基于模拟退火遗传算法的主题爬虫搜索策略研究

以何种策略访问网络,提高搜索效率,是近年来主题搜索引擎研究的主要问题之一。本文对主题爬虫常用搜索策略进行了简单分析,提出了实用性较强的基于SAGA的主题爬虫搜索策略。

改进遗传算法搜索动态订单下车辆路径最优问题

滚动周期策略是当前学者利用优化算法解决动态车辆路径规划(dynamic vehicle routing planning,DVRP)问题的主要研究策略。预优化算法是基于遗传算法(genetic algorithm,GA)进行改进。GA易早熟和易陷入局部最优的特点,使解的质量往往不能达到最好。针对此问题,在GA算法上提出了贪婪重构策略进行改进。贪婪重构遗传算法(greedy reconstruction genetic algorithm,GRGA)随机剔除每条路径固定数量的客户点,利用贪婪重构策略依次将剔除点插入到各个路径,保留成本最低的解,摒弃了完全随机的策略原则,使解可以跳出局部最优。在每次迭代之后利用变邻域下降搜索算法(variable neighborhood descent,VND)进行深度搜索,完成一次迭代。最后进行三组测试,第一组是在统一平台上采用Solomon数据集测试算法效果,第二组是把预优化改进算法与对比算法得到的数据分别进行保存,利用控制变量法在动态调度周期使用一种动态调度优化算法,分别对每个预优化算法形成的初始路径进行调度,测试改进算法的有效性,第三组是采用实际案例测试预优化算法的效果。

求解带容量约束车辆路径问题的改进遗传算法

为解决传统遗传算法求解带容量约束的车辆路径问题时收敛速度慢和局部搜索能力差的问题,对传统遗传算法提出一种改进策略。使用基于贪婪策略的启发式交叉算子加强算法接近最优解的能力,加快算法收敛速度,在变异操作中,引入最近邻搜索算子,缩小基因变异范围,使用单点局部插入算子提高算法的局部优化能力。采用精英选择和轮盘赌法结合的选择策略,保持种群多样性以加强算法的全局搜索能力。实例计算测试表明,与传统遗传算法相比,所提算法求解平均偏差降低了70.25%,求解时间减少了87.41%;与ALNS和AGGWOA算法相比,有更高的求解质量和更好的稳定性。

基于遗传算法和模拟退火算法的布局问题研究

文章在介绍遗传算法和模拟退火算法的基本理论及主要特点的基础上,提出了一个基于遗传算法和模拟退火算法的求解布局问题(矩形件排样优化)算法,并通过算例验证了该算法的有效性。

基于自适应模拟退火遗传算法的特征选择方法

特征选择是机器学习及模式识别领域的重要问题之一。针对高维数据对象,特征选择不仅可以在保证数据完整性的情况下减少特征维数,还能够提高分类精度。文中提出了一种基于自适应模拟退火遗传算法的特征选择方法,该方法将模拟退火算法嵌入到自适应遗传算法的循环体中,利用模拟退火算法具有较强的局部搜索能力,并且能够使搜索过程避免陷入局部最优解的特点,解决了基本遗传算法收敛速度慢,时间复杂度高的缺点。实验结果表明,在保证分类正确率的前提下,该方法有效提高了特征选择效率。

模拟退火遗传禁忌搜索的多用户检测算法

为了设计一种具有较低运算复杂度并能解决早熟收敛的准最优多用户检测器,提出一种将遗传算法、模拟退火算法和禁忌搜索结合到一起的新型多用户检测算法,称为模拟遗传禁忌搜索算法。在该算法中,模拟退火遗传算法的结果为禁忌搜索提供一个初值。同时,将模拟退火的思想融入到遗传算法中,提出自适应的交叉概率和变异概率。仿真结果表明:应用该算法的检测器能够有效避免局部最优解,并能逐渐的收敛到全局最优。

一种融合改进模拟退火技术的新型遗传算法

通过对传统遗传算法和模拟退火算法各自优缺点的分析,提出了一种新型遗传算法。算法以最优保留策略的遗传算法作为主体流程,在主体流程过程中融入改进的模拟退火技术,即设置双阈值和保留中间最优解来减少计算量,加快算法的收敛速度,从而为求得全局最优解提供了保障。通过对F6函数仿真试验,新型遗传算法的收敛速度和跳出局部最优的能力有很大提高。

遗传模拟退火算法在机动逃逸策略中的应用

针对垂直平面内的机动逃逸策略问题,提出将遗传算法与模拟退火算法相结合的方法———遗传模拟退火算法,能够实现逃逸者的机动逃逸策略,解决了在大状态空间中的全局最优搜索和评价问题,为处理复杂的决策过程提供了一套有效的途径。通过仿真结果表明,基于遗传模拟退火算法的机动策略能够有效地实现逃逸者的机动逃逸。

自适应最优保存的模拟退火遗传算法及应用

在分析遗传进化的基础上 ,提出了一种自适应最优保存的模拟退火遗传算法 ,自适应地保存最优个体 ,并对其进行模拟退火 .与简单最优保存遗传算法 (MOSGA)进行了性能比较 ,结果表明本算法明显比MOSGA搜索能力更强 ,有极强的跳出局部最优的能力 .有效地解决了MOSGA的早熟现象 .

基于遗传算法的电子对抗侦察搜索策略控制方法

在电子对抗侦察中,搜索策略主要控制侦察设备的工作频率范围、工作方位范围、衰减和驻留时间等参数。面对战场中越来越复杂的电磁环境,电子对抗侦察设备通常需要对多目标进行侦收,通过手动控制的方式,难以满足动态变化的战场态势要求。针对搜索策略中需要频繁切换、设置的起始频率、终止频率、起始方位和终止方位等4个参数,设计了一套基于遗传算法的控制方法。通过仿真验证,证明该方法可靠有效,能够针对搜索任务给出合适的搜索策略。

基于模拟退火禁忌遗传算法的并行测试任务调度

为了解决并行自动测试系统中并行测试任务调度复杂、优化困难的问题,提出了一种把遗传算法、禁忌搜索算法和模拟退火算法结合到一起的新型静态并行测试任务调度方法,在遗传算法中引入模拟退火算法和禁忌搜索算法的核心思想,避免了遗传算法早熟收敛的问题,从而得到总测试时间最短,具有最大并行率的任务调度序列.这种新型调度算法具有较低的运算复杂度,可在较短时间内得到大量高效的并行测试序列,并且可以有效避免局部最优解,并逐渐收敛到全局最优解.实例仿真结果证明了该算法的有效性和优越性.

集装箱装载问题的模拟退火遗传算法

将模拟退火的思想引入遗传算法中,将两者结合起来,探讨了模拟退火遗传算法在复杂集装箱装载中的应用,以此达到缩小搜索区域,增强算法的收敛性的目的。该算法充分发挥了遗传操作中交叉算子的作用,并通过实例仿真表明该算法优于传统的计算方法。

改进遗传算法在仓储机器人移动路径规划中的应用研究

本文提出了一种改进的实数遗传算法,用于解决仓储机器人移动路径规划问题。传统路径规划方法在复杂环境中难以有效优化路径,而遗传算法因其良好的全局搜索能力和适应性成为一种潜在的解决方案。本文通过将连续的可行域进行离散化处理,然后通过变异算子和局部搜索算子,使其既具有连续性又具有完备性。这种方法成功地融合了遗传算法的离散化和连续化特性,提升了实数遗传算法的收敛速度和寻优能力。为验证算法的有效性,我们将这种方法与粒子群算法、模拟退火算法和人工蜂群算法进行对比实验。实验首先在基础测试函数上进行,然后在二维栅格地图上进行最短路径优化。实验结果表明,改进的实数遗传算法在测试函数和二维栅格地图上均优于其他算法,显著降低了机器人移动路径的总长度和时间成本。

优化遗传算法在复合材料加工中的应用研究

针对传统遗传算法在矩形排样问题应用中存在易陷入局部最优、收敛速率低等不足。对传统遗传算法进行研究,在此基础上引入分阶段调整遗传算子策略加强算法的自适应性,改善搜索性能。并提出融合择优选择策略,保证种群整体质量,进一步提升算法收敛速率。将上述优化后的遗传算法与引入启发式搜索和旋转判断策略的最低水平线算法相结合来解决复合材料在热压成型工序的加工问题。在实证中采用H复合材料加工厂相关零件模具数据对上述方法进行了测试。实验结果表明排样效果显著提升。

基于捕食搜索策略的模拟退火优化算法

针对传统模拟退火算法初始温度和降温函数难以确定以及接收劣质解同时容易遗失当前最优解等缺陷,将禁忌搜索算法的禁忌表功能引入SA算法,避免遗失最优解和对某个解进行多次重复搜索;根据函数的复杂程度确定初始温度,并定义新的降温函数,提高算法的搜索效率和精度;引入捕食搜索策略,平衡算法搜索能力和开发能力,避免陷入局部最优。通过对五个典型的基准测试函数的仿真表明,改进算法具有较强的全局搜索能力,同时寻优精度和收敛速度比原算法也有较大的提高。

基于捕食搜索策略的遗传算法研究

针对标准遗传算法易陷入局部最优而出现早熟,提出了一种基于捕食搜索策略的遗传算法。该算法在进化中模拟动物捕食搜索的过程,并根据种群中个体最优适应值来动态改变交叉和变异概率,从而加强算法的全局搜索和局部优化的能力。仿真实验表明该算法是有效的。

基于边界搜索策略的遗传算法在电网扩展规划中的应用

遗传算法在解决多峰值最优化问题方面有其独特的优越性 ,但由于遗传算法仅依靠适应度函数值来评价和引导搜索 ,在优化过程中往往因为走了随机性的弯路而存在搜索速度较慢的缺陷。该文在标准遗传算法的基础上 ,引入边界搜索思想以改善算法的搜索路径 ,加速算法的搜索进程 ,并将其应用于电网扩展规划。

遗传算法与禁忌搜索算法的混合策略

遗传算法与禁忌搜索算法的出现为解决高维组合优化问题提供了强有力工具．二者既有共性，又有个性．通过对遗传算法与禁忌搜索算法的分析，提出了一种遗传算法与禁忌搜索算法的混合策略，把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中，构造了新的重组算子，并把禁忌搜索算法作为遗传算法的变异算子，对旅行商问题的求解表明：混合策略在许多方面优于遗传算法．

基于模拟退火遗传算法的FIR数字滤波器设计

研究了用模拟退火遗传算法来设计FIR数字滤波器,并针对算法在寻优过程中,参数搜索缓慢的特点提出了改进方法,该方法在一定程度上提高了算法的搜索性能.并结合FIR低通数字滤波器的设计给出了仿真结果.

自适应策略的混沌局部搜索遗传算法

提出了一种自适应策略的混沌局部搜索遗传算法(ACLSGA),它是遗传算法中每一代的所有个体经过一次遗传操作之后得到一个最佳个体,通过自适应策略决定是否在最佳个体附近进行混沌局部搜索。4个基本的测试函数优化结果表明:ACLSGA比具有精英保留选择机制的实数编码的遗传算法(RGA)的全局搜索能力强,收敛速度快。