Appropriate Combination of Crossover Operator and Mutation Operator in Genetic Algorithms for the Travelling Salesman Problem

Genetic algorithms(GAs)are very good metaheuristic algorithms that are suitable for solving NP-hard combinatorial optimization problems.AsimpleGAbeginswith a set of solutions represented by a population of chromosomes and then uses the idea of survival of the fittest in the selection process to select some fitter chromosomes.It uses a crossover operator to create better offspring chromosomes and thus,converges the population.Also,it uses a mutation operator to explore the unexplored areas by the crossover operator,and thus,diversifies the GA search space.A combination of crossover and mutation operators makes the GA search strong enough to reach the optimal solution.However,appropriate selection and combination of crossover operator and mutation operator can lead to a very good GA for solving an optimization problem.In this present paper,we aim to study the benchmark traveling salesman problem(TSP).We developed several genetic algorithms using seven crossover operators and six mutation operators for the TSP and then compared them to some benchmark TSPLIB instances.The experimental studies show the effectiveness of the combination of a comprehensive sequential constructive crossover operator and insertion mutation operator for the problem.The GA using the comprehensive sequential constructive crossover with insertion mutation could find average solutions whose average percentage of excesses from the best-known solutions are between 0.22 and 14.94 for our experimented problem instances.

Improved genetic operator for genetic algorithm

The mutation operator has been seldom improved because researchers hardly suspect its ability to prevent genetic algorithm (GA) from converging prematurely. Due to its importance to GA, the authors of this paper study its influence on the diversity of genes in the same locus, and point out that traditional mutation, to some extent, can result in premature convergence of genes (PCG) in the same locus. The above drawback of the traditional mutation operator causes the loss of critical alleles. Inspired by digital technique, we introduce two kinds of boolean operation into GA to develop a novel mutation operator and discuss its contribution to preventing the loss of critical alleles. The experimental results of function optimization show that the improved mutation operator can effectively prevent premature convergence, and can provide a wide selection range of control parameters for GA.

Boundedness of Operators in Morrey Spaces over Vilenkin Groups

Let G be a locally compact Vilenkin gro up . We will establish the boundedness in Morrey spaces L p,λ (G) for a la rge class of sublinear operators and linear commutators.

Immune clonal selection optimization method with combining mutation strategies

In artificial immune optimization algorithm, the mutation of immune cells has been considered as the key operator that determines the algorithm performance. Traditional immune optimization algorithms have used a single mutation operator, typically a Gaussian. Using a variety of mutation operators that can be combined during evolution to generate different probability density function could hold the potential for producing better solutions with less computational effort. In view of this, a linear combination mutation operator of Gaussian and Cauchy mutation is presented in this paper, and a novel clonal selection optimization method based on clonal selection principle is proposed also. The simulation results show the combining mutation strategy can obtain the same performance as the best of pure strategies or even better in some cases.

Parameterized Littlewood-Paley Operators on Weighted Herz Spaces

The strong type and weak type estimates of parameterized Littlewood-Paley operators on the weighted Herz spaces Kq α,p（ω1,ω2） are considered. The boundednessof the commutators generated by BMO functions and parameterized Littlewood-Paley operators are also obtained.

基于改进遗传算法的PC构件生产调度优化

基于流水线车间生产调度理论,建立以生产成本为决策变量、以最大化生产利润为目标的数学模型;结合预制构件车间生产的实际情况,设计最优选择法、局部变异算子改进遗传算法,求解最优生产调度方案。某预制构件公司订单生产调度仿真研究表明,基于改进遗传算法的PC构件生产调度优化可以在较短的时间内获得更高的利润,为提高预制构件智能化生产效率提供了技术基础。

分布式光伏配电网电压无功优化研究

为解决分布式光伏接入配电网引起的电压越限质量问题,建立以有功网损和电压偏差最小为目标的无功优化数学模型。通过对光伏并网点的电压进行分析,提出了一种加权方式的电压功率与静止无功发生器控制补偿相结合的协同控制策略。为提高模型的求解能力,采用改进的粒子群优化算法,引入变异操作防止算法陷入局部最优;为提高算法的收敛效果,采用改进的异步学习因子。在IEEE-33节点配电系统中进行算例验证,结果表明了模型的正确性和策略的有效性。

基于DPBBO算法的智慧云仓UAV盘库作业优化

针对智慧云仓货物信息量大、易出现账物不符等库存管理问题,迫切需要将无人机(unmanned aerial vehicle, UAV)和工业物联网(industrial Internet of things, IIoT)集成起来,为仓储精细化管理提供解决方案。首先,分析盘库作业数据采集与信息交互运行机制,以危险避障和数据采集为约束函数,考虑了UAV在加速、减速、匀速、转角等飞行条件下的能耗差异,并以能耗最低和时间最短为目标函数构造UAV盘库作业数学模型;然后,设计了差分迁移-分段变异生物地理学优化(differential migration-piecewise mutation-biogeography-based optimization, DPBBO)算法对上述模型进行优化解算;最后,进行了仿真实验验证。结果表明:DPBBO算法对解决该盘库作业问题的效果较优,可以提升库存抽检任务的时效性和库存管理的准确性。

混合整数优化问题的差分进化算法研究

为求解混合整数优化问题,提出了混合整数差分进化算法(Mixed Integer Differential Evolution,MIDE)。该算法结合整数变量的特点,为整数类型变量设计了专用的变异算子,使整数变量可以在差分进化算法中直接进化;为了维持种群多样性,采用了灾变策略;采用双编码方式,使整数变量与连续变量并行进化,进而提出了混合整数差分进化算法。通过与其它混合整数优化算法的比较,证明该算法具有较好的收敛速度、全局收敛性及算法稳定性等优点。

结合遗传算子的并行萤火虫算法及在车间调度中的应用

论文提出了一种结合遗传算子的并行萤火虫算法,该算法借鉴了萤火虫闪烁移动的思想,对两个种群进行同步并行迭代求解,以提升算法的求解速度和质量;在其中一个种群中引入多尺度协同变异算子,利用不同大小方差的自适应高斯变异机制使整个种群以尽量分散的变异尺度来对解空间进行更详尽的探索,从而使整个种群进行有效变异。函数优化结果表明了该算法的有效性,该算法用于求解以最小化最大完工时间为优化目标的流水车间调度问题,实验结果表明,较传统的单一算法而言,结合遗传算子的并行萤火虫算法在求解车间调度问题方面具有更好的性能。

基于改进帝王蝶算法的最大似然DOA估计

针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。

一种改进的自适应遗传算法

针对现有遗传算法在求解多参数问题时出现收敛精度低、收敛速度慢、易陷入局部最优等问题,提出一种改进的自适应遗传算法。该算法引入复制算子、种群密集度函数和精英选择策略,提出根据种群迭代次数和个体适应度的自适应策略调节交叉概率和变异概率,很好地平衡了遗传算法的全局搜索能力和局部寻优能力。总结出具有代表意义的测试函数,通过求解测试函数和旅行商问题,证明改进的自适应遗传算法的收敛精度、收敛速度等均有明显的提高。

基于混合策略的蜣螂优化算法研究

针对蜣螂优化算法存在易陷入局部最优、全局探索和局部开发能力不平衡等问题,为提升蜣螂优化算法的寻优能力,提出一种混合策略的蜣螂优化算法。采用Sobol序列初始化种群,以使蜣螂种群更好地遍历整个解空间;在滚球蜣螂位置更新阶段加入黄金正弦算法,提高收敛速度和寻优精度;引入混合变异算子进行扰动,提高算法跳出局部最优的能力。对改进的算法进行8个基准函数的测试,并与灰狼优化算法、鲸鱼优化算法和蜣螂优化算法等进行比较,并验证了3种改进策略的有效性。结果表明,混合策略的蜣螂优化算法在收敛速度、鲁棒性和寻优精度有明显增强。

双层级设施选址问题及其混合免疫优化算法

随着全球贸易化、跨境电商的日渐发展,B2C模式下的电子商务网络配送业务也日益庞大。仓储需求、货物流转量与日俱增,甚至面临供不应求的市场局面。结合B2C模式下仓库设施有容量且服务于每个配送中心、配送中心无容量且服务于多个客户的需求特点,文章以仓库、配送中心2个阶段的设施作为选址研究对象,建立了双层级设施选址的混合整数规划模型。针对该模型的特点,设计了一种改进的混合免疫优化算法对该问题进行求解,运用随机化与贪心聚类算法结合的方法生成初始解,再通过原始免疫优化算法对抗体进行评价排序,最后在免疫操作中加入交叉变异算子。将混合免疫优化算法与CPLEX进行对比,然后进行大量的算例测试,与其他3种算法的时间和结果进行比较,时间及其结果都取得了理想成果,验证了所提模型的可行性和所提算法的有效性。

基于改进遗传算法的家电回收车辆路径规划方法

为了提高家电回收效率以及降低回收成本,提出了一种基于改进遗传算法(GA)的家电回收车辆路径优化方法。将家电回收车辆路径规划问题建模为一个变体的旅行商问题(TSP)以最小化运输成本,但该问题难以在多项式时间内进行求解。提出了一种基于高斯矩阵变异(GMM)算子的改进遗传算法,利用原始站点数据信息中隐含的站点位序分布特性建立高斯概率矩阵,并采用轮盘赌选择法将高斯概率矩阵作用于个体基因突变,在保证种群基因多样性的同时,引导种群向高适应度方向进化。最后,采用上海地区的家电回收点实际数据开展实验仿真以验证所提出算法的有效性,并与其他算法进行对比。结果表明,与传统遗传算法相比,在将求解精度差保持在1%以内的情况下,所提出改进遗传算法的平均收敛速度可以提升50%~60%,算法耗时降低48%。

基于改进遗传算法的酒店配送机器人路径规划仿真研究

针对传统遗传算法初始种群质量不高、种群多样性不足和路径长度不理想的问题,提出了改进遗传算法。通过基于引力场模型生成初始路径,提高初始种群质量;在适应度函数中增加了惩罚因子和激励因子,提升种群质量筛选;引入差分进化算法对种群个体之间的差异进行向量化操作,以突变概率控制种群突变数量,优化种群多样性,从而更好更快地得到全局最优解。采用改进遗传算法、传统遗传算法和蚁群算法对不同栅格地图路径规划进行仿真实验,结果表明:改进遗传算法在处理此类路径规划问题时可以快速找到最优路径,在复杂度较高的M3地图环境下相较于传统遗传算法和蚁群算法最优路径分别缩短了17.39%和7.9%。

改进烟花算法求解同时送取货选址路径问题

针对同时送取货的选址路径问题(Location-routing Problem with Simultaneous Pickup and Delivery,LRPSPD),设计一种改进烟花算法(Improved Firework Algorithm,IFWA)求解。首先,考虑仓库建设、车辆启用、车辆路径等成本因素,建立最小成本的LRPSPD模型,该模型强调需求点的送货需求和取货需求只能由一辆车同时进行服务。其次,设计一种改进烟花算法,该算法结合贪心聚类算法生成初始解,由烟花爆炸算子操作生成邻域解,利用变异操作协助产生新种群。最后,通过使用混合免疫算法、模拟退火算法求解相同算例,对结果进行分析比较,验证模型的可行性和改进算法的有效性。

融合小生境机制的增强麻雀搜索算法及其应用

针对麻雀搜索算法SSA易陷入局部最优、算法过早收敛等问题,提出一种融合小生境的麻雀搜索算法NSSA。首先,NSSA使用一种基于发现者相似性形成自适应物种的小生境策略将麻雀种群自动划分为以发现者为中心的若干个小种群或物种,且使跟随者朝所属物种内的发现者位置移动,以保持种群的多样性。其次,通过结合模糊逻辑的差分变异并使用发现者所属物种内的其他个体信息对发现者进行变异操作,以提高算法跳出局部最优的能力。选用CEC2017测试集中的12个函数作为实验测试集,将NSSA与CSSOA、ISSA、MSSSA、SHSSA、MSWOA进行性能测试。实验结果表明,在大多数多峰目标函数上,NSSA与排名第二的算法相比,收敛精度提升了10%以上。对NSSA的各改进策略进行了消融实验,结果表明,在综合改进策略的共同作用下,NSSA的综合优化性能排名第一。最后将NSSA应用于压力容器设计问题,结果表明,相比于其他算法,NSSA仍能够获得最优的解。

基于原子范数的非均匀阵列到达角估计

在雷达系统中,天线阵列至关重要。非均匀阵列能减少天线阵元使用,带来更高的自由度,但由于其阵元位置不规则排布在到达角(DOA)估计、空间频谱计算等方面存在难题,难以满足雷达目标跟踪、声源估计等场景中高精度和快速DOA估计的需求。针对该问题,文中在ℓ_(0)原子范数的基础上提出基于Circle混沌映射的并行无网格DOA估计算法。该算法通过并行处理目标函数的同时进行群体寻优,引入自适应策略进行模型精英学习和状态评估,随后增加变异算子实现全局最优解寻找,从而实现了非均匀阵列信号快速DOA估计。仿真验证表明,相对于常见DOA估计算法,该算法可以获得较小的均方根误差(RMSE),同时实现更精确的角度估计和更少的计算复杂度。

基于犹豫模糊矩阵与变异算子的变电设备故障检修仿真

为降低变电设备故障检修时的综合风险成本,提出基于犹豫模糊矩阵与变异算子的变电设备故障检修方法。设置犹豫模糊矩阵,提取变电设备振动信号特征,将特征值输入稳定的Hopfield神经网络,分类诊断变电设备的故障;通过基于变异算子的变电设备故障检修优化模型,构建目标为综合风险成本的函数,设置约束条件为电网停电次数为1次、传输功率不越限,获取符合检修目标和约束条件的检修最优方案。实验仿真结果显示:所提方法可优化变电设备故障检修方案,提升变电设备故障诊断效率,保证设备检修的停电次数为每月1次,降低电网综合风险成本。