混合遗传算法求解双准则线性运输问题

针对传统的遗传算法求解双准则线性运输问题时非劣解容易陷入局部区域的不足之处,提出一种改进的混合遗传算法。该算法分别从初始化染色体、非劣解的寻找和选择算子三个方面对传统遗传算法进行改进。并且在选择算子中结合使用权重系数变化和最小境技术保证可行解的收敛性,增加非劣解的多样性,使所求的非劣解具有一定代表性。最后通过计算实例结果,表明改进的混合遗传算法能获得更多的有效非劣解。     

求解运输问题的一种新算法

货物从生产商到销售商的分配问题称为运输问题(Transportation Problem),它是一类典型的线性规划问题,在现实中具有极其广泛的应用.如:选址问题、分派问题、生产计划与库存管理等.本文在传统的表上作业法的基础上引申得到了一种新算法.其主要思想是将最小元素法与指派问题的匈牙利解法巧妙地结合起来,通过对分配数以及0元素的讨论,一次性的得到最优解,从而避开了先确定初始解,再通过检验来确定最优解的复杂过程.该算法的优点在于计算过程容易掌握、计算量相对于原来算法比较简单.最后给出应用算例.     

改进的求解运输问题的P-D算法

在αβ算法的基础上提出了运输问题的一个改进的P-D算法.     

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．     

基于人类进化算法的背包问题求解方法

背包问题是计算机算法中的一个NP完备类困难问题,使用传统的优化方法在求解较大规模的背包问题时,都存在计算量大、迭代时间长的缺陷．人类进化算法是模拟人类进化机理而建立的一种智能优化算法,本文阐述了人类进化算法的基本原理和实现方法．为提高背包问题的求解速度和精度,将人类进化算法应用于背包问题的求解,演示了算法的工作过程．试验结果表明,使用该方法求解背包问题是完全可行的和有效的,与众多优化算法相比,人类进化算法具有更高的求解效率．     

进化算法及进化理论初探

从进化法则和遗传学的角度出发,讨论了进化算法的生物学原理,找到了其充分的生物学依据,参照自然选择机制,提出了进化算法中的随机选择和竞争性选择机制,最后,总结了进化算法的特点,对其存在问题和发展方向作了综述。     

基于区域分割的差分进化算法求解0-1背包问题

为了更有效地求解0-1背包问题,提出了基于区域分割的差分进化算法(PDE).为保证变异算子的封闭性,对传统差分进化算法(DE)的变异算子进行了修改.引入区域分割算法以后,解空间中一些没有希望的点被移除,缩小了最优解的搜索范围,增加了找到最优解的概率.将区域分割和贪婪算法相结合,用搜索到的最好解替换了种群中目标函数值最差的个体,保证了种群的多样性.数值实验表明:该算法比文献中的DE算法更稳健,全局搜索能力更强,能以更大的概率找到背包问题的最优解.     

多产品运输问题的建模及优化算法设计

以某纺织企业的产品运输流程和企业生产、销售对产品运输的具体需求为例,建立以总运输费用最低为目标函数,以每个生产地每种产品的生产量、每个销售地每种产品的销售量,以及每种产品的单位运价为约束条件的多种产品运输模型.设计具有全局优化、收敛速度快的遗传算法,并对该模型进行优化求解.通过与传统算法的比较,说明采用遗传算法求出的运输总费用优于用内点算法计算出的结果,即对于大规模的多产品运输问题,采用遗传算法优化性能更好,不易陷入局部最优,且其收敛速度也优于内点算法.     

求解TSP的遗传蚁群融合算法

原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但存在克服收敛速度较慢、易出现停滞以及全局搜索能力较低的缺陷.针对存在容易陷入局部最优解等问题,在原有的遗传融合蚁群算法的基础上进行了许多改进以扩大解的搜索空间,提高了其寻优能力和速度.仿真结果表明,改进后的算法具有更好的寻优能力,效果较好.     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

符号差类运输问题的多项式时间算法

给出符号差类运输问题的一个多项式时间算法,并证明该算法的时间复杂性是Ｏ（ｍｎ＾２＋ｍ＾２ｎ）。     

求解多目标运输问题的表上作业法

根据可持续发展和保护资源、环境的特殊需要,研究了多目标运输问题.引入了这一类多目标运输问题的表格表示方法;给出了有效解、检验数向量等定义以及求解多目标运输问题的表上作业法.     

一类模糊运输问题及其混合智能算法

研究了一类更加贴近于现实生活的模糊环境下的运输问题,即需求量和供应量均为模糊变量的运输问题．并借鉴针对模糊环境中的优化问题提出的机会约束规划模型和相关机会规划模型的思想,建立了模糊运输问题的数学模型．此外,考虑到模型涉及大量具有复杂性和多样性的模糊变量,设计了一种混合智能算法,即基于模糊模拟的遗传算法来求解模型的近似最优解．最后,数值例子表明算法的有效性和可行性．     

线性规划在运输问题中的应用

线性规划主要应用于解决最优化问题。根据运输问题的基本特征,通过实例对运输问题进行了优化分析,建立了运输问题的线性规划数学模型。将模型应用于一些特殊的运输问题,从而得到最优化的方案,提高了实际运输工作中的经济效益。     

一类广义运输问题的变形与求解

研究一类广义运输问题,其中供应量和需求量均有上下界,总运输量也有上限,给出一种方法将该问题转化成标准的最小费用流问题,再利用已有的算法求解.     

运输问题的区间规划模型

运输问题是运筹学中一类很重要的问题,但对于问题中有些参数很难给出精确值,因此,考虑采用不确定性规划描述此类问题,提出运输问题的区间规划模型,模型中用区间数来表示运输价格、产品供应量和需求量等难于确定的参数。根据参数实际的意义,针对所建立模型,利用区间规划的求解方法,将问题转化为确定型线性运输问题进行求解.最后给出一个算例,表明该算法的可行性。     

解垂直线性互补问题的一个序列线性规划算法

建立了求解垂直线性互补问题的一个序列线性规划（SLP）算法,并证明了算法的全局收敛性。     

运输问题表上作业法的改进

本文基于简单实用的思想，对运输问题的表上作业法进行改进，使算法更可行有效，以尽快求得运输问题的最优解。     

关于旅行售货员问题的混合遗传算法研究

遗传算法（ＧＡ）是一类仿生算法，广泛应用于大型优化问题的求解，本文介绍孤原理和算法，并用简单遗传算法（ＳＧＡ）和混合遗传算法（ＨＧＡ）对旅行售货员问题（ＴＳＰ）进行了研究。