一种求解TSP问题的改进遗传算法

TSP问题是一类经典的NP完全组合优化问题，传统的优化方法由于计算复杂性过大而难以求得全局最优解。遗传算法等智能优化算法在求解这类组合优化问题中表现出了强劲的潜力。作者利用遗传算法对TSP问题进行了研究分析，针对几组benchmark数据进行了仿真实验，在实验的基础上探索了遗传算子和遗传参数的优化设计，实验结果证明了遗传算法在解决TSP问题上的可行性和有效性。     

遗传退火进化算法在背包问题中的应用

从增强算法收敛性和减少参数依赖性的角度出发，提出应用遗传退火进化算法求解背包问题，遗传退火进化算法结合了遗传算法和模拟退火算法的优点，并有效地克服了各自的弱点，使其在优化性能、优化效率和可靠性方面具有明显的优越性．阐明了用该算法求解背包问题的具体实现过程，并通过实际数值计算和结果比较表明，该算法优于遗传算法和模拟退火算法．     

基于遗传算法的多源多周期采购决策优化

为了降低供应链网络采购成本同时避免单源采购的风险，课题组研究了多源采购中多周期和多原料的供应链订单分配问题。考虑价格折扣和采购量的约束，建立了以期望成本最小化为目标的非线性规划模型，并采用遗传算法进行优化计算。设计了遗传算法双层编码染色体及相应的遗传算子，以MATLAB为平台进行优化。将算例分别采用遗传算法和启发式算法进行计算，计算结果验证了所设计的遗传算法是有效的。该研究可以协同优化多制造商对多供应商的订单分配问题，降低采购风险。     

遗传神经网络在邮件过滤器中的应用

针对目前反垃圾邮件技术的缺点,提出一种基于遗传优化神经网络的垃圾邮件过滤器模型,利用遗传算法全局搜索能力优化神经网络连接权值,克服神经网络局部极小值点问题,提高神经网络的学习速度和识别能力。通过对遗传算法和人工神经网络算法的实现,证明它们在垃圾邮件过滤器中有很好的应用效果。     

遗传算法在桥梁有限元模型修正中的应用

遗传算法是一种模拟自然选择和遗传机制的优化算法,在自动控制、图像处理等方面有着广泛的应用,本文将遗传算法应用于桥梁有限元模型修正,并与L-M算法的优化结果进行对比,二者优化结果基本一致,并总结出遗传算法与L-M算法在桥梁有限元模型修正中的优缺点。     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

支持向量机替代模型的遗传优化设计

针对实际工程中常见的性能函数不能显式表示的优化问题,提出一种基于支持向量机替代模型的遗传优化设计方法。利用试验设计选取合适的设计参数样本点,通过实验或数值仿真获得响应输出,结合遗传算法构建具有参数优化功能的支持向量机替代模型;将支持向量机模型作为目标性能函数,结合其他约束条件完成优化模型的建立,并应用遗传算法进行优化,形成一套准确、高效、适应性强的优化方法。以典型电子装备功分器的结构尺寸优化为例,采用均匀试验设计和高频电磁场仿真软件HFSS获取替代模型训练的学习样本,建立功分器模型的幅度比、相位差和驻波3个响应面目标函数,并对该多目标优化问题进行遗传寻优。     

遗传算法PID参数整定方法浅析

遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法,主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息。它尤其适合于处理传统搜索方法难于解决的复杂和非线性问题。可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。本文介绍遗传算法的基本操作,并对其进行了改进。     

遣传算法和结构优化设计

本文介绍了近年流行的遗传自满的基本原理，并以一例说明如何用遗传算法解决结构的优化设计。     

遗传算法在模糊控制规则优化中的实现

介绍了遗传算法的基本原理及实现步骤,结合气调温度模糊控制器的实例,讨论了其在模糊控制规则优化中的实现,即遗传编码、交叉运算和变异运算。该优化算法为模糊控制器的设计提供了一个正规的可遵循的方法。     

基于遗传算法与动态规划法的工艺过程优化

针对制造系统中的工艺过程优化问题,提出一种基于遗传算法和动态规划法的综合优化模型。该模型将工艺过程的优化分解为两个并行层次-工序层和工艺路线层。用改进的遗传算法求解工序层中的工艺参数优化问题,同时利用动态规划法实现工艺路线层次的优化。将两个层次优化方法有机结合,在局部优化的基础上进行整体优化,从而实现整个工艺过程的优化。通过实例证明了该优化模型求解的可行性和有效性。     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

免疫遗传算法在柔性Job-shop调度问题中的应用

借鉴生物免疫机理提出了一种求解柔性Job-shop车间调度问题的免疫遗传算法．仿真结果表明，该算法有效地避免了传统遗传算法中因选择压力过大造成早熟现象的发生，显著地提高了遗传算法（GA）对全局最优解的搜索能力和收敛速度，这将使遗传算法在众多实际的优化问题上具有更广泛的应用前景．     

模糊交货期Flow Shop调度文化进化算法研究

基于文化算法及文化进化思想设计了的文化进化算法,通过上层文化空间的经验知识指导下层个体进化搜索的方向及步长,通过模拟人类社会文化进化的机制实现文化空间的进化与更新,最后将算法应用到模糊Flow Shop问题的求解,用Matlab编程仿真测试.结果表明,此算法解决生产调度优化问题是可行的,而且其搜索性能优于简单遗传算法及模拟退火算法.     

粒子群优化算法及其与遗传算法的比较

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题。该文讨论粒子群优化算法的基本原理和实现步骤,分析了该算法中各参数的设置。通过一个测试函数,对粒子群优化算法与遗传算法进行了比较,结果表明粒子群优化算法在找寻最优解效率上好于遗传算法。     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

求解复杂旅行商问题的混合粒子群算法

针对粒子群算法在解决组合优化时存在早熟和易陷入局部最优的问题,提出一种求解旅行商问题( TSP)的混合 粒子群算法。将粒子群算法与遗传算法结合,引入遗传算法中的交叉和变异操作,通过个体极值和群体极值的交叉以及 粒子自身变异的方式增加种群的多样性,避免粒子陷入局部最优,提高算法的局部搜索能力。仿真结果表明,新的混合 粒子群算法在解决TSP问题时具有较好的收敛性及优化效果。     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

基于0-1规划的软硬件划分方法研究

将0-1规划算法应用于软硬件协同划分过程中,一种节点的映射方式对应单位立方体上的一个顶点。利用单位立方体几何性质求出无约束的目标最优解;由此解出发,利用折半查找和一定的编码策略向外搜索,直到满足系统约束为止;利用仿真数据对该算法进行了有效性验证。仿真结果表明,0-1算法的收敛速度与遗传算法相当;精度与整线性规划相当。     

基于禁忌搜索的启发式求解背包问题算法

设计了一种基于禁忌搜索的遗传算法,利用遗传算法提供的并行搜索主框架,结合禁忌算法的个体串行搜索方式,能扩大搜索空间,快速实现全局优化。把基于禁忌搜索的遗传算法与启发式方法相结合用来求解背包问题,经过计算机仿真,其优化性能指标及搜索效率均有大幅度的提高。