效果     

改进遗传算法在TSP组合优化问题中的应用

TSP组合优化问题随着问题规模的增大,其潜在解的搜索空间增长速度比指数函数增加的速度还快.TSP问题的NP-hard使得求解这些问题的最优解非常困难.提出了通过改进经典遗传算法来求解TSP问题近似解的一个算法.仿真结果验证了该算法的有效性.     

电网PMU优化配置中IGASA算法的研究

在函数的全局优化算法中,模拟退火算法和遗传算法的结合可较好地改善算法的性能．基于这个思想将适合全局搜索的遗传算法（GA）和适合局部搜索的模拟退火算法（SA）相结合,提出改进的遗传模拟退火混合算法（IGASA）来解决电力系统PMU优化配置问题．该算法用于遗传算法中选择概率的计算以增强算法的收敛性,在交叉和变异概率的选取上也进行了改进,以进一步改善算法的稳定性和收敛性,并提高了收敛速度和防止种群早熟现象．5个仿真试验验证了该算法的可行性和有效性．     

渐变式路径优化在GIS中的应用

为了解决传统算法收敛速度慢、搜索区域盲目等问题,提出了一种新的算法——渐变式路径优化算法.该算法是结合D ijkstra算法和遗传算法的优点,采用启发式搜索和自适应禁忌等策略进行优化而形成的一种混合算法.对新算法和传统算法进行了比较,同时将该算法应用于G IS路径规划中,对新算法中的关健参数σ、β因子进行了测试.仿真结果表明该算法极大地加快了搜索速度,提高了搜索效率,取得了良好的效果.     

一种求解代数方程组的混合遗传算法及工程应用

针对用遗传算法求解代数方程组时解的精度问题，提出了一种混合遗传算法，这种算法采用实数编码方法，在遗传算法的基础上，引入一种用适应度函数值构成动态变化的搜索步长的随机搜索算子，当遗传算法求解达到某一精度时，应用该搜索算子在最优个体附近进行随机搜索，使算法解较快地逼近到所要求的精度，实验表明用这种算法求解代数方程组，可以达到较高的求解精度，在工程中用于求解关节型机器人速度逆解，避免了矩阵求逆，取得了满意的效果。     

基于非精确信息的QoS组播路由遗传算法

提出了一种新的启发式遗传算法以求解基于非精确状态信息的QoS组播路由选择问题.该算法以基于非精确状态信息的单播QoS路由算法PC-ISI (premise-controlled,inaccurate state information)为基础,将基于非精确状态信息的QoS组播路由问题与遗传算法有机结合,通过初始群体的筛选、自适应罚函数的运用以及启发式交叉和变异等一系列策略,能有效地提高算法的搜索能力和收敛速度.仿真实验也说明该算法性能良好.     

改进型自适应遗传变异算子

通过分析二进制遗传算法中基因频率对种群多样性的影响，提出了一种新的能维持种群多样性，且具有自适应变异概率的变异算子，该算子染色体每一基因位上的变异概率由其基因位上的基因频率自适应决定．仿真实验表明该算子不但能保持种群的多样性．而且能有效提高算法的收敛速度．     

高性能自适应调整参数的遗传算法

分析了适应值选择算子中参数对遗传算法的个体选择和搜索性能的影响,提出了一种高性能自适应调整选择算子参数的遗传算法,修正了交叉概率和变异概率的自适应形式,并讨论了它们的变化机理.实验证明,该算法提高了算法搜索能力和解的精度,能有效地避免局部极小.     

基于蚁群信息素的混合遗传算法

针对遗传算法无法利用系统中的反馈信息,求解到一定范围时出现的冗余迭代,求精确解效率低,局部搜索能力弱、易出现"早熟"现象等缺点,提出了采用蚁群信息素对均匀划分子空间进行标定,利用留存的信息素控制选择操作,采用双重选择算子、基于"杂交优势"思想的交叉算子和自适应变异算子的混合遗传算法.实验表明,采用该算法的分类系统的分类准确率、算法运行时间、算法收敛性等方面性能均有明显提高.     

基于遗传禁忌混合算法的静态电压稳定裕度计算

提出一种基于遗传禁忌混合算法的静态电压稳定裕度计算的新方法．该方法将全局搜索能力强的遗传算法和局部搜索能力强的禁忌搜索算法结合在一起，通过改进的连续潮流法计算，可快速而准确地获取系统最大静态电压稳定裕度，并在一定程度上弥补遗传算法和禁忌搜索算法单独使用的不足．应用该混合算法对IEEE14节点系统进行仿真计算，验证了该方法可行且有效．     

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.     

基于拟下降方法的遗传算法及其收敛性

在遗传算法中嵌入一个传统下降算子,且保留最好个体,利用最好个体的记忆信息对搜索过程进行指导,从而得到既有较快收敛速度,又能以较大概率得到全局极值的用于函数全局优化的混合算法.定义了适当的适应度函数和子代个体的选择算子,且从拟下降观点证明了算法的收敛性.数值计算结果表明了本算法显著优于遗传算法和传统下降算法.     

元胞空间结构下的文化算法

针对以往文化算法种群空间没有地域的概念,信念空间缺少文化的进化机制,以及求解优化问题时寻优精度不高且易陷入局部最优等缺陷,提出一种新的基于元胞空间结构的文化算法. 将元胞空间网格分别嵌入文化算法计算框架中的种群空间和信念空间以模拟文化算法的双层进化体系;对于种群空间,将进化个体分布于下层元胞网格,并对网格进行地域划分,使每个地域内的个体均以差分进化算子独立进化;对于信念空间,将进化信息放入与种群空间地域对应的上层元胞网格当中,利用文化的扩散机制实现文化的进化. 实验结果表明,该算法具有收敛精度高以及全局搜索能力强等优点,在处理高维复杂优化问题时同样具有优势.     

一种带差分进化策略的多分布进化算法

结合分布估计算法的强全局收敛能力和差分进化算法的快速收敛性能,提出了一种带差分进化策略的多分布进化算法（multi-distribution evolutionary algorithm with differential evolution,MDEA_DE）。为了进一步提高算法的全局收敛性能,MDEA_DE采用了基于分布种群的多分布进化机制,并通过三种高斯分布模型生成具有较好多样性的高质量解种群。同时,利用搜索空间调整策略来提高高斯分布模型的精度,并执行解空间中的改进差分进化搜索以获得增强的局部开发能力。对基准测试函数的数值试验结果表明,MDEA_DE能够在全局探索和局部开发之间取得较好的平衡,能快速收敛到复杂优化问题的全局最优解。     

一种基于CUDA的局部敏感哈希算法

传统的局部敏感哈希算法建立哈希表时往往需要较大的内存空间以及较长的建立时间. 在查询阶段,查询样本K个最近邻数据项的所需时间超过整个运行时间的95%. 针对这些问题,运用计算设备架构将局部敏感哈希算法移植至图形处理器,并用多线程并行计算数据项的哈希值来建立哈希表. 查询阶段在全局内存中引入基于工作队列的多样本查询,以提高算法的运行效率. 实验结果表明,所提出的算法与传统的局部敏感哈希算法相比,能在不降低运算精度的情况下将运算速度提高近12倍.     

一种新的多移动机器人协调路径规划方法

针对动态环境中多移动机器人路径规划问题,提出了一种基于知识的遗传算法。该算法路径表示简单,所设计的基于知识的遗传算子并入了领域知识和局部搜索技术,同时,把领域知识并入初始种群,大大提高了遗传算法的效率;将协调路径适应值矩阵引入基于知识的遗传算法,实现了多移动机器人协调路径规划。仿真结果验证了该算法在多移动机器人路径规划中的可行性和有效性。     

遗传算法求解组合优化问题研究

利用遗传算法（ＧＡ）的机理分析，提出了求解旅行商问题（ＴＳＰ）的一整套进化策略，并对算法对有效进行了分析，计算机模拟结果表明ＧＡ是求解组合优化问题的一种有效方法。