用改进的协同免疫算法求解Flow Shop调度问题

利用改进的协同免疫算法(improved co-evolutionary immune algorithm,ICIA)求解FlowShop调度问题.算法中的疫苗取自迭代N次的局部最优解,并随着每代最优值的变化不断更新.为了克服协同免疫算法初期收敛速度慢的问题,加入了局部搜索算法;针对算法后期求解目标函数值差的问题,提出了一种新的种群选择机制"80/20法则".通过与遗传算法(genetic algorithm,GA)和未改进的协同免疫算法(co-evolutionary immune algorithm,CIA)比较,仿真实验结果验证了ICIA解决Flow Shop问题的有效性.     

基于优化蚁群算法的AGV路径规划研究

针对基本蚁群算法在规划自动导引车(automated guided vehicle, AGV)路径时易出现的耗时长、搜索效率低、收敛速度慢以及易陷入局部最优等不足,文章提出一种优化蚁群算法。首先利用辅助蚁群的方向优势,帮助主蚁群初始化信息素,使路径搜索更具有针对性,提高路径搜索效率;其次加入伪随机状态转移策略,增加路径选择的多样性,防止算法过早收敛;接着使用蚁群的当前最优解、主蚁群一代蚁群中的最优解、最差解进行全局信息素更新,并引入最大最小蚂蚁系统对路径上的信息素进行限制;最后对栅格环境中的凹形障碍物进行处理,提高搜索质量。仿真实验表明,优化蚁群算法相较于其他蚁群算法,收敛速度更快、搜索能力更优。     

求解柔性作业车间调度问题的免疫遗传算法

通过对柔性作业车间调度问题(FJSP)进行分析,借鉴生物免疫机理提出一种求解柔性作业车间调度问题的免疫遗传算法(IGA).该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过抽取疫苗和接种疫苗等免疫机制,有效改善基本遗传算法的未成熟收敛和局部搜索能力差的不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度.仿真实例表明,免疫遗传算法能有效解决柔性作业车间调度问题.     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。     

改进PSO算法在物流派送中的应用

粒子群算法由于其概念简单、参数较少、容易实现等优点,常被用于求解路径规划问题,在物流派送方面有着重要的应用.但其存在局部搜索能力差、易陷入局部极值、搜索精度低等缺陷,而遗传算法是从串集开始搜索的,具有很强的全局搜索能力.本文融合遗传算法中交叉变异的思想于粒子群算法中,提出了一种改进PSO算法,利用交叉操作筛选粒子初始位置,借助变异思想来提高最优解的搜索速率.仿真结果表明,该方法能够提高标准粒子群算法的搜索能力,获得了较好的收敛速度和最优路径.     

多子群协同链式智能体遗传算法分析

针对遗传算法(genetic algorithm,GA)易出现搜索效率不高和早收敛现象,提出了一种多子群协同链式智能体遗传算法(multi-population agent genetic algorithm,MPAGA)。该算法采用多子群并行搜索模式、链式智能体结构,引入动态邻域竞争和正交交叉等策略,有效提高了算法性能。采用3个复杂多峰测试函数对算法进行优化性能测试结果表明,MPAGA比普通智能体遗传算法有较快的收敛速度,能有效防止早收敛现象。     

基于分子优化算法的机器人避障规划

自从Adleman博士利用分子算法成功求解HPP问题,DNA计算引起了人们广泛的兴趣.文中引入了DNA技术并借助生物学理论对其进行改进,提出了新的分子优化算法.并在机器人路径的避障规划中进行了仿真实例,结果显示算法避免了经典遗传算法容易出现的"早熟收敛"和"收敛速度慢"两大难题,继承了遗传算法全局搜索的能力,提高了算法的有效性和收敛速度,在很少的进化代数中就可以求得问题的最优解,适合于路径规划问题.     

基于改进量子遗传算法的WSNs多路径路由研究

最优路径搜寻和能量优化是无线传感器网络(wireless sensor networks,WSNs)研究的两大关键性问题,基于簇结构的无线传感器网络模型,将改进的量子遗传算法引入WSNs网络层节能路由算法研究中,选取多条较优染色体代替一条最优染色体指导群体的进化;采用动态的量子旋转门调整策略,避免算法收敛于局部最优解;利用球面坐标角度对量子遗传算法编码,降低算法的复杂度;以路由所耗能量为优化目标,构造适应度函数。与基于传统遗传算法（genetic algorithm, GA）、标准量子遗传算法(quantum genetic algorithms, QGA)的多路径路由进行比较,实验表明,该算法比基于GA,QGA算法的多路径路由具有更低的网络能量消耗,更长的网络生存周期。     

基于免疫遗传算法的移动机器人实时最优路径规划

以具有精英保留的免疫遗传算法（Immune genetic algorithm with elitism,IGAE）和栅格法为基础,提出一种新的移动机器人最优路径规划方法。其步骤为：首先采用栅格法对机器人工作空间进行划分,建立给定环境中移动机器人的自由空间模型;每个栅格用1个序号标识,并以路径上各栅格序号作为机器人路径的编码参数。然后,采用直角坐标和序号混合应用的方法产生初始种群,群体中每1个个体表示1条机器人路径,采用IGAE算法对种群进行优化,最终找出最优路径。为了保持种群初始化和遗传操作过程中个体所对应的路径的连续性和避障要求,在IGAE算法中引入删除、插入算子。计算机仿真实验结果表明,所提出的方法比基于全局收敛型遗传算法的路径规划方法更加快速和有效。     

动态环境中基于遗传算法的机器人路径规划

为解决动态环境中足球机器人的路径规划问题,采用栅格法对机器人工作空间进行划分,用序号标识栅格,并以此序号作为机器人路径规划参数编码,建立了以路径最短、避障为优化目标的遗传算法个体评价函数.采用轮盘赌选择、重合点交叉、多种变异结合等方法完成了遗传操作.针对遗传算法易陷入局部最优的不足,在标准遗传算法基础上加入了复原操作和重构操作,使改进后的遗传算法收敛于全局最优.仿真结果表明:该算法能够成功地在动态环境里规划出一条近似最优的路径,算法是有效的