基于信息熵的自适应PBIL算法及其应用

分析了基于群体的增量学习(Population-based Increased Learning,简称PBIL)算法的基本原理和存在问题,提出了一种具有自适应学习和变异能力的改进策略。新的算法采用信息熵衡量种群的进化程度,并根据熵值的变化自适应地调整学习速率和变异率。应用该算法求解典型的Flow Shop调度问题,通过与简单PBIL算法和遗传算法的结果进行比较,表明该算法的计算效率和局部搜索能力得到提高,且收敛过程非常稳定。

基于PBIL与网络最大流的组炉算法

针对炼钢生产组炉计划编制问题,建立了相应的数学模型,并提出了基于PBIL与网络最大流的求解算法.该算法首先利用启发式规则获取炉次上界,并以此为基础,设计0-1染色体编码的PBIL算法,每个染色体代表一个炉次选择方案,并使用网络最大流理论求解染色体的具体组炉策略,给出染色体适应值,迭代后得到合同与炉次的最优匹配方案.经实际生产数据测试,利用该算法可以在较短的时间内给出较优的组炉方案,为计划员提供足够的决策支持.

PBIL算法在遥感影像匹配中的应用

提出了一种将基于群体增量学习(population-based incremental learning,PBIL)算法用于遥感影像匹配的方法,给出了详细的理论和实验分析,引入信息熵作为PBIL算法迭代终止的条件之一,取得了较好的实验结果。实验表明,基于该算法的影像匹配运算速度比较快,且收敛过程比较稳定。

一种基于PBIL算法的快速图像匹配方法

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。在实验中,将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。

基于PBIL的快速图像匹配方法的研究

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习(Population-based Increased Learning,简称PBIL)算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。给出了理论分析和实验分析。在实验中,分析了不同终止条件下的算法性能,并将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。实验结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。

PBIL进化算法求解排污口布局优化问题的研究

排污口的布局对水生态系统的良性发展和城市环境美化起着至关重要的作用。利用基于概率分析策略的PBIL算法,综合考虑影响排污口布局的区域地理条件、水环境容量、水域纳污能力、水生态资源等约束条件,并利用层次分析法确定影响因子的权重值。利用罚函数法构造了排污口优化设置问题的模型,设计了整数编码方式,并应用于工程实例。结果表明了该算法能较为准确合理地求解此类问题,为经济的可持续发展提供了较好的技术支持。

PBIL进化算法在自动组卷系统中的应用

进化计算是一种搜索方法,广泛用于求解各类优化问题。PBIL算法将进化获得的知识———学习概率用以指导后代的产生,使搜索更具方向性,因而往往能取得更好的效果。自动组卷问题是一个典型的组合优化问题。文中针对PBIL算法的特点,设计了一个自动组卷求解方案,并用实验数据进行计算。结果表明:该算法计算速度快、稳定性好,尤其是在约束条件比较多的情况下,显示出算法的高适应性,是解决组卷问题较为理想的算法。

PBIL算法的改进及其在机试实时组卷中的应用

给出了自动组卷系统中组卷约束条件和目标函数的数学描述.针对上机考试实时组卷的要求,根据历史组卷信息对PBIL算法的初始学习概率进行了修正.通过算法参数预估的方法,给出了提高组卷效率和成功率的途径.

自适应PBIL算法求解合同优化匹配问题

描述钢铁企业中客户合同与库存材料的优化匹配问题,建立实现库存利用量最大化、匹配成本最小化的多目标0-1规划模型。结合问题的特点,采用模糊决策方法对多目标函数进行集成,设计一种具有自适应能力的PBIL(Population-basedIncreasedLearning)算法用于模型求解,它的基本思想是利用信息熵来度量算法的进化程度,并按照熵值的变化自适应地调整算法的学习因子和变异率。通过应用实例的计算,以及和基本PBIL算法、GA计算结果的比较,证明该模型和算法的有效性和应用潜力。

PBIL算法在组合优化问题中的应用研究

基于群体的增量学习(PBIL)算法有效结合了遗传算法和竞争学习的优点,运行过程简单,解决问题快速准确。本文提出将PBIL算法应用于求解CMN组合优化问题,以物流中心选址优化问题为例,介绍了基于PBIL求解CMN组合优化问题的一般方法,提出了针对此类问题的个体产生算法。为了提高算法的收敛速度和寻优能力,提出了基于当代最优解与历代最优解比较结果的概率学习加速方法。最后,通过实验仿真验证了上述改进的有效性。

自适应PBIL算法求解一类动态优化问题

在不确定环境中,环境的变化总是以一定的概率发生,本文把何时变化看作随机变量,其满足一定的统计规律,由此归纳出一类动态优化问题。对于此类动态优化问题的求解,提出了自适应PBIL(Population-based incremental learning algorithm)算法。算法中利用随机变量的概率自适应地调整当前代群体的概率模型,增加种群多样性,快速适应环境的变化。应用两个动态优化问题进行了仿真实验。实验结果表明,与传统PBIL算法相比,自适应PBIL算法能够快速跟踪最优解的变化。

PBIL算法求解物流中心选址优化问题

物流中心的合理布局对整个物流系统的效益有着决定性的影响。通过对物流中心选址问题相关特点和要求进行研究,我们以建设成本和运行费用最优为目标构造了选址问题的数学模型,设计了基于PBIL的物流中心选址优化算法,并进行了算法的实现和测试。测试表明,该算法计算速度快、稳定性好,对约束条件增减具有良好的适应性。最后,提出了该算法的学习概率修正参数动态变化方法,测试表明通过该方法可有效提高算法的收敛速度和寻优能力。

基于PBIL进化算法的时延受限组播路由算法

分布式实时多媒体的大量应用对能有效支持服务质量(QoS)的组播路由算法提出了迫切的要求,由于其NP-Complete特性,只能采用启发式算法。该文提出了一种基于PBIL(Population-BasedIncrementalLearning)进化算法的时延受限组播路由算法,该算法有效结合了遗传算法的进化特性与竞争学习算法的特点,实施简单,仿真表明它不但显著提高了收敛速度,而且能以较大概率收敛到最优解。

基于PBIL进化算法的VC路由算法

针对异步传输(ATM)网络的虚通路(VC)路由选择问题,提出了一种基于PBIL(Population-Based Incremental Learning)进化算法的VC路由算法,该算法有效结合了遗传算法与竞争学习的特点。仿真表明,该算法实施简单,能有效兼顾网络开销及路由有效性,解的质量高。

基于PBIL进化算法的ATM虚通道路由规划

合理规划ATM(异步传输模式)网络的虚通道路由能有效提高网络业务服务质量和网络资源利用率,针对其NP完全特性,提出了一种基于PBIL(Population-BasedIncrementalLearning)进化算法的ATM虚通道路由规划算法,有效结合了遗传算法和竞争学习算法的特点.仿真表明,相对于文中提到的其它三种算法,该算法解的质量最高,能有效地收敛到问题的次优解,甚至最优解.

基于PBIL算法的集装箱装配问题的研究

介绍了基于种群的增强式学习的PBIL算法的基本原理和实现方法。分析比较了遗传算法和PBIL算法求解过程的异同点。介绍了PBIL算法在集装箱装配问题中的应用,并通过一个具体的实例验证了算法的可行性和有效性,证明了PBIL算法比遗传算法具有更高的搜索效率。

基于PBIL算法的高校自动排考系统

提出了一种基于PBIL的高校自动排考算法,重点论述了如何优化目标函数与排考约束条件之间的关系,并对PBIL基因选择算法提出了改进。通过实际的测试应用,基于PBIL算法的自动排考系统能够较好地满足学分制下的自动排考需求,对附加约束条件具有较强的适应性,能够满足各个学校的不同排考需求。

基于PBIL算法的分层教学自动组班研究

分层教学模式的采用对选课排课工作带来了新的挑战。提出了一种基于PBIL的分层教学自动组班算法,重点论述了基因结构的设计,以及目标优化函数与自动组班约束条件之间的关系。基于实际数据的实验测试表明,本文提出的自动组班算法能够较好地解决分层教学模式下产生的排课选课问题,实际应用效果良好。

应用于组合优化的自适应PBIL算法研究

为解决组合优化过程中最优解的搜索效率问题,研究了一种基于自适应理论的PBIL算法。通过引入系统熵值,使传统PBIL算法的学习概率和变异率能根据系统熵值的变化作自适应调整,形成具有自学习和变异能力的自适应PBIL算法(AP-BIL)。通过实例验证了该算法的实用价值和有效性。

基于PBIL算法的物流中心选址问题研究

介绍了基于种群竞争式学习的PBIL算法的基本原理和实现方法。比较了PBIL算法和遗传算法求解过程的异同点。分析了PBIL算法在物流中心选址问题中的应用,并且通过实例验证了算法的可行性和有效性,证明了PBIL算法比遗传算法具有更高的搜索效率。