系统工程理论与方法基于混合遗传算法的车辆路径问题

在详细分析遗传算法的局限性的基础上,构造了一种基于遗传算法和禁忌搜索算法相结合的、用于求解车辆路径问题的混合遗传算法. 这种混合遗传算法主要是将禁忌搜索算法嵌入到遗传算法中的变异操作与最优解判定之间,可以有效地避免遗传算法易出现"早熟"收敛的问题. 然后,分别用混合遗传算法和遗传算法对同一实例进行求解,并对求解结果进行对比分析. 结果表明该混合遗传算法的求解结果比遗传算法收敛速度快,更加接近最优解.     

含约束条件多峰函数优化问题的混合遗传算法

针对目前求解含约束条件多峰函数全局优化问题存在的困难,结合传统优化算法和常规遗传算法,提出一种寻求含约束条件多峰函数全局最优解的混合遗传算法.算例分析结果表明:该算法保留了传统优化算法的局部寻优能力和常规遗传算法的全局寻优能力,是寻求含约束条件多峰函数优化问题的一种有效算法.     

基于遗传-神经网络的字符识别

设计并实现了一种基于遗传一神经网络的字符识别系统．遗传一神经网络算法综合了遗传算法的全局优化和神经网络的并行计算等特点，可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷，具有较好的全局性和收敛速度．     

含约束条件多峰函数优化问题的混合遗传算法

针对目前求解含约束条件多峰函数全局优化问题存在的困难,结合传统优化算法和常规遗传算法,提出一种寻求含约束条件多峰函数全局最优解的混合遗传算法.算例分析结果表明:该算法保留了传统优化算法的局部寻优能力和常规遗传算法的全局寻优能力,是寻求含约束条件多峰函数优化问题的一种有效算法.     

资源受限项目调度中基于邻域搜索的混合遗传算法

分析了资源受限项目调度问题,针对其具有NP-hard的特点,提出了一种基于邻域搜索的混合遗传算法,将启发式算法与遗传算法相结合,用邻域搜索的思想进行变异操作.结果表明,该算法不仅保证了算法的全局收敛性、而且提高了算法的收敛速度和解的稳定性.     

求解TSP和MTSP的混合遗传算法

许多应用涉及多推销员问题（MTSP），已有许多启发式算法求解TSP的最优或近似最优路线，但研究MTSP的算法并不多，结合启发式算法和遗传算法，设计了求解TSP和MTSP的混合遗传算法，数字实例说明了该算法的有效性。     

改进的自适应遗传算法及其在作业车间调度中的应用

针对自适应遗传算法在复杂问题应用中前期收敛速度缓慢和容易陷入局部最优的不足,引入了一种新的调节交叉概率和变异概率的方法,并提出了一种新的交叉方式,该算法很好地增强了自适应遗传算法的全局搜索能力,提高了收敛速度.通过比较几个优化实例,验证了本文算法的有效性.     

带时间窗的车辆路径混合遗传算法

基于标准遗传算法，将每一个染色体与分组信息相结合，使染色体结构包含有更多信息，辅以λ-交换局部搜索技术，构造了一种新的混合遗传算法，对带时间窗约束的车辆路径问题进行了求解，并与标准遗传算法的求解结果进行了对比研究，发现使用混合遗传算法，总行驶里程为162km，而使用标准遗传算法，总行驶里程为182km。结果表明混合遗传算法的求解结果比标准遗传算法更加接近最优解，所需的行驶里程缩短，有效降低运输企业的车辆运行成本。     

高速公路路面养护决策混合遗传优化方法

为了提高高速公路路面养护决策的效率与稳定性,降低养护成本,分析了传统数学规划优化方法与遗传算法的适用性,引入伪并行、最优保存和自适应参数调整策略,提出了高速公路路面养护决策混合遗传优化方法。仿真结果表明:混合遗传算法不但收敛速度和搜索能力优于简单的遗传算法,有效地避免了决策的早熟现象,而且可以对任意多个高速公路路面养护方案进行养护资金的优化分配,养护资金总额是没有限制的,因此,混合遗传算法很好地解决了高速公路路面养护决策优化问题。     

改进的自适应遗传算法及其在作业车间调度中的应用

针对自适应遗传算法在复杂问题应用中前期收敛速度缓慢和容易陷入局部最优的不足，引入了一种新的调节交叉概率和变异概率的方法，并提出了一种新的交叉方式，该算法很好地增强了自适应遗传算法的全局搜索能力，提高了收敛速度．通过比较几个优化实例，验证了本文算法的有效性．     

基于多种群并行遗传算法的板材拉深过程压边力优化

针对板材拉深成形过程,在增量法有限元数值模拟的基础上,以板料成形厚度变量作为目标函数,采用神经网络、多种群并行遗传算法对压边力进行了优化,对优化后结果进行了有限元模拟,取得很好效果。     

一种改进的遗传算法及其在作业车间调度的应用

基于遗传算法容易产生早熟的现象,提出了一个概念清楚、运算量小的评价种群过早收敛程度的指标,并利用该指标提出了一种新的调整策略.仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度,而且还能增强算法的全局收敛性.     

量子遗传算法的改进及其应用

为了解决量子遗传算法(QGA)用于连续多峰函数优化易陷入局部极值的问题，提出了一种改进的量子遗传算法(IQGA)．这种改进的量子遗传算法采用了已搜索到的最佳个体更新量子门和群体灾变策略．典型函数的测试结果表明，IQGA比QGA的收敛速度更快，且能有效地克服QGA易“早熟收敛”的不足．应用结果表明，IQGA的性能优于QGA和其它遗传算法．     

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．     

改进的量子遗传算法在车间调度中的应用

在对车间作业调度问题及其调度方法进行描述的基础上,提出改进量子遗传算法（IQGA）并用于解决车间调度问题,改进的量子遗传算法用路由选择算法来选择染色体,进行编码,并用最优个体来更新量子旋转门,旋转角是自适应调整的,这样使算法更好的收敛到全局最优解,经过仿真,验证了算法的有效性。     

云遗传算法

为了克服传统遗传算法搜索速度慢、易陷入局部最优解的缺陷，借鉴遗传算法的思想，利用云模型云滴的随机性和稳定倾向性的特点，提出了一种新的遗传算法——云遗传算法（CGA）．该算法由正态云模型的Y条件云发生器实现交叉操作，由基本云发生器实现变异操作．最后，进行了函数优化实验，并与标准遗传算法（SGA）和自适应遗传算法（AGA）进行了比较，以证明其有效性．     

解TSP的有序遗传算法

根据生物进化原理，提出了一种求解ＴＳＰ的有序遗传算法。利用有序编码规则，通过有序交叉算子和有序变异算子的作用，保证该算法不仅能获得ＴＳＰ的有效解，而且能可靠地获得全局最优解。计算机模拟实验表明，该算法具有收敛速度快，易获得最优解等特点。     

优化设计求解的遗传-神经网络新算法研究

提出并研究了一种优化设计求解的遗传神经网络新算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷,具有较好的全局性和收敛速度     

摆式列车径向转向架优化设计及I—DEAS算法

针对我国首创的摆式列车径向转向架,不仅结构复杂,受力状态也相当复杂的现状。在讨论了著名的Ｉ－ＤＥＡＳ软件的优化算法之后,对摆式列车径向转向架的构架进行了优化设计。优化设计模型中,不仅考虑了应力约束,还考虑了位移约束及设计变量界限约束。优化设计结果表明,不仅降低了局部应力集中,同时又满足了刚度要求。