基于二维编码两阶段协同进化遗传算法的云工作流调度优化

针对当前启发式算法依赖于特定问题,元启发式方法存在搜索空间不完备或在完备空间上搜索效率不高,以及传统一维编码存在冗余空间等问题,提出一种基于二维编码两阶段协同进化遗传算法(TDTSGA)的云工作流调度优化方法。在TDTSGA中采用一种新的二维个体编码方法,设计了基于二维层次排序和拓扑排序的交叉变异方法,同时采用了两阶段协同进化策略。通过在各种工作流应用案例上进行广泛实验,验证了TDTSGA的优越性。

合作型协同进化遗传算法求解分布式柔性作业车间调度问题

针对以最小化最大完工时间为优化目标的分布式柔性作业车间调度问题,提出一种合作型协同进化遗传算法。采用工厂分配和工序排序解耦编码,基于机器负荷解码并基于工厂负荷初始化种群,使算法在较优的解空间内迭代搜索。利用分而治之的思想,将问题分解为多个子问题,通过随机协同机制促进子种群协同进化并提高全局搜索能力。使用基于关键工厂的多重局部扰动策略,提高算法的局部开发能力。在基准实例上进行实验,并与其他算法进行对比,验证了所提算法的有效性。

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elitecoevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.

基于非支配遗传算法及协同进化算法的多目标多区域电网规划

基于快速分类的非支配遗传算法(NSGA-II)是一种新型的多目标遗传算法,文中首次将其应用于电网优化规划。多个算例分析表明NSGA-II算法在电网规划中具有良好的优化效果,为各目标之间的权衡分析提供了有效的工具;协同进化算法采用分解-协调的思想处理复杂系统的演化,可以克服当优化问题规模扩大时,常规进化算法易于出现过早收敛的现象。据此提出将协同进化算法和NSAG-II算法相结合,以用于处理大规模多区域的电力系统规划问题,在各子网采用NSAG-II算法优化的过程中进行多区域协调。与常规遗传算法相比,算例分析取得了更好的规划结果。

基于并行协同进化遗传算法的多协作车间计划调度

为求解多协作车间的计划调度问题,提出了并行协同进化遗传算法。该算法采用基于工序的染色体编码方案。在遗传操作过程中,首先利用提出的基于工序约束的基因调整算法进行交叉操作和变异操作,保证了新个体满足工序约束。在解码操作过程中,采用考虑设备能力空间的解码算法,使得解码产生的调度为活动调度。此外,运用协同进化的思想,提出了协同适应值计算的算法,使协作环境的变化能灵敏地反映在个体的适应值上,从而有效地指导种群的进化。实例表明,该算法能够满足多协作车间并行协同调度的要求。

协同进化遗传算法在传感器优化配置中的应用

动态测试中,为了获得精确的试验模态参数,需将传感器配置在最优的位置。以模态置信度矩阵非对角元的最大值最小化为优化准则,针对GARTEUR飞机模型,基于协同进化遗传算法,对传感器的配置进行了优化,其结果优于Guyan法、EI法和基于QR分解的逐步累积法。

基于协同进化遗传算法的神经网络优化

人工神经网络的结构设计没有系统的规律可循,而基于梯度的神经网络参数优化又易于陷入局部最优解。该文研究了用带退化的协同进化遗传算法来优化神经网络结构,同时优化网络参数。将网络参数作为实数编码基因进行遗传选择,参数个体的受损率超过退化阈值时发生结构退化。退化进程由协同进化的控制个体动态控制。实验证明,该方案能够有效简化神经网络的结构和得到最优网络参数,收敛速度比常规遗传算法快。

基于协同进化遗传算法的航班进港优化调度

航班进港调度问题是一个典型的组合优化问题,具有多约束复杂特性.针对遗传算法求解航班进港调度问题时多约束难以处理、运算量大、易陷入局部最优的不足,本文应用协同进化思想,构建航班进港调度问题决策解种群和惩罚因子种群,通过种群间的竞争、协作改善算法性能;设计一种带约束处理的编码策略,将安全间隔约束纳入编码过程,降低了问题的约束复杂度,进而提出一种改进的协同进化遗传算法(Co-evolutionary Genetic Algorithm,CoGA),并应用首都机场的实际运行数据进行了仿真.结果表明,本文方法能够有效处理航班进港调度问题中的大量约束,在优化效果与GA算法相当的情况下,有效降低了计算时间,克服了问题规模剧增导致的计算效率低下的难题.

一种改进的多目标合作型协同进化遗传算法

针对传统多目标算法早熟收敛及多样性不足的问题,提出了一种改进的非支配排序合作型协同进化遗传算法(Improved Non-dominated Sorting Cooperative Coevolutionary Genetic Algorithm,INSCCGA)。该算法利用外部档案存储每一代进化过程中产生的精英个体,并对其不断进行更新,以加快算法的收敛速度。同时提出了一种新型子种群之间协同进化的方式,增强候选解的多样性。利用ZDT系列标准测试函数,与经典的多目标进化算法NSGA-II以及多目标协同进化算法NSCCGA进行了对比,结果表明改进算法具有更好的收敛性以及均匀的解分布。

基于协同进化遗传算法的水库群供水优化调度研究

针对水库群供水优化调度问题,介绍了一种改进的协同进化遗传算法。该算法针对求解高维、复杂的水库群优化调度时多约束条件难以处理、计算机时长、易陷入局部最优解等缺陷,建立了相应的罚因子的评价机制,生成了两类进化子种群,运用改进遗传算法同时对不同种群进行操作,并将其应用在滦河下游六水库联合供水优化调度中。实例计算结果表明,用该算法求解水库群供水优化调度问题,结果可靠、合理,计算效率高。

协同进化在遗传算法中的应用述评

生态系统中协同进化的含义是几个生存能力相关联的种群的同时进化,在遗传算法中应用协同进化的实质是改变了个体适应度的计算方法:经典遗传算法中个体的适应度由它的染色体所决定,协同进化中个体的适应度却是由个体在协同关系中的表现决定。根据个体之间的适应度关联方式的不同,协同进化在遗传算法中应用可以分为两种:竞争协同进化算法、合作协同进化算法。竞争协同进化算法中的个体适应度由个体在竞争中的表现决定;合作协同进化算法中的个体适应度决定于个体在合作中的表现。对这两种方法的实质以及主要思想进行了述评。

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法(CEAGA)。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。

协同进化遗传算法求解带时间窗的车辆路径问题

车辆路径优化是物流组织,交通调度的关键环节,是一个典型的有约束的组合优化问题。单独使用标准遗传算法及其改进算法解决VRP问题时也存在局部收敛的不足,因此通过引入协同进化算法,达到克服一般遗传算法容易早熟的毛病,从而在搜索空间发掘最优解。

变种群规模合作型协同进化遗传算法及其在优化中的应用

分析合作型协同进化遗传算法的进化效率和计算复杂性等与子种群规模的关系;在此基础上提出子种群规模自适应调整算法的思想,给出子种群规模调整的依据和调整方法;进而提出基于实数编码的变焦遗传算法.典型函数优化实例验证了该算法具有计算复杂性小和进化效率高的优点.

基于协同进化遗传算法的高速铁路运行调整研究

以加权后总晚点时间最小为目标,以发车间隔、车站到发线数量、列车在区间运行时分等为约束条件建立高速铁路运行调整模型。针对其约束多,运算量大等特点,应用协同进化遗传算法的思想,将决策解和惩罚因子作为2个进化子种群,分别采取合适的编码方式、适应度函数以及交叉变异规则进行问题的求解。最后,以郑武高铁的实际数据为例进行验证。研究结果表明:该方法能有效地完成高速铁路运行调整。

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.

基于协同进化遗传算法的多议题谈判

以协同进化遗传算法模拟自动谈判是目前智能计算和多Agent系统等领域研究的新课题。针对现有文献仅模拟单议题谈判的情况,该文提出基于协同进化遗传算法和适应度共享小生境技术的多议题谈判模拟算法,以轮流出价谈判协议为例进行仿真实验。实验结果表明,该算法能在策略种群中形成局部小生境,生成近似Pareto最优的策略集。

一种改进的双精英协同进化遗传算法

提出一种改进的双精英协同进化遗传算法。在该算法中,种群被划分为两个精英小队,二者协同进化;精英是小队中的最优个体,并且两个小队的精英具有较高的差异度。精英分别与被选的个体进行交叉,增强了种群个体和全局最优解的亲和度;同时,当精英小队中的个体间的差异度下降到规定的预警值时,引入变异操作,有效地保持了种群的多样性,避免了早熟问题。算法中还给出一种δ-表现型多样性测度计算方法,使之可以对个体适应值为实数的群体多样性进行准确计算。针对参数多、大范围的复杂计算环境,算法的搜索能力明显提高。

基于合作协同进化遗传算法的大型工程项目组合管理模型研究

针对大型工程项目组合管理问题,在分析工程项目组合中项目间收益、资源、工期和结果相关性的基础上,建立考虑相关性的工程项目组合选择数学模型。将合作协同进化算法与遗传算法相结合,应用于工程项目组合选择模型问题的求解,根据工程项目实施阶段划分不同的子种群,各子种群之间通过合作协同进化算法进行协调。最后,通过实例计算验证了算法的有效性和实用性。

基于自适应惩罚函数的云工作流调度协同进化遗传算法

云计算为大规模科学工作流应用的执行提供了更高效的运行环境。为了解决云环境中科学工作流调度的代价优化问题,提出了一种基于协同进化的工作流调度遗传算法CGAA。该算法将自适应惩罚函数引入严格约束的遗传算法中,通过协同进化的方法,自适应地调整种群个体的交叉与变异概率,以加速算法收敛并防止种群早熟。通过4种科学工作流的仿真实验结果表明,CGAA算法得到的调度方案在满足工作流调度截止时间约束与降低任务执行代价的综合性能方面优于同类型算法。