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 A lgorithm,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.     

蚁群算法在城市交通路径选择中的应用

针对城市交通路径选择问题,引入蚁群算法并将其改进为可同时满足对路程和时间最优的路径搜索算法,设计了相关的搜索规则和流程.在大量试验的基础上,讨论了算法中各种参数对路径搜索算法收敛性(包括收敛速度和准确度)的影响,并获得了一纽最优的经验参数.分析了搜索中产生伪最优解路径的规律,并通过控制收敛速度和加快趋向最优路径对蚁群算法进行了优化.结果显示,所进行的优化能有效抑制伪最优路径的产生,在2个周期内即可完成搜索.     

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。     

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.     

基于遗传算法的交货期Job-shop调度问题研究

研究遗传算法求解非传统的交货期Job-shop调度问题,其染色体编码采用基于工序的编码。为了减少搜索空间,利用插入式贪婪解码机制将染色体解码至主动调度。为了克服传统遗传算法易于早熟收敛的缺点,运用一种优先交叉操作POX(precedence operation crossover)和设计了一种子代产生模式的遗传算法。将提出的遗传算法求解交货期调度问题,试验结果验证提出算法的有效性。     

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.     

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.     

改进的病毒进化遗传算法应用研究

针对车间调度中典型的作业车间调度问题(Job Shop Scheduling Problem),提出了一种改进的病毒进化遗传算法.该算法选取主群体中较优秀的个体生成部分初始病毒个体,提高了病毒个体的适值和感染能力,从而也就提高了整个主群体的平均适值,并引入了静态繁殖理论,有效的避免了问题最优解的丢失,同时,将基于优先规则的启发式算法与传统的病毒进化遗传算法相结合,加快了算法的收敛性能和收敛速度.最后给出了该改进的病毒进化遗传算法的试验仿真结果.     

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。     

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．