一种多目标增量启发式搜索算法

提出一种多目标增量启发式搜索算法, 该算法结合启发式搜索与增量搜索的思想, 当多目标问题搜索图的状态格局发生改变时, 该算法并不是对变化后的问题进行完全重新求解, 而是部分利用了先前搜索保留的信息求解新问题的最优解集, 从而提高了问题求解的效率. 通过Gridworld标准测试问题上的实验测试, 验证了算法的效率.     

状态空间搜索的几种算法讨论

论述了状态空间搜索的几种算法，给出了深度优先搜索、广度优先搜索和启发式搜索之间的算法比较。通过比较，得到了这样一个结论：在通常情况下，采用启发式搜索算法来进行状态空间搜索更为方便、快捷。     

基于A*算法的舰船最佳航线选择

提出利用A^＊启发式搜索算法选择舰船最佳航线,对算法中利用的估价函数作了定量的描述。通过实例与传统的图搜索算法选择最佳航线进行比较,A^＊算法不仅减少了搜索的结点数目,而且搜索效率较Dijkstra算法可以提高30%～40％。     

一种求解最大二等分问题的分散搜索算法

最大二等分问题是图论中的一个NP困难问题.本研究提出一种基于分散搜索框架的启发式算法求解最大二等分问题.该分散搜索算法采用Kernighan-Lin算法作为局部搜索算法,利用解的质量和解之间的距离构造参考集,通过两个可行解构造新的可行解.利用一些标准测试例子测试算法,实验结果与现存算法所得结果比较,表明该算法是有效的.     

基于图搜索算法的探讨

讨论了图搜索的非启发式和启发式算法,着重分析了它们各自的复杂性、优缺点及其相互关系,提出了改进要点．这对于如何选用一个合适的搜索算法是十分有益的．     

车辆导航中一种改进的路径优化算法

针对车辆定位与导航系统中的最优路径规划中存在的问题,研究了最短路径搜索算法的快速实现技术,提出了一种启发式快速最优路径规划算法.在分析经典迪杰斯特拉最短路径搜索算法和A*启发式搜索算法的基础上,利用双向A*算法和地图分层搜索技术减小搜索空间,采用二叉堆结构来实现路径计算过程中优先级队列的一系列操作,从而提高了算法的执行效率.仿真试验的结果证明了该算法的优异性能.     

A*算法的探讨及其对八数码问题的实现

对人工智能中的经典启发式搜索算法进行了比较详细的介绍,在启发式搜索算法缮进行了解释,并在其旨在提高搜索效率的方面作了比较详尽的介绍,详细的描述了启发式A 搜索算法,并以八数码问题为例,用A*算法的C语言程序解决了八数码问题,取得了预期的搜索解,提高了搜索效率.     

粗集中属性约简的一种启发式遗传算法

为了获得决策系统中属性最小相对约简，将信息论角度定义的属性重要性度量作为启发式信息引入遗传算法，提出了一种启发式遗传算法。通过构造一个新的算子来引入启发式信息，使得选择的属性子集的分类能力不变。该算子体现了一种利用启发式信息的局部搜索技术，使得算法既保持整体优化特性，又具有较快的收敛速度。从理论上对算法作了分析，对新算子所能选择属性子集的分类能力不变作了证明。最后的实例表明，该算法能有效地对决策系统进行最大程度的约简。     

启发式搜索的一种新技术─SA算法

在一定的假设下，可把启发式搜索看作一种随机取样的过程。从而把统计推断方法引进搜索。根据上述思想．把Ｗａｌｄ序贯概率比检验方法与Ａ（Ａ＊）搜索结合，得到一种新算法──ＳＡ算法。文中讨论了该算法的优点及细节。最后通过一个实例说明算法的原理。     

一种基于插入法的禁忌搜索算法

结合插入法和禁忌搜索算法的优点，提出了一种基于插入法的禁忌搜索算法TIS(tabu-insert search)，该算法利用禁忌搜索算法较强的局部搜索能力和插入法在构造高质量解时的优越性来进行解空间的搜索．TIS能有效地帮助搜索程序跳出局部最优解，找到全局最优或次优解．以典型的组合优化问题TSP为例，验证了该算法的有效性，计算机实验的结果表明该算法有较好的寻优能力．     

一种改进的Rough集属性约简启发式遗传算法

属性约简是知识发现中的关键问题之一 .为了能够有效地获取决策表中属性最小相对约简 ,提出了一种在优化初始群体基础上提高算法性能的启发式遗传算法 .首先 ,通过构造一个新的算子 ,将信息论角度定义的属性重要性度量作为启发式信息 ,来描述所选择的属性子集对论域中确定分类子集的影响 ;接着 ,以此为基础并结合遗传算法 ,选择一些经过优化的染色体作为初始群体 ,在加强局部搜索能力的同时保持了该算法全局寻优的特性 .最后 ,从理论上对算法做了分析 ,证明了新算子所选择的属性子集对原有属性分类能力保持不变 .试验分析表明 ,该算法能有效地对决策表属性进行约简     

基于改进蚁群算法的大型综合建筑火灾疏散路径规划

动态逃生指示系统主要应用于大型综合建筑物内,此系统可根据建筑物内发生的火灾等突发情况动态指示人员疏散逃生,缩短逃生时间提高逃生成功率。通过研究现有动态逃生指示系统路径规划问题,提出一种改进蚁群算法,将Dijkstra算法和蚁群算法相结合,利用Dijkstra算法的全局搜索能力,调整了蚁群算法启发函数中初始信息素分布情况,同时结合探测到的火灾实时信息对蚁群算法的启发函数,转移概率,信息素挥发系数和更新规则进行改进。通过仿真实验表明改进的蚁群算法提高了搜索效率和全局搜索能力,降低了陷入局部最优的可能性并优化了逃生路线。     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微
调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

杂草算法收敛性分析及其在工程中的应用

针对从自然界中杂草的生长繁殖特性演化而来的新型智能优化算法———扩张性杂草进化算法,通过马尔可夫链,分析证明了它的全局收敛性.相比其他启发式算法,其最大优点是基于种群中优秀的个体有指导地进行搜索,且算法中子代个体按正态分布的方式分布于父代个体周围,在进化过程中通过动态调整此正态分布的标准差,使算法在早期与中期充分保持群落的多样性,较其他启发式算法更容易保证对解空间的全面搜索.而在算法的后期加强对优秀个体周围的局部搜索,从而保证算法能够稳健地收敛到全局最优解.典型的复杂机械优化设计算例结果表明,该算法在优化过程中能有效避开局部最优解,快速、有效地收敛到全局最优解.     

基于极值优化模块密度的复杂网络社区检测

分析了基于优化模块度检测复杂网络社区结构的算法存在解的限制问题,即不能检测出小于一定内在尺度的社区,并提出了基于极值优化模块密度来检测复杂网络社区结构的启发式算法,通过调整局部极值来优化全局的变量,使算法具有更好的持续搜索和跳出局优解的能力.通过人工网络和现实网络实验分析表明,本文算法用于检测大型网络社区时,具有较高的正确率和效率,即使当网络结构变得很模糊时,算法也能很好地工作.     

一种基于蚁群算法无线传感器网络负载均衡策略

为了提高室内定位无线传感器网络的生命周期,提出一种基于蚁群算法的网络负载均衡策略.将节点分成多个群集子网,以监测位置数据包为全局蚂蚁,在传递的同时实现信息素的全局更新,通过局部蚂蚁的信息素更新使节点了解邻居信息,以能量、距离、跳数构造启发函数,数据包依据信息素轨迹及启发信息自主选择下一跳节点,无需建立与维护路由表完成整网数据收集.仿真结果表明:该算法能有效均衡网络负载与能耗,网络能耗利用率达88.22%.     

一种求解柔性作业车间调度问题的改进灰狼优化算法

针对柔性作业车间调度问题,以最大完工时间最小化为目标提出了一种改进灰狼优化算法(IGWO),采用两段式的编码方式来构造算法个体位置与调度方案之间的关系,使用基于启发式规则的初始化种群方法来提高初始解的质量.为了平衡算法的全局搜索与局部搜索,提出一种基于双曲正切函数的非线性收敛因子公式,并在算法的个体更新阶段提出了一种基于适应度值的加权方法,在算法决策层嵌入了变邻域搜索算法.通过仿真实验表明,算法在求解柔性作业车间调度问题上是有效的.     

求解随机型双边装配线平衡问题的混合回溯搜索优化算法

针对现实生产中普遍存在的操作时间为随机的双边装配线平衡问题,提出一种混合回溯搜索优化算法。该算法将变邻域搜索算法的局部搜索能力融入到回溯搜索优化算法的全局搜索中,从而实现广度搜索和深度搜索的平衡。运用基于随机键的编码将用于求解连续问题的回溯搜索优化算法应用于离散组合优化问题,同时提出一种基于均衡双边负载的边选择策略和减少工位空闲时间的任务选择策略的解码方法,并将该方法同另外4种解码方法进行对比,以验证其优越性。标杆算例测试表明,所提出的算法具有可行性和有效性。     

融合和声搜索的混沌粒子群优化算法及工业应用

针对粒子群算法在优化过程中容易出现"早熟"现象,提出一种融合和声搜索及混沌的改进混合粒子群优化算法。混沌粒子群算法运行稳定,具有较好的鲁棒性和适应性。和声搜索算法是一种模拟乐队调音获得完美和声过程的元启发优化算法,具有较强的全局搜索性能。通过对4个标准函数的测试比较,结果表明:改进的融合和声搜索的混沌粒子群优化算法(chaos particle swarm optimization algorithm with harmony search,CPSO-HS)跳出局部最优位置能力强,收敛速度快,稳定性高。改进的CPSO-HS算法已成功应用于重油热解模型的参数估计。     

增强目标启发信息蚁群算法的移动机器人路径规划

针对传统蚁群算法在前期搜索盲目性大、拐点多等问题,对蚁群算法进行以下改进。首先,为了增强目标位置的启发信息,引入距离增益系数,将目标位置对下一个待选栅格节点的影响进行放大;然后引入带有权重的距离启发因子,在状态转移概率中加入距离启发转移概率,使蚂蚁大概率向目标栅格搜索;其次,采用正弦自适应动态调整信息素挥发因子,增强算法的全局搜索能力;最后通过修改路径减少路径冗余,进行路径安全性检查并重新调整路径,减少转弯的次数,从而提高路线质量。通过MATLAB仿真实验表明,改进蚁群算法转弯次数少,规划路径短且安全,搜索时间较快,提高了算法的收敛速度和寻优能力。