一种改进的遗传算法求解旅行商问题

针对在解决旅行商问题时标准遗传算法效率不高,很容易陷入局部最优解的问题,提出了一种改进的遗传算法. 根据种群个体的多样性和分布情况,提出了判定遗传算法截止代数的方法. 研究结果表明,通过加入了初始化信息,改进交差算子,可提高遗传算法的精确性和收敛性.      

求解TSP问题的一种基于信息素的遗传交叉算子

提出了求解TSP问题的一种新的基于信息素的遗传交叉算子,并对算子构造子个体的过程进行了实验分析. 在生成子个体时,基于信息素的遗传交叉算子不仅能够利用包括边长度和邻接关系在内的局部信息,还可以利用以信息素形式保存的全局信息. 在纯遗传算法框架内,利用TSP基准算例对所提出的交叉算子的性能进行了实验测试. 结果表明,该算子在精度和收敛速度上均优于其他知名的交叉算子.     

改进遗传交叉算子求解TSP问题

遗传算法中的交叉算子最根本的作用就是要使子代继承父代的优秀基因。本文着重考虑了用遗传算法求解TSP问题中遇到的交叉算子，根据TSP问题的特点，构造出一种能很好继承父代优秀基因的交叉算子；实例计算表明该算法收敛速度快，从而可以进一步改善遗传算法的性能。     

多品种装配顺序的一种改进遗传算法

多品种装配顺序的安排问题属于旅行商问题（TSP）,具有NP计算复杂性,针对该问题,以工艺辅助时间需求为优化目标,对遗传算法的边重组交叉算子（ER）作了改进．将基因的邻接关系分为左邻接关系和右邻接关系,通过抛弃基因的左邻接关系,将ER改进为右边重组算子（R—ER）,仿真表明改进后的遗传算法寻优能力更强、收敛性更佳．     

基于遗传算法的约束性多TSP问题及其应用

针对一类具有约束条件的汽车调度问题 ,提出了约束性的多重 TSP(CMTSP)问题及其模型 ,给出了一种遗传算法解法。对比实验结果表明 :遗传算法具有比启发式算法更好的结果。     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题(traveling salesman problem,TSP)求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

基于改进遗传算法的家电回收车辆路径规划方法

为了提高家电回收效率以及降低回收成本,提出了一种基于改进遗传算法（GA）的家电回收车辆路径优化方法。将家电回收车辆路径规划问题建模为一个变体的旅行商问题（TSP）以最小化运输成本,但该问题难以在多项式时间内进行求解。提出了一种基于高斯矩阵变异（GMM）算子的改进遗传算法,利用原始站点数据信息中隐含的站点位序分布特性建立高斯概率矩阵,并采用轮盘赌选择法将高斯概率矩阵作用于个体基因突变,在保证种群基因多样性的同时,引导种群向高适应度方向进化。最后,采用上海地区的家电回收点实际数据开展实验仿真以验证所提出算法的有效性,并与其他算法进行对比。结果表明,与传统遗传算法相比,在将求解精度差保持在1%以内的情况下,所提出改进遗传算法的平均收敛速度可以提升50%～60%,算法耗时降低48%。     

排列序编码的遗传算法性能分析及应用

以背包问题为模拟实例，考察基于排列序编码的演化算法的性能，我们发现，如果问题的编码不具有结构性，此时求解的质量由个体在解空间的分布情形决定；在种群规模偏小的情形下，交叉算子的作用不容忽视，而在大规模种群的情形下，交叉算子的作用有限，变异算子应该在算法中占主导地位，这样能保证算法具有平稳的在线性能，可以应用于系数时变的优化问题的求解，对演化算法的实际应用具有一定的指导意义。     

基于TSP的蚁群算法及其在路由中的应用

蚁群算法（ant colony optimization，ACO），又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术，一直以来都是研究的热点。本文首先较系统地总结了蚁群算法的起源和发展，总结了蚁群算法的特点和不足及针对这些不足提出的各种改进方法，最后在组合问题上应用表明改进算法具有良好的性能。     

多个体参与交叉的遗传算法

提出了多个体参与交叉的遗传算法,即采取新的交叉算子使子代个体同时含有多个父代个体的模式．突破了以前遗传算法只有两个个体参与交叉的局限,通过调整参与交叉的父代个体数目和交叉后产生的后代个体数目,实际上提出了遗传算法调试中的两个新参数．通过调整新参数,使得遗传算法可能有更高的计算效率．证明了多个体参与交叉的遗传算法的模式定理．将方差与熵作为描述遗传算法解群多样性的工具．分析了多个体参与交叉的遗传算法对解群方差及熵的影响．通过一个算例验证了多个体参与交叉的遗传算法具有较高的计算效率     

遗传算法交叉算子性能对比研究

就交叉算子性能对比问题，提出了算子子代在海明距离上分布的分析方法，对遗传算法中常见的单点、双点和均匀交叉算子子代生成空间上子代生成特点进行了系统分析，并使用具有代表性的NK Landscape上两种基因关联模型(NK_R．ND和NK_ADJ)和两种遗传算法模型(SGA和SSGA)进行试验，试验结果表明不存在算子性能的绝对差异，实际问题基因间的关联紧密度及遗传算法模型对交叉算子性能有很大影响，当解空间基因位置关联紧密时应用双点交叉算子性能最好，而均匀交叉算子性能受SGA和SSGA的影响最小．     

采用重复交叉操作及最优保留策略的遗传算法

基于有限次重复交叉操作和将父代的最好个体代替子代的最差个体的思想，提出了一种新的遗传算法（REGA）。该方法克服了基本遗传算法容易出现的早熟现象，并利用马尔可夫极限定理获得全局收敛性，求得基于有限次重复交叉操作的基本遗传算法（记为RSGA）的渐近性质，以及提供关于这两种算法吸收时间的数学期望的计算方法，仿真事例表明，它不仅克服了局部最优的缺点，而且适用于有多个最优解问题，同时群体的平均适应度增加较快，运行效率更高，因而，该方法对于优化问题具有一定的应用价值。     

带有交叉操作的教-学优化算法

针对教-学优化算法(TLBO)求解无约束数值优化问题容易陷入局部最优的不足,提出了一种带有交叉操作的教-学优化算法(C-TLBO).将差分进化算法的交叉操作引入到TLBO算法中,有效地融合了教学阶段和学习阶段,增强了算法的局部搜索,平衡了算法的开采和探索.数值结果表明该算法在优化精度、收敛速度、鲁棒性方面,优于TLBO算法、I-TLBO算法以及其他智能优化算法,具有良好的发展前景.     

基于拉普拉斯交叉算子的遗传匹配追踪

遗传匹配追踪算法可提高寻找最佳原子速度,但交叉算子降低收敛性,使算法的搜索速度降低。采用拉普拉斯交叉算子改进算法,将父代的拉普拉斯分布的密度函数系数引入算术交叉算子来实现父代控制子代的产生。仿真实验结果表明,这种改进的遗传匹配算法,从残差能量和搜索时间两方面的改进是有效的。     

一种动态种群不对称交叉的新型遗传算法

在分析实数编码遗传算法各操作步骤的实质和不足的基础上,提出了以提高算法柔性为目的、以动态种群和不对称交叉为主要特点的新型遗传算法.在遗传寻优的每一代中,父辈个体的繁殖次数在限定的范围内随机波动,种群规模随之动态变化,依据生态平衡的原理,通过选择和复制将新一代种群规模限定于某一波动均值处.为提高新生个体的多样性及其在参数空间中的遍布性,提出并设计了不对称交叉的具体方法.针对新型算法,提出了双重选择的选择方法.经典型算例验证,所提算法具有收敛快、成功率高、抗早熟能力强的显著特点.     

实数交叉算子的选取和算法改进

在总结分析实数遗传算子的基础上 ,根据算法搜索效果 ,将区域划分与转移思想应用到算法结构改进中。对复杂函数全局解搜索的实验表明 ,新算法在寻找复杂问题的全局解、提高搜索精度方面比基本实数遗传算法有较大改进。文中还将改进的实数遗传算法用于测量数据的估计中 ,得到了较好的线性和非线性参数估计结果。     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低.根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略:为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中.利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量.为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的.     

基于遗传算法的匹配问题求解

系统地论述了遗传算法的由来、传统二进制编码的优缺点，浮点数编码的优点，以及用浮点数编码方案实现匹配问题的求解方法。     

一种基于遗传算法的分类方法

数据挖据的目的是从数据库中获取知识。本文针对挖据目的,提出了一种基于遗传算法的分类方法,并应用于实例,得到了很好的结果。