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.     

利用混沌引导种群进化的多维实数编码遗传算法

提出了一种新的混合遗传算法,它对优化对象进行多维实数编码,利用混沌引导种群进化,仿真结果表明,该算法不公能在生意境遇人搜索到高精度的全局最优解,而且具有良好的稳定性。     

求解组合优化的精英协同量子进化算法

大规模欺骗问题和等级问题是一类非常复杂的组合优化问题,为有效求解该问题,提出了一种基于精英协同的量子进化算法。该算法将整个种群划分为若干个子种群,依次以子种群中适应度最高的个体(精英个体)来引导进化,同时设计了协同操作算子使各子种群互相交换信息,以提高种群的多样性和解空间搜索力度,仿真结果表明:该算法具有更好的求解质量。     

多值编码遗传算法

针对经典遗传算法过早收敛，不利于保留种群多样性的问题，提出一种采用k阶扩展二进制编码的多值编码遗传算法．该算法可以更好地保留种群的多样性，更容易达到全局的最优点，应用结果比较也证实了多值编码遗传算法比经典遗传算法具有更好的优化效果．     

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。     

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.     

一种新的双种群PSO-DE混合算法

给出一种新的粒子群算法和差分进化算法相结合的混合算法.该算法基于一种双种群进化策略,其中一个种群由粒子群算法进化,另一种群由差分进化算法进化.此外,采用一种信息分享机制,在算法的进化过程中2个种群中的个体可以实现协同进化.为了进一步提高混合算法的性能,在差分进化算法中融入一种线性递减加权策略的变异操作和指数递增交叉概率算子.通过4个标准测试函数的测试结果表明文中提出的混合算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.     

基于改进DE的云计算任务调度算法

差分进化算法DE(Differential Evolution)具有记忆个体最优解和种群内部信息共享的特点,是一种基于实数编码的、具有保优思想的简单、高效的新型进化算法.针对云计算任务调度问题,提出了一种考虑时间和成本约束的基于改进DE的调度算法(TCDE).该算法采用随机初始化种群,合法化修复变异个体,并采用贪婪直接交叉,在变异操作之后,加入新的选择机制,防止交叉操作破坏变异出的优良个体.在仿真实验中分别进行了TCDE与只考虑时间的TDE、只考虑成本的CDE的功能验证实验,TDE与遗传算法的性能对比实验.实验结果证明:改进后的差分进化算法能够适用于云计算环境下的任务调度问题,并取得良好的调度效果.     

考虑基地住宿问题的高铁列车乘务排班计划编制

针对高速铁路列车乘务工作实际中,因乘务班组值乘不同到达、出发时刻的乘务交路而产生的乘务基地住宿问题,首次构建考虑基地住宿成本的列车乘务排班计划多目标优化模型,在模型中将高铁列车乘务排班计划问题抽象为一个指派问题,并设计针对该问题特点的改进的NSGA-II算法进行求解.首先,设计基于该问题的实数编码模式,以指定周期内的乘务排班计划为染色体,以排班计划内每天的值乘计划为基因,以实数代表一个班组出乘.其次基于禁忌思想,设计针对该问题的变异选择方式,以减少不可行解的数量.最后针对该算法缺点,采用小生境思想计算拥挤度,改善精英选择机制,并提出自适应交叉和变异策略,以提高算法收敛速度,克服种群早熟,并改善算法搜索性能.京津城际列车运行数据的验证分析表明:所建立的模型及使用的算法是有效的,改进NSGA-II算法能提高收敛速度、目标函数值以及解的分布性.     

整数微分进化策略及其在微波成像中的应用

提出了微分进化策略的整数编码方法.按照给定的精度使优化问题的常规实数编码的解空间离散化,并对离散化的结果进行整数编码,建立对应的整数空间.在整数空间中求解,在实数空间中计算解的适应度.对有限精度以及计算存在离散化过程的工程优化问题,用整数编码可有效提高搜索速度,并自动滤除不稳定解.对于离散、高维、多值类型的微波成像示例,与实数编码比较,用微分进化策略的整数编码优化算法搜索速度更高,成像结果更优.     

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.     

�����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.     

量子进化和模拟退火的混合优化算法

将量子算法和模拟退火算法相结合,提出一种量子进化和模拟退火的混合优化算法。本算法同时利用了量子算法的并行搜索能力和模拟退火算法的串行搜索能力,和量子算法相比有更快的收敛速度和更好的全局寻优能力。仿真实验也表明本算法有更好的搜索性能。     

融入偏好信息的列车运行过程多目标优化算法

列车运行过程优化是一个多目标、大滞后、非线性的极其复杂的优化问题.为了更好地解决上述问题,以列车能耗、舒适性、停靠准确性和运行时间为控制目标,以列车运动动力学方程为约束,建立了列车运行过程的多目标优化模型,提出了一种融入偏好信息的列车运行过程多目标遗传粒子群算法.提出的改进策略具有以下优点,在融入偏好信息的基础上通过控制粒子群中个体在解空间的分布能够更好地保持粒子群多样性,从而在进化过程中具有更明显的全局收敛的指向作用.仿真得到的速度距离曲线表明,在列车及其运行线路相同的情况下,本文所提出的算法性能较佳、寻优结果较好.     

ACO算法及其收敛策略研究进展

蚁群优化算法是一种新型的进化优化算法,其特点是通过仿生自适应个体的局部最优性共同确定问题的整体最优解,该算法具有自学习功能和解的强搜索能力.通过研究蚁群算法的基本原理和实践应用,分析了蚁群优化算法的求解理论思想,并综合分析了算法的收敛性问题,为蚁群算法的发展提供较好的研究参考.     

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．     

双重不确定下应急物资多式联运可靠路径优化

为按时、可靠地将应急物资运达目的地，综合考虑需求和运输环境的双重不确定性、节点疫情感染风险、成本约束、班期限制和转运能力限制等，构建以可靠度最大为目标的应急物资多式联运可靠路径优化模型。同时针对所求问题的NP-难特点，设计蒙特卡洛自适应遗传算法和模拟退火遗传算法进行求解，并引入优劣解距离法对算例的运行结果进行分析。研究结果表明：蒙特卡洛自适应遗传算法较模拟退火遗传算法在求解质量和求解时间方面更优，在交叉概率为0.80，变异概率为0.08，种群大小为50的最佳参数组合下，得到的优化路径最大可靠度为85%，且求解出来的最优路线均未经过存在疫情感染风险的节点，求解结果较好。参数分析表明：在交叉概率相同的条件下，两种算法的平均运行时间均随着变异概率的降低而减少，随着变异概率的增加而增加；多式联运路径优化的决策会受水铁班期的影响。     

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．     

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。     

基于云模型的自学习进化算法

结合进化论和遗传理论的最新进展,提出基于学习算子的自学习进化算法;并将正态云模型引入进化过程中,提出云学习算子和基于云学习算子的自学习进化算法．最后的仿真实验表明,该算法具有精度高、收敛速度快等优点,能在很大程度上解决了现存进化算法的低效问题．