基于启发式变异的改进演化规划算法

常用的演化规划算法(EP)的变异是基于固定的概率分布,鲁棒性较差.文中分析了变异算子对演化规划算法计算效率的影响,指出了Gauss变异、Cauchy变异和Lévy变异算子缺少启发式信息的不足,并据此设计了一种根据种群个体差异信息的启发式变异算子,用算子抽取的个体差异来更新变异步长,允许个体有机会在某些维数保持原状,只是进行部分维数上的变异.启发式变异算子能使演化规划算法更好地适应不同特点的连续优化问题,从总体上增强算法的鲁棒性.在求解多个Benchmark测试问题的数值实验中,基于启发式变异的改进演化规划算法比当前6种等概率分布演化规划算法有更快的收敛速度和更优的平均性能.

基于启发式变异的蚁群算法

提出一种基于启发式变异的蚁群算法,结合传统蚁群算法和遗传变异算法的优点,利用蚁群算法找到一条全局近优解,采用启发式变异进行路径优化,并将优化信息以信息素的方式传递给下一代,从而快速得到全局最优解。以旅行商问题为例进行仿真实验,结果表明该算法比其他同类算法具有更好的性能。

进化神经网络中的变异算子研究

针对进化神经网络中遗传算法收敛速度慢和容易早熟这两个难题,提出了一个启发性的变异算子.该算子采用了自适应的变异率和启发式的变异位的选择策略.在多代无进化时,通过提高变异率扩大搜索范围,同时减小变异量进行更细致的搜索.求解XOR问题的实验表明,该算法既具有很快的收敛速度又能自动维持群体的多样性.

求解Max-Re-SAT的离散混沌量子蝙蝠算法

针对最大正则可满足性问题求解算法的研究空缺,以及提升求解最大可满足性问题的智能优化算法的精度,基于蝙蝠算法(bat algorithm,BA),提出了一种基于离散混沌量子的蝙蝠算法。在该算法中,将连续数值转化为离散的二进制编码,对算法进行了离散化处理。该研究运用量子理论、引入量子比特编码和启发式量子变异,通过量子旋转门改变非最优个体的概率振幅来实现变异,解决了早熟和收敛速度慢的问题。在位置更新中,使用混沌映射替代固定参数,增强了灵活性和多样性,提高了全局寻优能力和求解效率。实验结果表明:在随机正则可满足性问题实例产生模型产生的不同规模算例上,所提算法的求解精度远远高于传统启发式算法;同时,与获奖的求解器相比,也具有一定的竞争力,验证了该算法的有效性。

倒位变异的人工蜂群算法求解旅行商问题

旅行商问题(TSP)是在运筹学界研究了近半个世纪的基本组合优化模型。它属于NP难问题。目前已经证明,相对于解决诸如TSP的NP难问题的传统方法,进化算法是有效且高效的。近年来有研究者提出一种基于群体智能的人工蜂群算法(ABC),该算法借鉴了蜂群寻找最佳食物来源的决策过程,具有明确的均衡强化和多样化的策略。为了提高算法的精度,文章基于基本的人工蜂群算法,将倒位变异融入到人工蜂群算法中,给出了该算法求解旅行商问题的详细执行过程,并使用标准TSP库中的实例对提出的算法的性能进行了实证评估。结果表明,所提出的算法能较好地解决TSP问题。

基于遗传算法的大规模流量工程问题求解

研究了大规模网络中的流量工程问题,其实质是在复杂约束条件下的多业务多目标网络流问题。提出了一种经过优化的遗传算法,该算法引入预处理机制,采用启发式变异操作并且采用爆破处理。仿真实验证明,该算法是快速有效的。

改进离散人工蜂群算法规划异形满版服饰图案切割路径

服饰图案切割路径规划是服饰图案自动切割技术的关键部分之一。文中用改进的离散人工蜂群算法实现了激光切割系统对异形满版服饰图案的切割工艺路径规划优化。首先,把满版服饰图案激光切割路径规划转化为广义旅行商问题求解,证明了路径规划转化成普通TSP问题比转化成第一类广义TSP问题更为有效,并给出了路径规划中"图案始切割点"的优化选择方法。然后结合部分匹配交叉和启发式变异搜索方法的人工蜂群算法求解TSP问题,证明了与A*算法及遗传算法相比,该方法更为优越。并且该方法已应用于激光切割机切割异形满版服饰图案路径规划的生产实践,运行可靠,比未规划时的工艺路线平均提高效率33.7%。该方法提供了一种解决TSP问题的新方法,具有一定的理论意义和价值。

基于混合遗传算法的车间生产计划调度

针对车间环境的动态随机性、多工序问题,研究了调度问题和算法的特征,提出了一种基于混合遗传算法的车间调度方案。在传统遗传算法的基础上,采用交叉算子、变异算子与启发式算子结合,实现了混合遗传算法,避免了传统遗传算法解的不可行性。再把紧急工序作为一个时域段,结合可变时域滚动机制,实现了可插入紧急工序的调度算法,使一道工序不需重新调度也可排入作业计划,避免了不可插入性,节省了时间,提高了效率。结合实例进行仿真分析,结果表明了调度的可行性、正确性、满意度。

改进混合遗传算法及其在农资优化配送中应用

针对农资配送过程中普遍存在空载以及二次配送导致配送成本增加问题,提出一种基于改进混合遗传算法的配送优化方法。在遗传算法中融入模拟退火算法,结合二者优势使得算法跳出局部极值,增强全局优化的能力;针对两种算法混合后造成算法运行时间长、收敛慢的缺点,提出一种混合交叉方式以及混合启发式变异的方法,最大限度减少不必要的计算,提高算法的优化效率。选取北京农资大兴配送中心针对大兴地区30个农资连锁经销门店的日常配送路径优化问题开展实验研究,结果表明,提出的算法较传统算法具有更好的收敛性,优化结果更加逼近全局最优解,可为农资配送车辆实时路径优化决策提供一种新的方法。

求解多堆垛机协同调度优化问题的量子蝙蝠算法

针对肉鸡仓储式养殖给料调度优化问题,以多堆垛机协同给料完成时间最短为优化目标,建立多堆垛机协同给料模型,并基于蝙蝠算法(BA)对其进行求解。然而,该算法存在易早熟、收敛速度慢等缺点,为此,借用量子理论,引入启发式量子变异,提出量子蝙蝠算法(QBA),主要通过对非最优个体采用量子旋转门策略及自适应调整旋转角机制实现变异,从而增加了种群多样性,提高了全局寻优能力及求解效率。最后,通过仿真实例验证了该算法的有效性。

离散鲸鱼算法求解拆解序列规划问题

工业产品的回收再制造有利于降低生产成本和保护环境,而制定优秀的产品拆解序列规划提高拆解效率、降低回收成本为其关键.针对回收设备在实际拆解中的因素,建立一种基于离散鲸鱼算法(DWOA)的拆解序列规划模型.该模型目标函数以位置改变为代价作为新的评价指标,利用分层组合的方法快速生成初始群体.离散鲸鱼算法具有优先保护约束交叉机制、启发式变异、优秀的全局和局部搜索能力.以回收上橡皮板和空气围带进行对比实验,结果表明在相同时间下,离散鲸鱼算法的算法稳定性、寻优能力、收敛速度都要优于其他算法.