基于遗传算法收敛特性的停机准则

关于遗传算法及改进遗传算法收敛问题的研究表明,理论上分析各类不同结构遗传算法的收敛性是可行的.对已被证明收敛的遗传算法,在计算过程中最突出的问题便是如何判断当前计算结果已经到达最优解从而停止迭代.文中从遗传算法收敛特点及不同种群中最优个体适应值的一致性、种群的多样性出发,提出判断算法自动停止迭代的依据.     

基于贪心策略的混合遗传算法在TSP中的实现

由于标准遗传算法初始种群是随机产生的,可能导致算法的收敛速度较低,并陷入局部最优解.为了解决这一问题,提出了一种改进的遗传算法.改进后的遗传算法先用贪心算法产生初始种群,使算法能够更快地达到最优解.选择操作时采用竞标赛方法,在每代进化结束后立即采取了末尾淘汰机制,从而使适应度高的个体被选中的概率增大.并用模拟退火算法改善其局部搜索,通过仿真实验可以看到,提出的邻近倒位变异以及新的非零递减自适应函数可以进一步提高算法的运行效率.     

基于共同配送的农村快递车辆调度问题

为降低农村物流成本,助力"快递下乡"工程的实施,在考虑重量、体积、订单、路径等约束条件下,以总利润最大化为目标构建基于共同配送模式的农村快递车辆调度模型;并提出采用基于随机修复非可行解策略的遗传算法求解该模型,同时在算法中引入多种群机制以提高求解的效率和效果。最后,结合实际算例对模型进行验证;设计不同订单规模的仿真算例对算法性能进行分析。研究结果表明:共同配送策略能从全局优化的角度合理配置区域内物流资源,与独立配送模式相比可降低30%的配送成本。仿真实验表明:相较于标准遗传算法,改进遗传算法能快速地搜索到更优的满意解,可以有效求解共同配送模式下的农村快递车辆调度问题。     

一种模糊自适应遗传算法

为克服标准遗传算法的早熟现象,提高算法的全局收敛性和收敛速度,采用并行遗传算法的思想,将整个种群分为几个子种群,分别用不同的遗传算子进行遗传操作;并根据它们各自对进化的贡献,利用模糊推理的方法,对其所作用的子种群的规模作出调整．对函数优化的仿真结果表明,该算法能较好地克服早熟现象,取得较为满意的优化效果．     

云自适应量子遗传算法求解柔性作业车间调度问题

针对柔性作业车间调度问题的动态性和不确定性特点,提出一种基于云计算和量子理论的遗传算法.设计自适应调整旋转角的量子遗传算法来获取初始解,利用云模型的随机性和稳定倾向性来自适应调整旋转角,从而提高获取解的质量和获取最优解的效率.借鉴物理学的量子交叉和量子变异特性来保证种群的多样性,以克服早熟收敛的缺陷.通过数值实验表明,提出的算法拥有良好的性能,可以获取较理想的解.     

城市公共交通系统中双目标换乘优化模型及实证研究

城市公交换乘是多目标约束路径问题,具有重要应用价值和实际意义. 基于小生境复制技术的遗传算法利用染色体之间的相异性来保持种群的多样性,并保持针对多目标的多个较优染色体,从而可得到问题的Pareto解集.基于这一思想, 建立了城市公交换乘的一种双目标优化模型,并用基于小生境复制技术的遗传算法求其Pareto解集.最后,给出了一个计算分析实例.     

多段交叉遗传算法在连续刚构桥测点优化中的应用

阐述了基于动力检测的传感器优化布置准则和方法,提出了一种应用改进遗传算法,该算法改进了遗传算法交叉的规则,将原来的两点交叉改进为多段交叉。并将该方法具体应用到某大桥的动力检测中,通过计算对比分析,发现多段交叉的遗产算法有效的可以防止了传统遗传算法收敛过早、陷入局部最优解等现象,能更好的利用初始种群的多样性,多段交叉遗传算法计算结果要优于传统遗传算法。     

�����Ŵ��㷨�Ż���·����·��

公路运输路径问题已被证明是高维非线性完全问题,实际中还会增加非流通图约束,使求解更复杂,研究价值较高.鉴于传统遗传算法在求解过程中容易出现早熟收敛、冗余迭代的缺陷,在初始种群生成、交叉变异及搜索操作方面提出改进,设计混沌遗传算法.采用遍历城市顺序的染色体编码,结合随机法与贪心法生成较优初始种群,避免出现大量非可行染色体,提高了后续的遗传效率.接着,执行优先保留交叉和平移变异操作,依次引入局部邻域搜索以及混沌搜索以加快算法收敛,还给出最优解的非连通公路约束满足判据.最后,实验结果验证了新算法的有效性,不但取得了较优解,而且子代种群离散程度较小,收敛性更好.     

��������Ԥ��ĸ��ٹ�·�շ�Ա��̬����ģ��

基于神经网络对不完全信息具有良好的适应性和遗传算法具有较强的全局搜索能力的优良特性,将遗传算法和神经网络有机结合起来对高速公路短期流量进行预测,采用精英选择、按比例适应度分配和基于排序的适应度分配相结合的选择方法,以及自适应的交叉、变异概率改进遗传算法,通过使用自适应学习速率来改进BP算法,并提出使用新的结合方式获取新一代种群,提高获取全局最优解的搜索速度,构建符合高速公路短期流量特点的预测模型。同时,采用排队论模拟高速公路收费过程,构建高速公路收费站的排队模型,结合短期流量预测模型及收费站排队模型,根据车道与收费员的配备,预测短期各时段的收费员需求,从而实现收费员的动态最优配置。最后结合实例,证明了模型的有效性。     

一种新的伪并行遗传算法在车间调度中的应用研究

提出了一种改进的伪并行遗传算法(Improved Pseudo-Parallel Genetic Algorithm,简称IPPGA),将改进遗传算法与SGA伪并行操作(采用并行思想,在同一台机器上完成操作),保证了种群多样性,防止局部早熟收敛;改进算法对部分遗传算子做了改进,采用迭代交叉,多父代产生多子代,让多个染色体中优秀基因段组合产生子代,大大加快收敛速度;设定一个最优个体保存序列库,防止最优解的丢失.采用实际算例进行仿真试验,数据表明改进的伪并行遗传算法(IPPGA)较标准遗传算法(SGA)快速、有效.     

泊位-岸桥联合分配模型的模拟植物生长交替进化算法

为了综合优化集装箱码头泊位和岸桥联合分配计划, 分析了二者的相互独立性和系统关联性; 利用相互独立性, 分别针对泊位和岸桥分配建立了以平均在港时间和作业成本最小为目标的2个优化子模型; 利用系统关联性, 构建了泊位-岸桥联合分配的约束条件, 将2个子模型紧密联系在一起, 建立了完整的泊位-岸桥联合分配模型; 分析了联合分配模型的特点, 设计了模拟植物生长交替进化算法求解模型, 利用基于模拟植物生长算法的交替进化算子对种群中每个个体的2个目标进行交替优化, 进而实现种群进化, 通过算法框架实现非支配解筛选, 经多次种群进化和非支配解筛选, 获得泊位-岸桥联合分配的Pareto满意解集; 针对大连港集装箱码头3d中共计31艘真实到港船舶的泊位-岸桥联合分配计划进行优化计算, 并与多目标遗传算法的计算结果进行对比。计算结果表明: 共获得13个满意解, 船舶平均在港时间为7.47~9.44h, 使用岸桥次数为85~96台, 作业总成本为20.868~21.114万元; 与多目标遗传算法相比, 进化算法的运算速度提高了6.07%, 所得非支配解的数量增加了4个, 增加幅度为30.76%, 且计算结果更趋近于Pareto前沿, 联合分配计划优化程度较高。可见, 采用模拟植物生长交替进化算法能够最大限度地保持种群进化过程中个体的独立性, 获得更多的非劣解, 且交替进化的方式能够使结果更逼近Pareto前沿。      

多目标U型拆卸线平衡问题的Pareto蚁群遗传算法

针对传统方法求解多目标U型拆卸线平衡问题的不足,提出了一种基于Pareto解集的多目标蚁群遗传算法.在构造初始解阶段,以协同考虑最大作业时间、最小拆卸成本差作为蚂蚁的启发式信息;通过蚁群算法搜索可行拆卸序列,并根据多目标之间的支配关系得到Pareto解集;将蚁群算法的Pareto非劣解作为遗传操作的个体,进而将遗传操作的结果正反馈于最优拆卸路径上信息素的积累,并采用拥挤距离作为蚂蚁全局信息素更新策略,可以平衡多目标对信息素的影响,使算法快速获得较优解.将所提算法应用于52项拆卸任务算例和某打印机拆卸线实例,在算例验证中,通过对比Pareto蚁群算法,所提算法求得的8个非劣解在3个评价指标上性能分别提高了50.43%、3.25%、14.10%,在实例应用中所提算法求得8种可选平衡方案,从而验证了所提算法的有效性、优越性和实用性.      

基于量子遗传优化算法的图像稀疏分解

为了减少图像稀疏分解的计算量,提出了一种基于量子遗传算法与匹配追踪相结合的图像稀疏分解快速算法.量子遗传算法能用较小的种群规模实现较大的空间搜索,全局寻优能力强,基于匹配追踪的图像稀疏分解是最优化问题,因此可用量子遗传算法快速实现.仿真结果表明,每步分解所需计算的图像或图像残差与原子的内积仅4 000次,由分解结果重建的图像具有较好的主观质量.     

Optimal Genetic View Selection Algorithm for Data Warehouse

To efficiently solve the materialized view selection problem, an optimal genetic algorithm of how to select a set of views to be materialized is proposed so as to achieve both good query performance and low view maintenance cost under a storage space constraint. First, a pre-processing algorithm based on the maximum benefit per unit space is used to generate initial solutions. Then, the initial solutions are improved by the genetic algorithm having the mixture of optimal strategies. Furthermore, the generated infeasible solutions during the evolution process are repaired by loss function. The experimental results show that the proposed algorithm outperforms the heuristic algorithm and canonical genetic algorithm in finding optimal solutions.     

求解双目标带时间窗车辆路径问题的蚁群算法

针对运输网络为多重图的双目标带时间窗车辆路径问题设计了蚁群算法.首先,建立了多重图的双目标带时间窗车辆路径问题的数学模型,提出了针对该问题解的搜索空间构建方法,定义了一种综合考虑各优化目标、时间窗和信息素等启发信息的状态转移概率公式. 为了对比说明该算法的有效性,同时设计基于NSGA-II的多目标遗传算法.针对本文算例,对蚁群算法中的各参数进行了敏感性分析,根据分析结果设定算法参数,获得了算例的Pareto最优路径集,同时与NSGA-II算法及相关文献算法针对运行时间、收敛性和群体多样性进行比较.结果显示,本文设计的蚁群算法在这3个指标上均明显优于NSGA-II算法;在相同蚂蚁数量情况下,本文的算法在收敛性和群体多样性方面优于相关文献算法.     

基于改进遗传算法的多客户航空货运路径选择问题研究

文章结合数学模型,对多客户航空货运路径选择问题进行描述.针对标准遗传算法中的编码问题及交叉、变异后出现大量的非可行解,本文提出了新的可行方法--两代竞争、稳态遗传算子设计.最后给出了基于改进遗传算法的模型求解方法和步骤.实例计算表明该方法可为路径选择问题在航空货运系统中的决策提供科学、有效的支持.     

遗传算法在车辆路径问题中的优化

关于遗传算法的车辆路径优化问题，已经提出过多种思想方法，虽然有些也有实验结果，但仍大有改进余地。针对具体的车辆路径优化问题，对传统遗传算法作了多处关键性改进。针对多客户点基本均布于物流中心的特点，作初始群优化，降低交叉率，提高变异率，简化繁琐的染色体修正计算，极大地提高了寻优速度，减少了遗传操作的数量，为多计算点的遗传操作提供有力的支持。     

混合蚁群算法求解物流配送路径问题

蚁群算法具有较强的发现较好解的能力，但同时也存在一些缺点，如容易出现停滞现象、收敛速度慢等．将遗传算法和蚁群算法结合起来，在蚁群算法的每一次迭代中，根据信息量选择解分量的初值，使用变异操作来确定解的值．通过实例与其他优化方法的结果进行比较．结果表明，该算法有较好的收敛速度及稳定性．     

一种基于遗传算法的最优阈值图像分割算法

为了提高图像分割效率,提出一种基于遗传算法的最优阈值搜索方法OTSGA.OTSGA算法对图像的灰度级进行二进制编码,生成初始种群,求出每个个体的二维最大熵,然后根据设定的寻优准则进行相应的遗传操作以搜索阈值最优解.为了避免在求解过程中出现早熟现象,OTSGA算法将交叉操作得到的个体群与上一代种群混合,得到新的种群进行遗传操作,避免了个别个体在遗传运算的最初迭代时就在种群中占据主导地位,导致求解过程的过早收敛.实验结果表明,OTSGA最优阈值搜索方法不仅降低了运算开销,而且获得了满意的图像分割效果.