旅行商问题的动态顺序插入交叉算子的研究

针对旅行商(TSP)问题的特点,在遗传算法的交叉过程中对边的邻接状况采用了新的评价标准,结合顺序交叉算子和贪婪策略设计提出了一种新的交叉算子:动态顺序插入交叉(DOIC)算子。该算子有效地利用了局部信息,并且能很好地继承父代优秀的基因段,实例仿真表明了该算子的有效性。

基于动态算子遗传算法的光网络阻塞率的快速计算

给出了基于分层图模型的光网络中链路阻塞率的计算公式,提出了一种改进的遗传算法,通过动态调整交叉和变异两算子,在全局搜索的情况下,调大变异算子的值,控制交叉算子的值;在收敛到局部进行搜索时,控制变异算子,提高交叉算子值,提高局部搜索能力,得到了一种快速的光网络阻塞率的计算方法,通过模拟显示:与普通遗传算法相比可以提高计算速度60%,并降低网络的阻塞率。

基于双重交叉策略的多元宇宙优化算法求解带时间窗车辆路径问题

提出了一种基于双重交叉策略的多元宇宙优化算法求解带时间窗车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW)。该算法利用访问概率在满足车辆最大载重的约束条件下构造算法的初始解,提高初始宇宙群的优良性;引入动态交叉算子,在当前宇宙的基础上交叉重组生成新的宇宙,提高算法的局部探索能力,同时采用基于最优片段的交叉策略更新白洞位置,加强各个宇宙间信息的交互;并引入随机交换搜索、2-opt和3-opt相结合的邻域搜索方法对最优解进行局部优化,扩大算法搜索空间。实验结果表明:所提算法能够有效解决带时间窗车辆路径问题,有较强的寻优能力,求解质量优于所对比算法。

基于K-means的改进差分进化聚类算法

K-means聚类算法简单,收敛速度快,但是聚类算法的结果很容易受到初始聚类种群的影响,往往导致局部最优。差分进化算法具有很强的全局收敛能力和鲁棒性,但其收敛速度较慢。为此,将K-means聚类算法和差分进化算法相结合,提出一种基于K-means的改进差分进化聚类算法。该算法设置在一定范围内随迭代次数动态增加的交叉算子,以使算法在迭代过程中先进行全局搜索,再进行局部搜索,这样有助于平衡算法的全局寻优和局部搜索能力,并且加快了算法的收敛速度。最后,通过实验测试了算法的有效性。