拉丁超立方体抽样遗传算法求解图的二划分问题

图的二划分问题是一个典型的NP-hard组合优化问题,在许多领域都有重要应用.近年来,传统遗传算法等各种智能优化方法被引入到该问题的求解中来,但效果不理想.基于理想浓度模型的机理分析,利用拉丁超立方体抽样的理论和方法,对遗传算法中的交叉操作进行了重新设计,并在分析图二划分问题特点的基础上,结合局部搜索策略,给出了一个解决图二划分问题的新的遗传算法,称之为拉丁超立方体抽样遗传算法.通过将该算法与简单遗传算法和佳点集遗传算法进行求解图二划分问题的仿真模拟比较,可以看出新的算法提高了求解的质量、速度和精度.

一种改进拉丁方抽样免疫遗传算法

针对遗传算法求解问题中保持群体多样性能力不足、早熟、耗时长以及求解成功率低等缺点,依据拉丁方抽样方法对遗传算法中的交叉算子进行重新设计;结合免疫机理定义染色体浓度、设计克隆选择策略,提出了一种改进拉丁方抽样免疫遗传算法。利用旅行商问题以及最大子团问题为实例对新算法进行了验证,实验结果表明,新算法在解的质量、收敛速度等各项指标上均好于经典遗传算法和佳点集遗传算法,说明了新算法的优越性和可行性。

基于拉丁超立方体抽样和免疫机制的改进遗传算法

针对遗传算法求解问题中保持群体多样性能力不足、早熟以及求解成功率低等缺点,依据拉丁超立方体抽样方法对遗传算法中的交叉算子进行重新设计;结合免疫机制定义染色体浓度、提供选择依据,提出了一种新遗传算法。利用旅行商问题以及最大子团问题为实例对新算法进行了验证,实验结果表明新算法在解的质量、收敛速度等各项指标上均好于经典遗传算法和佳点集遗传算法,说明了新算法的优越性与可行性。

LHS抽样遗传算法

文献[1]研究了遗传算法的运行机理及特点,即遗传算法是一个具有定向制导的随机搜索技术,其定向制导的原则是:导向以高适应度模式为祖先的"家族"方向。以此结论为基础,利用拉丁超立方体抽样(LHS)的理论和方法,对遗传算法中的交叉操作进行了重新设计,给出了一个新的GA算法,称之为LHS遗传算法。将LHS遗传算法应用于求解优化问题,并与简单遗传算法和文献[2]中的佳点集遗传算法进行比较,通过模拟比较,可以看出新的算法不但提高了算法的收敛速度和精度,而且避免了其它方法常有的早期收敛的现象。

基于拉丁超方抽样的全渠道供应链网络优化

全渠道零售模式下需求的大样本、差异性、相关性特征将改变传统供应链的网络结构,文章构建离散拉丁超方抽样的免疫遗传算法进行全渠道供应链网络优化.先通过离散拉丁超方抽样对需求数据进行处理,保留样本特征的基础上减少样本容量,然后通过免疫遗传算法进行供应链网络多目标多机制优化,在保证较快收敛的同时避免局部极值,以此解决全渠道零售模式下供应链网络优化问题.实例证明该模型与算法的有效性以及在实践中的可行性.