基于遗传禁忌混合搜索算法的设备布局研究

针对设备布局影响制造系统的总体功效的问题,但同时遗传算法在实际应用中,出现早熟现象,爬山能力弱,等一系列缺点提出遗传禁忌混合搜索算法,该算法将遗传算法和禁忌搜索相结合,遗传算法的交叉算子中增加记忆功能,避免迂回搜索,以禁忌搜索作为遗传算法的变异算子。通过实例计算,证明遗传禁忌混合搜索算法是一种行之有效的算法,对解决设备布局这类组合优化问题具有实用价值。     

基于混合蚁群算法的产品开发过程优化方法

通过对迭代产品开发过程的分析,提出了将产品开发过程中设计活动被首次访问视为TSP问题中蚂蚁访问城市的思想,将Markov 过程建模方法与基本蚁群算法相结合,建立了混合蚁群算法对产品开发过程进行优化求解.示例表明该方法成功地将蚁群算法扩展到复杂产品开发过程优化问题,在考虑设计迭代以及设计活动完成时间服从任意分布的情况下,建立了产品开发过程优化模型,为该类问题的求解提供了一个新的思路和方法.     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

基于蚁群算法的人车混合疏散优化及混合比例分析

为解决紧急情况下的人车混合疏散问题, 以人车混合疏散的总时间最短、混合道路利用程度最高为目标,建立了一种人车混合疏散的多目标优化模型, 针对该模型设计了多目标蚁群优化算法及其改进算法,并应用于大型体育场及其周边路网集成环境中进行了仿真实验, 分析了不同人车混合比例下的疏散性能,结果表明:该模型及算法对人车混合交通流疏散问题具有良好的效果, 尤其是当行人所占比例为 50%-80% 时,人车混合疏散效果在两个目标上较优.该模型和算法有助于为大型公共场所人车混合安全疏散预案的制定提供决策支持.     

不同类型土壤作物混合种植布局优化模型

探讨在实施“小块单一,大片混合,控病增收”的作物混合种植模式中的作物种植布局优化问题,构造出分别适应于不同种植地的多个布局优化数学规划模型。指出了建模思路和方法在作物轮作优化布局中同样适用,并建立了轮作布局优化模型。     

基于蚁群优化算法的0-1背包问题求解

蚁群优化算法在求解旅行商问题、指派问题、Job-shop调度问题和网络路由问题等获得了极大的成功．将蚁群优化算法应用于0—1背包问题，首先将0—1背包问题表示成相应的构造图，并针对该图设计了两个状态转移公式，蚂蚁根据这两个状态转移公式在带权图中移动直到死亡．此时，蚂蚁所走过的路径即构成背包问题的一个可行解．仿真实验对该算法的参数进行了讨论，再与遗传算法进行比较，结果显示该算法具有较高的性能．     

基于遗传蚁群算法的港口集卡路径优化

为了解决港口中存在的集卡拥堵问题,在集装箱龙门吊装卸工艺系统下,探讨了影响集卡作业效率的因素和集卡路径构成成本, 建立了面向"作业面"的港口集卡路径成本优化模型. 针对这一模型设计了遗传蚁群算法并结合实例对问题求解, 且从集卡路径收敛、可变成本、惩罚成本和总成本的变化四个方面将该优化结果与蚁群算法的寻优结果进行对比, 证明遗传蚁群算法能够较快地收敛于最优解且所得成本更小.     

基于蚁群算法的施工项目工期-成本优化

工期-成本优化是施工项目计划的一个重要方面.它从实质上属于一类多目标优化问题.结合近年来提出的一种新的进化算法-蚁群算法(ACO),尝试对工期成本问题(TCTP)进行求解.通过与改进自适应权重方法(MAWA)的结合,ACO算法不仅可以找到最优解,还可以得到问题的帕雷托前沿.通过一个算例验证了算法的有效性,并和枚举法和遗传算法的计算结果进行了比较.结果表明蚁群算法对于工期成本优化问题的求解是十分适用的.     

基于蚁群禁忌混合算法的成品油多舱配送路径优化研究

依据油品运输策略的不同,成品油二次配送可划分为两种模式:同一加油站的不同油品需求可拆分配送和不可拆分配送.在两种模式的基础上,根据带时间窗的成品油多舱配送基本模型,衍生出两类配送子模型;综合考虑蚁群算法较强的全局搜索能力和禁忌搜索算法的局部搜索能力,设计蚁群禁忌混合算法(ACO-TS),并提出相应策略用于两类子模型的求解.采用12组不同类型的算例进行数值实验,实验结果表明,混合算法能有效的求解两类配送子模型,并且针对第二类子模型设计的特有邻域能够加快算法求解速度;此外,两种配送模式中,同一加油站不同油品需求可拆分的模式在降低配送成本的同时,能够大幅提高车载率,减少车辆使用量。     

基于遗传-蚁群融合算法的干扰资源分配方法

针对多部干扰机协同干扰多部雷达的干扰资源分配问题,提出一种基于遗传-蚁群融合算法的干扰资源分配算法。首先采用综合集成赋权法结合逼近理想解排序法(technique for order preference by similarity to an ideal solution, TOPSIS)对目标雷达进行威胁评估,然后建立干扰资源多约束优化分配模型,最后采用遗传-蚁群融合算法对模型进行求解。融合算法利用遗传算法快速寻找出若干组优化解,将这些优化解用于调整蚁群算法中初始信息素的分布,利用蚁群算法对问题进一步优化,从而找到最优解,提升了算法的求解精度和求解时间。仿真结果表明,融合算法的性能在收敛速度和寻优准确性等方面相较于其他算法都有了较大提升。     

混合递阶遗传算法优化小波神经网络的研究

在研究小波神经网络结构及其学习算法的基础上,提出了一种以混合递阶遗传算法优化小波神经网络的新方法,混合递阶遗传算法是递阶遗传算法和多元线性回归的结合。此方法可同时优化小波神经网络的结构及其参数,具有学习速度快,精度高的特点。并与传统的BP算法进行了对比,证明了本算法的有效性。     

基于双层决策的装备订购多因素激励定价模型与算法

装备订购价格是军方与承制单位双方利益争执的焦点,为全面调动承制单位生产积极性,选择成本、质量和进度同时作为激励因素,在将三因素整合到同一函数表达式的基础上,统筹考虑订购双方利益,构建了装备订购多因素激励定价双层决策模型。分别以军方的激励系数方案和承制单位的努力程度方案为模型的上下层决策变量,并以军方军事经济效益和承制单位期望效用最大化为上下层决策目标。为求解模型得到相对最优激励系数方案,结合粒子群优化算法的快速搜索能力与禁忌算法的全局搜索能力,设计了带检验因子的禁忌搜索粒子群优化(tabu search-particle swarm optimization, TS-PSD)算法。最后,通过算例验证了该模型与算法的有效性,可以引导承制单位向军方期望的目标努力,实现共赢。     

基于混合优化算法的遗传算法参数设定研究

有限计算量条件下遗传算法的理论收敛条件难以完全满足,参数选择的恰当与否直接影响到算法性能的发挥。针对这一情况,在分析现有参数设定方法的基础上,将遗传算法参数设定问题描述为随机优化问题,并提出一种解决该问题的新的混合优化算法,即基于序优化的巢分区算法。该算法将序优化思想融入巢分区算法的局部搜索过程,大大提高了局部搜索效率,而巢分区的算法框架则保证了算法的全局收敛性。以典型旅行商问题为算例的仿真结果验证了该方法的高效性与可靠性。     

一种改进的混合预测冗余CORDIC算法

CORDIC作为一种计算三角函数的向量旋转的迭代算法,其硬件结构简单,易于并行化处理和VLSI实现,因而在实时信号处理方面有广泛的应用前景。本文提出了一种改进的混合预测CORDIC算法。该算法利用混合预测方法的设计思想,讨论了在具体数据格式下,混合角度集中间值的确定,并给出了算法的实现结构。由分析结果证明此算法具有高运算速度与低资源的优势,在结构上较传统冗余CORDIC算法节省近60%的冗余符号判别运算。     

基于混合优化方法的立体匹配算法

为了改善线性生长算法获得视差图可靠性差的问题,提出了一种基于混合优化方法的立体匹配算法。该算法综合考虑了计算效率和图像可靠性,将视差匹配转换为多目标优化问题,通过提出的基于模拟退火的鸽群优化算法求解此优化问题,从而实现视差阈值的自适应调节,并获取相应的根点的最优视差值。所提出的混合优化方法较好地克服了局部寻优和全局寻优方法易受初值影响且收敛速度慢的缺点。此外,为了进一步提高视差图可靠性,利用滤波法去除不可靠的视差。仿真结果表明,该算法可以获得更多深度信息,提高了线性生长算法计算视差图的可靠性和鲁棒性。     

基于混合优化方法的立体匹配算法

为了改善线性生长算法获得视差图可靠性差的问题,提出了一种基于混合优化方法的立体匹配算法。该算法综合考虑了计算效率和图像可靠性,将视差匹配转换为多目标优化问题,通过提出的基于模拟退火的鸽群优化算法求解此优化问题,从而实现视差阈值的自适应调节,并获取相应的根点的最优视差值。所提出的混合优化方法较好地克服了局部寻优和全局寻优方法易受初值影响且收敛速度慢的缺点。此外,为了进一步提高视差图可靠性,利用滤波法去除不可靠的视差。仿真结果表明,该算法可以获得更多深度信息,提高了线性生长算法计算视差图的可靠性和鲁棒性。     

一种基于复形调优遗传算法的多学科优化方法

建立良好的优化方法,是多学科设计优化（multidisciplinary design optimization, MDO）求解的关键和难点。结合具有全局搜索能力的遗传算法和局部收敛特性的复形调优算法的优势,建立了全局优化算法,并将全局优化算法应用于多学科可行（multidisciplinary feasible, MDF）方法的多学科分析模型求解,建立了两级优化MDF（double optimization MDF, DO-MDF）方法和单级优化MDF（single optimization MDF, SO-MDF）方法两种计算构架。以CASCADE系统产生的多学科问题求解为例,对比5种计算构架对MDO求解的优化结果,结果表明,DO-MDF、SO-MDF两种计算构架通过有效关联学科分析的前馈信息流表现出更好的计算能力。     

一种基于混合反射模型的Shape-From-Shading直接算法

提出了一种基于混合反射模型的Shape-From-Shading直接算法.使用接近实际的混合反射模型描述的反射图方程作为求解对象,用有限差分近似微分运算,将反射图方程离散化,得到所求高度函数满足的代数方程,进而用迭代算法计算出表面高度.最后,用以合成图像和实际图像的三维形状恢复实验说明提出算法的有效性.