基于改进遗传算法的车间调度原型系统

为了提高遗传算法求解作业车间调度问题的初始解质量和简化遗传操作过程,提出基于幻方变幻的互换编码规则改进遗传算法;同时利用该算法基于.NET平台建立了车间调度问题和柔性车间调度问题的混合原型系统。实验结果表明:采用幻方变换的互换编码规则,提高了遗传算法的求解能力;基于该算法的原型系统实现方便,求解效率高,能够有效应用于作业车间调度系统的开发。     

一种基于遗传算法的车间调度算法求解

针对车间作业调度问题,讨论了应用于车间作业调度的遗传算法设计,给出了主要的编码、解码、以及死锁问题的算法模型。结合应用实例,说明了设计的可行性与有效性。     

用 遗 传 算 法 求 解 调 度 问 题

给出用遗传算法解决典型调度问题的方法, 并用遗 传算法实现了车间作业调度. 实验结果表明, 遗传算法在寻求调度问题的全局最优解方面具 有较高的效率.     

双资源作业车间智能优化调度

用遗传算法研究了双资源作业车间的调度优化问题,提出了一种将归约法与遗传算法和分派规则相结合的调度算法,该算法将机床和工人合理地分配给加工任务(工序),使评价指标获得最优.通过与国外学者的算法进行比较,本算法在相同生产周期的情况下,能够获得平均流动时间较少的调度结果.本算法采用的遗传编码不含工人和机床设备的信息,使得染色体的交叉和变异容易操作,节省了计算时间.最后还就工人/机床设备的比率对作业车间加工性能的影响进行了分析并给出分析结果.     

混合蚁群遗传算法在车间作业调度的应用研究

提出了一种解决车间调度最短完成时间的有效的混合算法.将遗传算法与蚂蚁算法的融合,采用遗传算法生成信息素分布,利用蚂蚁算法求精确解,优势互补.应用该算法对Job-Shop车间作业调度问题的解进行编译,通过实例表明该算法是可行有效的.     

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.     

作业车间调度双阈值控制结构自适应遗传算法的一种改进

当前,用于求解作业车间调度问题的遗传算法的执行效率非常差,针对这一问题,设计了一种双阈值控制结构的自适应遗传算法。该算法首先利用相似度阈值实现选择性的交叉和变异,然后以适应度阈值作为是否引入新个体的标准,从而保持种群的多样性。利用这种方法解决车间调度问题时,可以避免交叉后产生的优秀个体因变异而遭到破坏。它对典型作业车间调度问题的求解表明,该算法可以极大地提高算法的寻优能力和收敛速度。     

基于遗传算法的数据挖掘方法及应用

车间作业调度问题的研究不仅具有重大的现实意义,而且具有深远的理论意义.该文采用数据挖掘算法从大量的车间作业调度中抽取一些有价值的信息或知识,然后应用这些知识来辅助车间作业调度.该研究的目的就是应用数据挖掘算法从车间作业调度最优方案(基于遗传算法的求解结果)中抽取出最优调度方案的一些模式知识,然后基于这些模式知识发展一些规则集来辅助车间作业调度.这些规则可以看作是隐含在车间作业调度最优方案中的事先未知的潜在有用的信息,根据这些规则可以产生比简单指派更好的车间作业调度方案.最后的数据实例表明本文方法无论在调度质量还是在计算速度上都具有非常好的性能.图3,表4,参15.     

改进遗传算法求解JIT模式下多工序作业调度

针对遗传算法在生产计划调度上的应用，结合JIT下的车间调度进行了改进研究。研究了单染色体遗产算法的改进问题，提出新的联合移位算子，针对车间作业计划的普遍实际情况，将这种算法应用在调度问题的求解上，重点开发了在加1二时间偏差最短和准时制(JIT)两种性能指标下的作业计划软件，给出了较详细的算法过程，用于生成快速与实时作业调度方案。     

面向作业车间调度问题的遗传算法改进

为了获得遗传算法在作业车间调度问题上的最优化解,提高算法的迭代速度,研究了遗传算法的改进方法,以工件的加工时间最短为目标建立调度模型。在算法上提出了基于概率改进的具有自适应能力的交叉与变异算子,以求作业车间调度问题的最优解。在遗传算法上采用精英保留策略方法,并结合改进的自适应算子对问题进行求解。以基准案例LA01和FT06作为实验仿真对象,获得了相应的甘特图以及搜索过程曲线。仿真结果表明,与未改进的算法相比,该算法能够更加快速地获得最优解。改进后的算法在搜索上更加快速有效,在求解作业车间调度问题上具有一定的可行性,更加适合工业加工生产。     

基因遗传算法用于人工神经网络的训练

根据基因遗传算法GA的基本原理,阐述了GA用于神经网络训练问题的适合度函数和编码方法,分析了标准GA的不足,提出了自适应浮动区间中心点、全局搜索和局部精确搜索等改进策略,发展了GENITOR算法.训练实例表明,GA不仅能代替BP算法,而且能完成神经元激发函数不可微的多层神经网络的训练.     

一种求3机Flow—shop调度问题的遗传算法

提出一种遗传分枝定界算法求解3机Flow-shop调度问题，该算法似于常用的遗传局部算法和遗传动态规划算法，用随杨方法生成测试例子，通过与著名的Taillard的禁忌搜索算法和Reeves的遗传算法进行比较，实验结果证实了遗传分枝定界算法的有效性。     

改进的免疫遗传算法在桁架结构优化设计中的应用

从免疫系统原理出发,结合遗传算法提出了一种基于二次选择的免疫遗传算法的构造,避免了传统遗传算法易陷于局部最优的不足。对该算法中最为关键的两个部分,选择概率和抗体浓度的构造进行了讨论。并将该算法应用于桁架结构的结构优化设计,与标准遗传算法优化的结果相比较,优化能力有所提高。     

基于A适应遗传算法的无线传感网络节点布局优化

无线传感器网络的传感节点布局优化,直接关系到无线传感器网络覆盖率的提高。文中提出自适应遗传算法求解无线传感器网络覆盖率优化问题。自适应遗传算法的编码方式是传感器节点二维坐标的二进制表达式,交叉方式为字符串整体交叉,变异方式为位变异,交叉概率和变异概率根据个体适应度自动重构。仿真实验结果表明,自适应遗传算法有效解决了无线传感器网络节点布局优化问题。与传统遗传算法相比,本算法进化收敛速度快,网络覆盖率显著提高。     

遗传搜索优化算法

简述了多峰优化的主要问题及遗传算法的基本概念及算法.在传统的优化方法基础上,引入遗传算法的思想,提出以优化搜索方向向量为研究对象,在连续空间进行优化的遗传搜索优化算法;给出了算法中关键参数的选取方法;最后,给出了该算法的计算实例,结果表明,用该算法能较稳定地找出全局最优点.     

遗传算法在最优化问题中的应用研究

遗传算法是一类借鉴生物界自然选择和基因遗传学原理的随机搜索算法.本文分析和研究了遗传算法的基本概念和基本要素,阐述了遗传算法的实现原理和实现过程,并将遗传算法应用于求非线性函数最值中,证明了该算法对于解决函数优化问题是最有效的方法之一.     

基于认知诊断的自适应学习材料智能推送算法研究

将认知诊断和自适应学习相结合,利用认知诊断方法先诊断学习者对知识的掌握情况,然后依据遗传算法和多岛遗传算法为每个学习者智能化提供合适的学习材料,提出了基于认知诊断框架下的自适应学习材料智能推送算法.通过Monte Carlo模拟实验考察了新算法的科学性及其效果,研究结果表明:(i)基于认知诊断框架下的自适应学习材料智能推送算法具有较理想的效果;(ii)遗传算法和多岛遗传算法选取的学习材料具有低惩罚函数值和高学习材料匹配的正确率;(iii)遗传算法和多岛遗传算法选取的材料比随机算法更加适合学习者.     

离散变量桁架结构拓扑优化的杂交算法

为了加快遗传算法的进化过程,提出了遗传算法和拟满应力算法相结合的杂交算法,并将它应用于离散变量桁架结构的拓扑优化问题·在对桁架结构受力分析的基础上,提出一种启发式方法对随机生成的拓扑结构形式作必要修正,以快速产生符合机动性要求的拓扑结构形式·利用遗传算法进行桁架结构拓扑优化,用拟满应力算法进行截面优化,并将截面优化的结果传递给遗传算法作为拓扑优化中遗传操作的根据,这样大大减少单纯用遗传算法进行优化的解空间,从而加快搜索进程·算例的结果表明,该方法用于桁架结构拓扑优化是简单、快速和有效的·     

混沌理论在遗传算法中的应用研究

为了提高遗传算法的搜索能力和效率,将混沌理论引入到遗传算法中。利用Logistic方程构造混沌算子,形成混沌遗传算法。通过实验对混沌算子和杂交算子、变异算子的性能进行了比较,实验数据表明混沌算子具有良好的遍历性。将混沌遗传算法应用在旅行商问题中进行性能检验,结果表明:和标准遗传算法相比,该算法的性能和稳定性都有较大提高。     

Edge detection of range images using genetic neural networks

Due to the complexity and asymmetrical illumination, the images of object are difficult to be effectively segmented by some routine method. In this paper, a kind of edge detection method based on image features and genetic algorithms neural network for range images was proposed. Fully considering the essential difference between an edge point and a noise point, some characteristic parameters were extracted from range maps as the input nodes of the network in the algorithm. Firstly, a genetic neural network was designed and implemented. The neural network is trained by genetic algorithm, and then genetic neural network algorithm is combined with the virtue of global optimization of genetic algorithm and the virtue of parallel computation of neural network, so that this algorithm is of good global property. The experimental results show that this method can get much faster and more accurate detection results than the classical differential algorithm, and has better antinoise performance.