一维下料问题的改进自适应遗传算法

提出采用改进的自适应遗传算法与求解此类问题的一般算法——BFD算法相混合，构成一种改进的自适应混合遗传算法(MAHGA)．并将其与另一种新的求解此类问题的EPFF算法进行了精度、速度等方面的比较．结果表明，本文方法可以取得较为满意的效果．文章最后给出了一个实例．     

求解一维下料问题的改进混合遗传算法

针对一维下料问题,设计了一种局部搜索方法,并将其与遗传算法结合构造了新的混合遗传算法.大量实验表明,该算法求解一维下料问题是行之有效的.     

基于基因群体的一维优化下料

针对一维优化下料问题,将基于群体的编码方法与遗传算法相结合,设计了一种适用于一维优化下料问题的编码方法,修改了经典遗传算子的操作方法,提出了降序最佳置换方法(BRD).引入最佳配合(BF)、优先配合降序(FFD)局部搜索算法,建立了求解一维优化下料问题的复合遗传算法.应用结果显示,本文方法的效果是令人满意的.     

一种求解非线性约束优化问题的粒子群优化算法

提出一种新的基于粒子群优化算法求解非线性约束优化问题的方法.通过引入自适应的退火罚因子和不可微精确罚函数来处理约束条件,可以使算法逐渐搜索到可行的极值点.数值实验证明了算法是有效的.     

多线材一维下料问题的求解策略

本文将线性规划与增强顺序法相结合,求解多线材一维下料问题.采用具有全容量特性的解法,一次生成多个排样方式,按比值法选择新排样方式.实验结果表明:对于文献中报道的一些例题,运用算法可降低线材成本;和商业一维下料CAD系统相比,在下料方案的线材成本相同的前提下,本文算法可大幅度缩短计算时间.     

一维下料方案的遗传算法优化

在对一维下料方案数学模型分析的基础上，提出了一种基于遗传算法的求解方法。主要思想是把零件的一个顺序作为一种下料方案，并视作组合优化问题来求解。在求解过程中，给出了应用遗传算法求解关键问题的编码、解码方法、遗传算子及适应离函数的定义，并根据这算法开发出一维下料方案的优化系统。实际应用表明，采用该方法求解一维下料方案，可提高材料的利用率，而且还可以提供多个优化方案。     

分支定界算法优化一维下料问题

一维下料问题是生产实践中常见的问题,优化下料要求最大限度地节约原材料,提高原材料的利用率.本文提出分支定界算法优化一维下料问题,并用MATLAB编写程序,通过计算机来完成这一复杂的过程.     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题,利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先,将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重,以加快寻优速度;然后,为了防止种群陷入局部最优,定义了种群相似度函数;最后,在种群中加入最差个体位置信息以增加种群混乱度,从而提高算法的全局寻优能力.仿真结果表明,SAPSO在收敛速度较快的情况下,寻优精度优于蒙特洛卡算法和改进遗传算法.     

粒子群优化算法求解旅行商问题

首先介绍粒子群优化的搜索策略与基本算法, 然后通过引入交换子和交换序的概念, 构造一种特殊的粒子群优化算法, 并用于求解旅行商问题. 实验表明了在求解组合优化问题中的有效性.     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

自适应变异的混合粒子群优化策略及其应用

提出了一种新的基于群体自适应变异和个体退火操作的混合粒子群优化（HPSO）算法．该算法将模拟退火过程引入到粒子群优化（PSO）之中，以PSO作为主体，先随机产生初始群体，并开始随机搜索产生新的个体．同时，使用自适应变异操作进行个体变异，对进化过的个体进行退火操作，以调整和优化群体．与模拟退火算法和基本PSO算法相比，HPSO保持了基本PSO算法简单、容易实现的特点，又能进行自适应变异．复杂函数优化和旅行商组合优化问题的实例验证表明，所提算法的全局收敛性较好，提高了摆脱局部最优的能力，有效避免了基本PSO算法的早熟问题．     

微粒群优化在Job-shop调度中的应用

Job-shop调度问题是典型的NP-难问题,利用微粒群优化的全局搜索能力和高搜索效率以及模拟退火算法的局部搜索能力,发展了一种快速、且易于实现的新的混合启发式算法,并将其应用于求解标准Job-shop调度问题,计算结果以及与其他算法的比较说明,该算法是一种求解Job-shop调度问题的可行且高效的方法。     

退火遗传算法及其在一维切割问题上的应用

针对标准遗传算法在解决优化问题中存在的问题,提出了改进标准遗传算法的退火遗传算法,并把该算法应用于一维最优切割问题上。通过与标准遗传算法求解一维切割问题的比较,验证了退火遗传算法的有效性。     

粒子群优化算法

论述粒子群优化算法(PSO)的基本原理、特点、实现步骤,以及PSO的各种改进技术,包括基于PSO参数的改进技术(主要是惯性权重)、基于遗传算法进化机理的改进技术(受遗传算法启发提出的带交叉算子的PSO、带变异算子的PSO、带选择算子的PSO),以及其他算法融合的改进技术(模拟退火PSO、免疫PSO、混沌PSO),并总结PSO热点研究问题.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法,已在许多领域得到了非常成功的应用。本文以约束优化问题为对象,首先介绍了采用罚函数法将约束优化问题化为无约束优化问题,和将约束优化问题转化为minmax问题,然后对无约束优化问题和minmax问题,采用PSO算法进行进化求解;在此基础上,以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

基于模拟退火步长的粒子群算法

为了提高粒子群算法的收敛速度和全局收敛性,本文在标准粒子群算法的基础上作了改进,提出了一种带模拟退火步长的粒子群算法．通过典型函数的测试结果表明新算法比原来算法收敛到最优解的次数多,提出的新算法在全局搜索能力和收敛速度方面有所提高．     

求解聚类问题的混合粒子群优化算法

建立了聚类分析问题模型,结合遗传算法的思想提出的混合粒子群算法来解决聚类问题。该算法可 进一步改进,思路是利用K-均值方法的结果作为一个粒子。经过比较测试,4种粒子群算法的效果都比较 好,特别是交叉策略A和变异策略B的组合算法最好。     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。