求解双层CARP优化问题的知识型遗传算法

双层CARP优化问题首先考虑物流系统的宏观配置问题,然后考虑相关服务的完成问题. 提出了一种求解双层CARP优化问题的知识型遗传算法：采用两种扩展启发式方法来辅助生成初始种群;基于算子绩效知识为每次选择、交叉和变异操作选择合适的操作算子;基于弧段顺序知识为每次交叉和变异操作选择合适的断点位置;采用局部替换程序不断向当前种群中注入新个体. 实验结果表明,知识型遗传算法在优化性能方面优于其他几种方法.     

求解双层CARP优化问题的知识型蚁群算法

双层CARP优化问题不仅要解决微观路径优化问题, 还要解决宏观配置优化问题, 最大程度地降低整体系统的固定成本和运行成本. 提出了一种求解双层CARP优化问题的知识型蚁群算法: 构建了一个动态参数决策模型, 并采用该模型为每次迭代动态地选择一组合适的参数; 基于弧段聚类知识和弧段顺序知识来构建可行解; 采用2-Opt方法对每次迭代中的最优解进行局部优化. 实验结果表明知识型蚁群算法在优化性能方面优于其他几种方法.     

基于广义交互式遗传算法改进的粒子滤波技术

基于一种广义交互式遗传算法对粒子滤波的重采样步骤进行改进,解决粒子滤波的退化和匮乏问题。该方法结合实际处理的优化问题,人为确定候选窗的范围和大小,利用改进型“拥挤因子模型”选择算子进行选择操作,在数学上确保了迭代过程中粒子的多样性,同时利用“完全算数交叉算子”实现交叉操作,这种交叉算子的优点是可行解空间关于交叉运算封闭,采用非一致变异算子实现变异操作,可有效地捕获可能出现的异常情况。仿真实验结果证明了这种改进后的滤波方法与扩展卡尔曼滤波(extended Kalman filtering, EKF)、标准粒子滤波和正则粒子滤波三种方法相比较,具有较好的迭代估计性能。     

求解约束优化问题的内外交叉遗传算法

针对很多约束优化问题的最优解位于可行域的边界上或其附近的特点,提出了一种新的遗传算法.算法将种群中的可行解和不可行解分别存贮在两个容器中,新设计的交叉算子(内外交叉法)尽量让可行域内的可行解与可行域外的不可行解交叉,并顺着有利的方向一维搜索到可行域边界,此举既增大了个体接近全局最优解的几率, 又增强了算法的收敛速度;粒子群变异法则吸取粒子群 (PSO)算法的优点,让粒子沿粒子自身历史最优和全局最优的方向变异, 而选择算子则采取了保留固定比例不可行解的方法. 仿真结果证明了算法能够在种群规模小,迭代次数少的情况下迅速接近或找到全局最优解.     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。     

基于佳点集的约束优化进化算法

结合数论中佳点集理论和多目标优化技术,提出了一种求解约束优化问题的新算法.该算法首先把约束优化问题转化为两个目标的多目标优化问题;接着结合佳点集理论重新设计了交叉算子,新的交叉算子能够生成具有代表性的子代个体以更好地搜索空间;采用BGA变异算子增加子代个体的多样性;最后根据当前子代群体的进化信息,利用联赛选择算子或Pareto优超关系选择优胜个体进入下代群体,通过4个标准测试函数验证了算法的有效性.     

求解全局优化问题的智能遗传算法

提出了一种智能遗传算法,该算法融合了5种交叉算子、8种变异算子和5种灾变算子,能根据当前优化结果智能地选择交叉算子、变异算子和灾变算子,在不影响搜索过程随机性的前提下收敛于全局最优解。不同于传统遗传算法,本算法增加了对各种算子优化性能的统计,在优化过程中尽可能使用那些优化性能高的算子,从而提高了智能遗传算法的优化性能。为了验证本算法的性能,采用12种传统遗传算法和本算法同时对20个测试函数进行了求解。最终的数据实例表明,方法是可行的、正确的和有效的。     

基于遗传算法的多级目标非平衡指派问题求解

给出了一个基于遗传算法的多级目标非平衡指派问题的求解方法.首先把一个非平衡指派问题转化为一个组合优化问题.在此基础上,给出了编码策略、目标函数和适应度函数、选择算子、交叉算子和变异算子,还给出了交叉概率、变异概率的定标方法.最后采用遗传算法成功地解决了非平衡指派问题.     

基于混沌遗传算法的板坯入库决策优化方法

针对热轧板坯库优化管理，分析了板坯入库操作流程，并建立了板坯入库决策的优化模型，考虑了板坯入库库位和垛位选择的多种原则，对一个板坯入库批次进行全局优化运算，可快速为板坯选择最优的库位和垛位。对于模型的求解方法，构造了一种自适应的混沌遗传算法，采用自然数编码方式，动态的在线调整算法的交叉和变异概率，并采用混沌优化方法作为变异算子。对生产数据进行实际排产的结果表明，建立的模型和算法切实可行，可应用于生产实际。     

基于改进遗传算法的物流配送路径优化

物流配送路径规划对于提高物流配送效率、节约配送成本具有重要意义。以物流配送路径总长度为优化目标,将其转换为经典TSP优化问题进行求解并建立了数学模型。基于该数学模型,提出改进的遗传算法,针对遗传算法的选择、交叉和变异分别提出了基于序的选择算子、基于最小代价树的交叉算子和基于随机点长度控制的变异算子。改进的遗传算法与简单遗传算法的对比仿真实验表明,所改进的遗传算法有较好的全局寻优能力,且其收敛速度快,是解决物流配送路径优化问题的有效方法。     

遗传算法在企业铁路取送调车作业优化中的应用

如何合理安排企业铁路取送车作业是企业铁路调车作业中的一个重要环节.本文针对调车作业方式＂送取分离＂的企业铁路货运站,参照3车列的取送车仿真时序,建立了取送车作业优化问题的数学模型.同时,提出一种带启发式知识的进化增强型遗传算法用以求解这类大规模组合优化问题.算法一方面通过启发式知识产生优良个体并有效保存,加速算法寻优;另一方面通过有效的交叉和变异操作保证算法的多样性,避免算法早熟;从而最终有效提高算法的寻优效率.实例计算结果验证了模型和算法的有效性和工程实用性.     

超启发式DE算法求解零等待发酵工艺调度

为解决具备间歇过程特点的零等待发酵工艺调度过程中易变质的难点,提出了一种超启发式差分算法,并将最小化最大完工时间设置为优化目标。此算法分为2层,高层为改进的自适应差分进化算法,来对低层的启发式操作进行选择排序。而低层组合排序成了新的算法对问题域进行操作,加入模拟退火算法避免陷入局部最优。所提出的方法具有学习的机制,对不同问题具有较强的泛化能力。通过测试算例和实际生产进行算法的比较和求解验证了此算法的有效性,结果表明所提出的算法比传统的启发式算法性能更优。     

求解有硬时间窗车辆路径问题的改进遗传算法

针对军事运输中有硬时间窗的车辆路径问题(vehicle routing problem with hard time windows, VRPHTW),结合混合交叉运算、改进变异运算和精英保留策略,以所有车辆的配送总时间最少为目标,设计了改进遗传算法。借鉴贪婪思想,提高了初始种群的优越性;构造了迭代种群的入口矩阵和出口矩阵,并以此为基础提出改进交叉算子,期间引入前向插入法设计了混合交叉运算,加快了种群的寻优速度;同时提出改进变异算子,增加了种群的多样性。实验结果表明,改进遗传算法较之基本算法有着更快的收敛速度和更优的收敛效果。     

智能优化的代价评估粒子滤波算法

针对噪声未知情况下粒子滤波算法进行状态估计时准确性低的问题,对智能优化的代价评估粒子滤波算法进行研究。结合代价评估粒子滤波算法特点设计了智能优化重采样策略,利用概率质量函数评价粒子的可信度,通过交叉变异操作引导粒子向风险较小的区域移动,改善基于风险和代价进行样本更新而导致的样本贫乏问题;通过对风险较大粒子的变异,扩展了粒子的后验分布区域。仿真结果表明,提出的智能优化代价评估粒子滤波算法具有良好的粒子优化性能,能在噪声统计特性未知情况下提高状态估计的精度。     

两阶段启发式算法求解带时间窗的多中心车辆路径问题

车辆路径问题(VRP)是物流研究领域中一个具有重要理论价值和现实意义的问题. 带时间窗的多中心车辆路径优化问题(MDVRPTW)是单中心带时间窗的VRP(VRPTW)的一个扩展, 其非常复杂, 难于求解. 本文提出一个两阶段的启发式算法来求解MDVRPTW. 该算法首先通过基于聚集度的启发式分类算法将MDVRPTW简化为多个VRPTW; 然后采用蚁群算法对每个VRPTW进行求解. 为了提高蚁群算法的效率, 提出了两个改进策略: 交叉算子和自适应的ant-weight信息素增量更新策略. 最后, 通过若干经典的MDVRPTW对该算法进行了验证, 结果显示结合基于聚集度的启发式分类算法和改进的蚁群算法是一个求解MDVRPTW的有力工具.     

面向多核任务调度的混合遗传算法

多核处理器的并行任务调度一直是研究的热点话题,属于NP-hard问题。针对此问题,本文提出了一种集启发式算法、禁忌搜索算法、模拟退火算法于一体的改进混合遗传算法(modified hybrid genetic algorithm,MHGA)。MHGA改进如下:首先,采用启发式的分层调度来初始化种群,提高初始种群质量;其次,提出基于禁忌搜索(tabu search,TS)的随机编号交叉算子,提高种群的多样性;最后,采用基于模拟退火(simulated annealing, SA)的变异,提高个体质量。实验结果表明,与其他遗传算法(genetic algorithm,GA)相比,MHGA可以得到更小的任务调度时间和更快的最优解搜索能力。     

求解柔性作业车间调度问题的多策略融合Pareto人工蜂群算法

为克服单一算法在求解多目标柔性作业车间调度问题时最优性和多样性方面的缺陷,提出了一种多策略融合的Pareto人工蜂群算法(multi-strategy integration Pareto artificial bee colony algorithm, MSIPABC).算法在初始化阶段采用混合启发式策略产生质量较高的初始化种群;雇佣蜂采用多种探索操作实现蜂群自主邻域搜索;观察蜂选择较优食物源执行交叉操作,实现蜂群协作搜索,扩大搜索范围,并执行柔性作业车间关键路径相关局部搜索操作,进一步加强蜂群寻优能力;最后侦查蜂对种群重复解进行多样性重构.多种搜索策略的融合使算法不仅实现了人工蜂群的自主与协同搜索,而且达到了全局探索与局部寻优的平衡.通过验证,所提算法在求解质量和获取基准算例Pareto最优解数目方面具有优势.     

Hybrid anti-prematuration optimization algorithm

Heuristic optimization methods provide a robust and efficient approach to solving complex optimization problems. This paper presents a hybrid optimization technique combining two heuristic optimization methods, artificial immune system (AIS) and particle swarm optimization (PSO), together in searching for the global optima of nonlinear functions. The proposed algorithm, namely hybrid anti-prematuration optimization method, contains four significant operators, i.e. swarm operator, cloning operator, suppression operator, and receptor editing operator. The swarm operator is inspired by the particle swarm intelligence, and the clone operator, suppression operator, and receptor editing operator are gleaned by the artificial immune system. The simulation results of three representative nonlinear test functions demonstrate the superiority of the hybrid optimization algorithm over the conventional methods with regard to both the solution quality and convergence rate. It is also employed to cope with a real-world optimization problem.