改进型遗传蚁群混合算法求解旅行商问题

针对原有遗传蚁群混合算法的遗传算法特性不突出,容易过早收敛的缺陷,提出一种带有基因数量控制的遗传蚁群混合算法,有效地提高了遗传算法部分的基础基因数量,提高了全局最优解能力.通过动态分析基因适应度,生成动态变异概率,提高了最优解的生成概率.精英交叉原理的使用,能保护优秀基因不受交叉变异的影响堕化.     

�����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.     

基于改进遗传算法的柔性制造车间等量分批调度问题

针对柔性制造车间等量分批调度问题,提出了改进遗传算法的求解方法。利用改进的适应度函数,增加了个体的区分度。针对染色体的交叉和变异方式继承亲代特征不足的问题,在交叉过程中使用保留亲代交叉机床基因策略。在变异过程中采用混合变异的方式选择加工机床,在维持种群多样性下防止个体因变异而破坏。通过自适应交叉变异概率提高算法的寻优和收敛速度,采用标准遗传算法与改进算法进行算例测试对比,结果表明改进算法缩短了加工周期。     

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.     

基于遗传算法的供应链联盟伙伴选择

在建立供应链联盟伙伴选择多目标决策模型的基础上，提出了一种求解供应链联盟伙伴选择优化问题的自适应遗传算法，并给出了算例．该算法设计了自适应交叉概率和变异概率，使每个个体在遗传过程中对环境变化具有自适应调节能力．算例结果表明，用该方法能以较快的速度收敛于全局最优解．     

编组站配流的协调优化算法

为了提高编组站动态配流与静态配流协调优化算法的收敛速度,根据编组站解体方案树的构造规则,用解体序号矩阵进行解体方案编码,限制解的生成空间,避免了不必要的搜索.结合遗传算法与蚁群算法(genetic and ant algorithm,GAAA)的优势和配流问题的特点,设计了以GAAA为基础的协调优化算法.用遗传算法求出若干组优化解体方案,并生成初始信息素分布,用静态配流蚁群算法筛选出最优解体方案,在此基础上生成配流方案.实例表明:对阶段到发列车数不超过25列的编组站配流问题,本文算法均能在30 s内收敛到最优解或满意解.     

基于改进遗传算法的车辆路径问题

为了研究物流中心的服务效率和车辆的合理调度方案,以汽车载重量作为影响车辆路线安 排的主要因素,以经典的车载容量约束条件下的车辆路径问题为原型建立数学模型,通过求解该 数学模型的最优解来获得车辆最优路径。由初始状态随机生成的可行解作为初始的车辆路径方 案,通过改进的遗传算法不断地调整染色体的交叉和变异概率进行优化,最终得到物流中心车辆 安排的合理方案。通过多次求解算例,都能够得到满意的车辆路径方案,不仅验证了该数学模型 的有效性和实践性,而且也验证了改进后遗传算法的收敛性和鲁棒性,同时得到了改进遗传算法 交叉和变异概率的调整范围。该模型和算法不仅可以提高物流中心的服务效率,而且可以为物流 中心的车辆调度方案提供支持和帮助。     

改进DNA遗传算法求解车间调度问题

针对DNA遗传算法高计算量、收敛速度慢的缺点,该算法采用基因转移进行交叉,动态的变异概率进行变异.对动态变异概率公式的系数作调整来提高变异后DNA序列的合法性,对变异的父本进行设计来保持种群的多样性并产生新的基因信息,对进化过程中可能出现种群中最好的染色体没有改变的情况做了应变调整.对DNA遗传算法的步骤作了详细设计,并将改进后的算法应用到车间调度问题中.实验表明,该方法能有效地提高收敛速度和减少编码给算法带来的高计算量.     

求解车辆路径问题的改进混合遗传算法

针对车辆路径问题提出一种新的混合遗传算法。在遗传各个阶段引入不同交叉、变异策略的扩大对解空间搜索,提高遗传算法的寻优能力,避免单一交叉、变异策略的遗传算法"早熟"收敛。在进化后期对个体进行低温退火,提高遗传算法的求解精度。通过对国际标准测试数据的仿真,表明该算法是有效的。     

基于改进遗传算法的航班-登机口分配多目标优化

为提高现代机场的资源利用效率和乘客换乘体验, 研究了多目标航班-登机口分配问题; 在考虑航班类型约束、飞机机体类型约束和转场时间间隔约束的基础上, 以分配在固定登机口的航班数量最多、使用的固定登机口数量最少和乘客换乘紧张度最小为目标函数, 建立了航班-登机口分配的多目标非线性0-1整数规划模型, 并设计了一种改进型基因编码的遗传算法以提高求解效率; 基因个体采用两段式整数编码, 设计了该编码方式到可行解的映射流程, 同时从理论上证明该编码方式可以映射到最优解; 对两段基因编码分别设计了不同的交叉算子和变异算子, 避免产生非可行个体; 为验证算法的有效性, 基于某大规模机场的实际运营数据, 对比了改进型遗传算法与MATLAB内置遗传算法。计算结果表明: 采用改进型遗传算法使得安排在固定登机口的航班数目增大5%, 乘客换乘总紧张度减小3%, 乘客换乘平均紧张度减小32%, 占用的固定登机口数量相同, 安排在固定登机口的乘客数量增大20%, 算法运行时间减小8%, 说明改进型遗传算法性能更好, 可提高登机口的利用效率和乘客的换乘舒适度; 在改进型遗传算法的优化过程中, 航班数量目标和登机口数量目标在130次迭代时寻到最优解, 换乘紧张度目标在400次迭后基本收敛, 且最优结果对应的航班时序合理, 说明该算法的迭代收敛速度快, 优化结果合理。      

一种改进的遗传算法在动态交通分配中的应用

以遗传思想为基础设计了新的启发式优化算法,针对动态交通分配问题,对遗传操作中的选择、交叉、变异算子进行修改,同时采用了模拟退火收敛准则,克服了传统遗传算法早熟收敛的弊端,并提高了全局寻优能力。仿真实验表明,该算法有快速高效的特点,提高了该动态交通分配模型的实用价值。     

新的小生境遗传算法在作业车间调度中的应用

普通适应值共享的小生境遗传算法是基于群体内个体适应度的共享,但这种小生境划分一般基于个体适应度、基因空间距离等属性,忽视了群体基因特征之间的关系．因此将生物学中的群体间共享机制引入到小生境遗传算法中,有效地利用了群体中的优良因素,并且利用了精英选择机制,增强了算法的全局和局部搜索能力,实验表明,普通适应值共享的小生境遗传算法在搜索能力和收敛性能上更有效．     

无决策属性的多属性决策权重融合方法

针对无决策属性的多属性决策系统的2种属性权重分配方法(主观赋权法和客观赋权法)的缺陷，提出了一种新的权重融合方法．该方法通过建立数学规划模型，用遗传算法寻求其全局最优解，以确定最佳的主客观权重融合方案，从而可以避免权重融合时人为偏好的影响．最后，给出了1个实例．     

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

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.     

基于蚁群算法的动态路径选择问题

论述蚁群算法在动态路径选择问题上应用。在蚂蚁寻径原理基础上,建立经济圈公路网蚁群算法模型,并对算法的参数进行标定。针对算法的缺陷,对信息素更新策略进行了优化改进,使其能更快的收敛到全局最优解。该模型算法对经济圈道路交通智能化动态诱导系统的建立大有帮助。     

应急车辆动态路径选择的两阶段优化模型

为研究突发事件情境下交通路网动态变化时的应急车辆路径选择问题，提出应急车辆动态路径选择的两阶段调度优化模型。通过结合路网动态状况和应急救援特征，建立基于最大路径可靠度和最短行程时间的两阶段优化模型；通过混沌搜索改进布谷鸟算法初始种群，并加入蛙跳算法改进局部搜索操作，设计混合布谷鸟算法，改善全局寻优能力；以某市某区部分区域路网为例，将该区域路网实时交通数据应用于模型和求解算法中。实验表明，利用两阶段优化模型和算法编码方案能成功获得出发点到救援点的动态可靠路径，相同行驶路径情况下模型与算法求解的最短行程时间与实地驾车获得的最短行程时间最大误差不超过8%，说明优化模型可行。3 种不同算法求解K最短路径的结果发现，混合布谷鸟算法得到的最短行程时间比粒子群算法和 经典布谷鸟算法得到的结果都要小，且计算时间最短，表明混合布谷鸟算法求解的结果最优，性能最好。     

An Optimal Algorithm for a Class of Parallel Machines Scheduling Problem

This paper considers the parallel machines scheduling problem where jobs are subject to different releas etimes. A constructive heuristic is first proposed to solve the problem in a modest amount of computer time. In general, the quality of the solutions provided by heuristics degrades with the increase of the probiem‘s scale. Combined the global search ability of genetic algorithm, this paper proposed a hybrid heuristic to improve the quality of solutions further. The computational results show that the hybrid heuristic combines the advantages of heuristic and genetic algorithm effectively and can provide very good solutions to some large problems in a reasonable amount of computer time.     

基于单毛坯条带的矩形件最优两段排样方式

对大规模矩形件排样问题提出一种精确、可生成一种新的满足剪冲下料工艺需求的排样方式：基于单毛坯条带的矩形件最优两段排样方式．采用动态规划算法生成最优单毛坯条带,通过一维背包算法确定条带在级中的排样方式和级在段中的最优排样方式,选择最优的两个段组成排样方式．对传统文献中的43道大规模基准测题进行计算,有38道测题达到最优,剩余5道测题的优化结果与最优化结果的比率达到99．9％,每题的平均计算时间仅用2．17s．结果表明,本文算法优于经典两段和著名的T型排样算法,在解决大规模矩形件排样具有高效性．