基于遗传与蚁群混合算法的智能组卷研究

针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略。实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性。     

加入局部搜索的非劣分层多目标遗传算法

针对非劣分层多目标遗传(NSGA)本身所存在的局部搜索能力和易早熟的问题,鉴于模拟退火算法的局部搜索能力强和在解决易早熟问题上的优势,提出了加入局部搜索的多目标遗传算法及适用于多目标优化的模拟退火局部搜索算法和跳转准则,即在NSGA的每一代个体中的1层、2层非劣解附近进行模拟退火局部搜索.该算法能够提高非劣分层多目标遗传算法的效率,弥补了遗传算法中局部搜索能力差、易早熟的缺点.最后给出的仿真结果表明了这种算法的有效性.     

基于局部搜索的遗传算法求解自动组卷问题

针对目前大多数组卷系统所考虑的约束条件不完善、 组卷结果不理想问题. 提出一种基于局部搜索的遗传算法（GALS）, 解决了传统组卷约束不完善等缺点, 并得到了较好的组卷结果. 该算法采用基于按题型分段的编码方式, 3个遗传算子分别采用如下策略： 按题型分段交叉策略, 保证全局搜索能力及交叉后各题型被选题数不变; 基于禁忌表局部搜索的变异机制, 对题库进行随机关联搜索, 提高了算法搜索能力; 采用组合优化进化算法的μ+λ选择策略, 有利于算法局部搜索. 实验结果表明, 相同迭代次数下, 新算法找到的最优解明显优于传统的组卷算法.     

退火-遗传算法寻优及其实现

分析了遗传算法及退火算法的优缺点，提出用退火算法改进遗传算法局部的最优值搜索效率低问题。退火算法与遗传算法融合后，使算法在寻优结果上更加迅速精确。通过水泥的配比工程实例，与单纯的遗传算法的结果进行对比，说明该方法是有效的。     

具有禁忌算子的遗传算法目标优化分配

针对地面防空作战中的多通道目标优化分配问题，给出了一种具有禁忌算子的混合遗传算法。该算法结合禁忌搜索算法和遗传算法二者的优点，既克服了禁忌算法全局搜索能力的不足，又提高了遗传算法的爬山能力，还解决了遗传算法容易陷入局部最优的问题，并使搜索过程具有记忆功能。仿真结果表明，该算法可有效给出求解多通道目标优化分配问题的满意解。     

一种改进的两代竞争遗传算法

两代竞争遗传算法改变了简单遗传算法的选择机制，提高了搜索效率．但是两代竞争遗传算法易出现早熟现象，局部寻优能力并未改善．针对这些问题作者提出了一种改进算法，通过变异概率和交叉、变异范围的自适应调整，改善两代竞争遗传算法的搜索性能．实验表明，改进算法克服早熟现象，且能提高算法的局部寻优能力．     

一种改进的遗传算法在测试用例中的应用研究

测试用例的自动生成是软件测试的重要环节,其关键问题是路径搜索问题,遗传算法作为一种高效的搜索寻优算法被广泛应用到测试用倒中。该文提出一种改进的遗传算法,对选择算子和交叉算子进行改进,把传统遗传算法和最优保存策略相结合,提高遗传算法的局部搜索能力。研究表明,该算法比传统遗传算法在生成测试用例的效率方面更具优势。     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

一种基于知识点的遗传算法组卷的改进应用

一个自动组卷系统的组卷效率和组卷质量取决于算法和试胚数据库的结构．本文针对库结构和算法进行改进，提出基于知识点约束的分胚型试胚库结构及分组实数编码的遗传算法，采用具有自适应性的交叉和变异遗传算子，成功解决了多目标随机搜索时易产生死区和死循环的问题，提高了搜索速度和效率．根据试胚的难度和试胚的时间对试胚进行赋分，并以每个知识点的分值之和占试卷总分值的比例作为知识点搜索条件，加入到适应函数中，使知识点定位更加合理准确．     

利用改进的遗传算法求解非线性方程组

提出一种改进的求解非线性方程组的浮点遗传算法,算法通过把非线性方程组的求解问题转化为约束优化问题,然后将局部搜索信息引入遗传算法,通过改进的变异算子不断调整搜索区域,最终搜索到含有最优解的区域,再利用局部搜索信息提高解的精度.数值实验结果表明,改进后的浮点遗传算法具有较好的全局优化能力和局部搜索能力,且提高了求解的速度和解的精度.     

基于禁忌搜索的无线传感器网络多源定位研究

针对无线传感器网络多源定位容易陷入局部最优的情况,提出基于禁忌搜索的多源定位方法.通过测量多个声源发出的能量建立声音能量模型,估计出模型中的声音能量和声音位置等参数,然后使用8邻域3层格点的邻域产生方式,并合理选择禁忌表长度、初始解等禁忌算法的基本参数,有效避免了多源定位易陷入局部最优的情况.将禁忌搜索算法和多分辨率搜索算法、EM算法、AMR算法进行比较,仿真结果表明,禁忌搜索能够很好地避免局部最优,且定位精度高于其他几种算法,计算复杂度相对较低.     

基于传声器阵列的自动声源定位方法

提出一种基于传声器阵列的自动声源定位方法．该方法首先用一个传声器阵列获取声源信号,然后用基于互功率谱相位的时延估计方法计算传声器对间信号的时间延迟,最后应用Tabu搜索算法搜索最佳声源位置．计算机模拟结果表明,该方法是一种定位精度高、运算量较小的声源定位方法．     

基于Tabu算法的声源定位方法

提出一种Tabu搜索算法的声源定位方法．该方法在获得声源信号后,使用基于声到达时间差TDOA方法计算信号的时间延迟,最后应用Tabu搜索算法搜索最佳声源位置．模拟结果表明,该方法是一种定位精度高、效率高的声源定位方法。     

机组组合的混合编码遗传/tabu搜索组合算法

通过对遗传算法和tabu搜索的各自运算特性进行分析,文章提出了一种混合编码遗传算法与tabu搜索策略结合的组合算法,并运用组合算法对机组优化组合问题进行了求解。组合算法较好的结合了遗传算法的大规模寻优特性与tabu搜索的强局部搜索能力的特点,较大地减小了算法陷入局部最优的概率,能快速搜索到高质量的系统优化解;而且算法所采用的混合编码策略避免了每一迭代步上的负荷经济分配计算,大大地减少了计算量,提高了搜索速度。实例仿真结果表明,这种组合算法是有效的。     

一种改进禁忌搜索的K-medoids聚类算法

针对传统K-medoids聚类算法初始聚类中心随机选择、聚类精度不高、全局搜索能力较差以及禁忌搜索算法对初始值随机选取等问题,提出了一种粒计算与最大距离积法相结合的初始化禁忌搜索初始值算法,将改进后的禁忌搜索算法用来优化K-medoids,以提高聚类算法的性能。通过仿真试验论证了该算法具有较高的效率和准确率以及较强的稳定性。     

基于混合混沌优化法的Hopfield网学习算法

提出了一个基于混合混沌优化法的Hopfield网学习算法。通过对Hopfield网权值不等式的处理,训练Hopfield网。利用混合混沌法的优点,即混沌的遍历性和禁忌搜索的“记忆性”和期望准则,有效地避免了局部最小解,克服了原Hopfield网学习的局限性,还能找到多个优化解。实验证明了该算法的有效性。     

求解混合Flowshop调度问题的简化禁忌搜索方案

针对 HFS系统的最小化 Makespan调度问题 ,提出一种禁忌算法和优先级规则相结合的方案 :采用改进的 RA算法对第 1级工件进行排序 ,并用禁忌搜索对其进行优化 ;采用 FAM算法给工件分配设备 ,其他级工件的排序采用最大剩余时间优先级规则 .和其他 HFS的局部搜索算法相比 ,该方案大大缩减了搜索空间 .仿真结果表明 ,该方法能够较好地解决 HFS调度问题 .     

A New Local Search Algorithm for the Job Shop Scheduling Problem

0　IntroductionThejobshopschedulingproblemwithwhichwearecon cernedconsistsinschedulingasetofjobsonasetofma chinesfortheobjectiveofminimizingthemake span ,i.e .themaximumoftimeneededforfinishingalljobs,whichissubjecttotheconstrainsthateachjobhasafixedprocessingorderthroughthemachinesandeachmachinecanprocessatmostonejobatatime .ThisproblemisNP hardandevenisoneofthehardestcom binationaloptimizationproblems.Itiswellknownthatonlysmallsizeprobleminstancescanbesolvedwithinareasonablecomputa tionalti…     

禁忌搜索与遗传算法在求解时间表问题中的对比研究

时间表问题属于NP完全问题，一般来说，只能找出用于实际工作的“亚优解”(sub-optimal solution)，对遗传算法和禁忌搜索算法用于求解时间表问题进行了对比研究，结果表明，禁忌搜索算法能找出比遗传算法更好的时间表，而且禁忌搜索算法所花费的搜索时间也比遗传算法少。但是，遗传算法能同时产生几个不同的逼近最优解的解。