共查询到17条相似文献,搜索用时 62 毫秒
1.
为了解决传统遗传算法易陷入局部最优解的问题,在多父体杂交算法和差分进化算法的基础上,提出了混合差分演化算法.该算法的核心在于,采用多父体杂交算子保证算法的遍历性,通过淘汰相同个体来保持群体的多样性,并以较小概率随机选取部分个体进行差分进化操作,从而充分利用最优个体的信息达到了加快收敛速度的目的.对复杂函数的寻优实验验证了混合差分演化算法的有效性. 相似文献
2.
混合整数非线性规划问题为一类富有挑战性的难解问题。本文设计一个混合演化算法求解混合整数非线性规划问题,对于不同变量分别使用二进制和实数编码策略,将约束优化问题转换为多目标优化问题。数值实验验证了算法的有效性、稳健性和通用性。 相似文献
3.
复杂多目标优化问题通常有大量的Pareto有效解,并且存在部分Pareto有效解容易求出,而部分Pareto有效解很难得到的情况。已有的多目标进化算法在设计进化算子时都没有考虑Pareto有效解的求解难易程度,都是使用固定的杂交变异概率,因而在求解复杂多目标优化问题时效率不高。用带权重的极大、极小策略,通过专门设计的权重得到一组适应值函数,同时进一步构造了随进化代数变化的杂交、变异概率,其大小根据求解有效解的难易程度自动调节,提出的多目标进化算法的效率大大提高,并能求出有效界面上相对均匀分布的有效解。数值仿真表明了本算法非常有效。 相似文献
4.
基于空间收缩的种群灭亡差异演化算法 总被引:11,自引:1,他引:11
高飞 《复杂系统与复杂性科学》2004,1(2):87-92
为避免演化算法在求解多峰函数优化问题时对冗余空间的过度搜索,提高差异演化算法的搜索效率,提出一种新的基于空间收缩的种群灭亡差异演化算法(DEESC),通过最优个体收缩可行空间,用均匀设计方法反复初始化种群,并且讨论了DEESC的主要参数敏感问题。 相似文献
5.
6.
一种混合交叉策略的多目标演化算法及其性能分析 总被引:2,自引:0,他引:2
演化算法(EA)是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。作者叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEADC),并且分析相关性能。该算法不仅具有较高的计算效率,而且具有较好的收敛性能,并且运用了有关方法维护了解集的分布性能。算例结果表明该算法的良好性能。 相似文献
7.
一种简单实用的计算复杂系统MTBF的算法 总被引:1,自引:0,他引:1
本文介绍了一种简单实用的计算可修复系统的MTBF的算法。对于复杂系统,其失效率难以计算。我通过将时间轴分成无穷个Δt小段,根据公式MTBF=∫∞0R(t)dt可近似求出MTBF。可以根据需要控制误差精度。并用TurboC编写了一个程序计算微机联锁系统的可靠度及MTBF。。 相似文献
8.
提出了一种求解对称锥互补问题的信赖域算法.基于光滑函数,将对称锥互补问题转化为无约束优化问题,构造了信赖域子问题,利用结合非单调策略的信赖域算法进行求解,并证明了该算法具有全局收敛性.仿真实验结果表明,算法对求解对称锥互补问题是有效的. 相似文献
9.
10.
11.
提出了一种自调节种群的演化算法(SaPEA)求解旅行商问题,算法根据当前最优适应度改进的情况提出一种更精细调节种群规模的模式,并根据演化的进程选择强化操作或者分化操作.这样不仅有利于保持种群的多样性开发新的解,还可以加快收敛速度探索到更好的解.同时,还对现有的启发式交叉算子和3-opt局部搜索算法进行了改进.通过对TSPLIB中实例进行测试,表明了SaPEA算法的优越性. 相似文献
12.
13.
用多目标进化算法求解二层规划双目标模型 总被引:4,自引:0,他引:4
传统单目标二层规划模型得到的最优解往往无法使上下级双方都满意.为此,通过在上层规划中同时考虑下级的目标函数,建立了原问题的上层为双目标规划的一个新模型.上下级可通过协商在该模型的Pareto-最优解集中找到双方满意解.对此模型设计了求解的多目标进化算法,用传统优化算法求解下层规划的单目标问题,而对上层的双目标规划问题则采用基于NSGA-Ⅱ的多目标进化算法求解.数值试验表明我们所提出的算法是有效的. 相似文献
14.
15.
16.
针对大型产品在双边拆卸线进行作业时,零部件间存在拆卸干扰的情形,构建双边顺序相依拆卸线平衡问题优化模型,并提出一种动态协同进化算法。所提算法设计了一维正负整数排列编码方法,可将任务间先后关系及任务所在操作方位同时有效表示,编码简单易于实现;采用动态邻域深度搜索策略,提高局部搜索质量;引入后天学习算子,加快个体进化速度;通过种群间相互交流,提升下一代种群质量。最后,通过算例验证所提算法具有良好的寻优性能。 相似文献
17.
一种有效的进化规划算法 总被引:14,自引:1,他引:13
提出一种新的进化规划算法,该方法不仅能够加快普通进化规划算法的收敛速度,而且能够有效地保证种群的多样性,并用该方法求解具有多个极值点的函数优化问题,计算机仿真实验结果表明该方法是非常有效的。 相似文献