改进猫群算法求解置换流水车间调度问题

标准猫群算法(CSO)在求解最小化最大完工时间的置换流水车间调度问题(PFSP)时收敛速度较慢,同时,当问题规模变大时容易出现“维数灾难”。为加快寻优速度,同时避免“维数灾难”,提出了一种基于分布估计算法的改进猫群算法(EDA-CSO)。以猫群算法为框架,嵌入分布估计算法,在搜寻模式下,利用概率矩阵挖掘解序列中的优秀基因链组合区块,使用猫群算法中的跟踪模式更新猫的速度和位置,从而更新优秀解序列产生子群体。最后,通过对Carlier和Reeves标准例题集的仿真测试和结果比较,验证了该算法良好的鲁棒性和全局搜索能力。

基于改进量子遗传算法的图像匹配算法研究

量子遗传算法是目前较成熟的全局优化算法,对于多目标的优化有独特的高效性和精确性。图像的匹配过程可以近似地看作在搜索目标函数图像相似性的最优解,而目标函数的变量则可用几何参数代替,因此对图像匹配算法的研究可以归结到量子遗传算法的全局寻优。然而,图像匹配中特征参数较多,维度较高,如果使用量子遗传算法(QGA)匹配,就会陷入局部寻优的状况,为了避免此现象的出现以及提高多维高峰环境下的匹配成功率,提出了改进的量子遗传算法,新算法在迭代中后期得到优秀解之时发挥作用,保留最优解,初始化其余个体。该方法一方面帮助算法跳出局部寻优,另一方面增加了群体多样性,进而提高了图像匹配的成功率以及效率。