基于记忆库拉马克进化算法的作业车间调度

多种群遗传算法相比遗传算法在性能上能够有所提高,但对具有较多局部最优解的作业车间调度问题,多种群遗传算法仍然难以改善易陷入局部最优解和局部搜索能力差的缺点.因此,提出了一种求解作业车间调度问题的新算法MGA-MBL(multi-population genetic algorithm based on memory-base and Lamarckian evolution for jobshop scheduling problem).MGA-MBL在多种群遗传算法的基础上通过引入记忆库策略,不但使子种群间的个体可以进行信息交换,而且有利于保持整个种群的多样性;通过构造基于拉马克进化机制的局部搜索算子来提高多种群遗传算法中子种群进化的局部搜索能力.由于MGA-MBL采用了全局寻优能力较强的模拟退火算法对记忆库中的个体进行优化,从而缓解了多种群遗传算法易陷入局部最优解的问题,并提高了算法求解作业车间调度问题的性能.对著名的benchmark数据进行测试,实验结果证实了MGA-MBL在求解作业车间调度问题上的有效性.

基于拉马克进化的差分进化算法求解KPC问题

具有单连续变量的背包问题(knapsack problem with a single continuous variable,KPC)是标准0-1背包问题的自然推广,在KPC中背包容量不是固定的,因此其求解难度变大。针对现有差分进化(differential evolution,DE)算法在高维KPC实例上求解精度不够高的不足,提出基于拉马克进化的DE(Lamarckian evolution-based DE,LEDE)算法,将贪心修复优化算子产生的改进遗传给后代,以加快DE算法的收敛速度,提高DE算法在高维KPC实例上的求解精度。同时,在贪心修复优化算子中引入基于价值的贪心优化策略,用于优化使用基于价值密度的贪心修复策略生成的可行解,以帮助算法跳出局部最优。在40个KPC实例上对LEDE算法进行了实验分析,结果表明拉马克进化和基于价值的贪心优化策略能够提高LEDE算法的求精能力,LEDE算法在获得最优解和平均解方面均优于其他智能优化算法。

“现代生物进化理论的由来”一节的教学设计

将达尔文自然选择学说的主要内容作为重点，把拉马克进化学说与达尔文进化论的主要区别作为难点，让学生参与课前准备、课堂讨论与交流，在自学、探究、感悟中学习知识、升华情感，激发学生主动学习的热情。

一种求解背包问题的混合差异演化算法

为增强差异演化算法在求解背包问题时的局部搜索能力,提出拉马克-鲍德温混合差异演化算法。该算法采用双种群协同进化,以差异演化算法为主体,在演化过程中分别引入拉马克进化和鲍德温效应2种局部搜索算子,引导种群进化方向。仿真实验结果表明,该算法求解精度高,收敛速度快,能够高效求解背包问题。

基于二维可变邻域编码方式的混合遗传算法

针对现有混合遗传算法无法兼顾有效性及高效性的问题,提出一种基于二维可变邻域编码方式的新型混合遗传算法(VNHGA)。首先提出了一种将个体"基因型"与"邻域型"分开编码、同步遗传的新型编码方式,以替换传统二进制编码方式;然后设计了一种稳定变异算子,以替换传统变异算子来提高效率。通过多维函数最小值问题对VNHGA进行测试:首先验证采用所提二维可变邻域编码方式后,使用"鲍德温(Baldwin)效应"作为将局部搜索嵌入传统遗传算法策略时,相对于基于"拉马克(Lamarckian)进化"的嵌入策略,仍然具有采用传统二进制编码方式时的特性,即具有良好有效性但高效性不足;其次验证引入稳定变异算子后,算法在保持其有效性的同时提升了效率,运行时间缩短到之前的50%左右;最后,与两种改进混合遗传算法进行比较,验证所提算法优势。结果表明VNHGA兼具有效性与高效性特点,可用于解决最优化问题。

一种改进的克隆选择算法及其函数优化应用

本文研究了免疫克隆选择算法(ICSA)[1]的一种新的改进算法,并应用到函数优化问题中。算法利用记忆单元对迭代过程中最佳抗体的基因位记忆,而且随着迭代次数增加,相应记忆的基因位数也随之增加。通过几个测试函数实验,证实了记忆单元对迭代过程中最佳抗体的基因位记忆,有助于提高算法的收敛速度。

混合遗传算法综述

遗传算法是一种通过编码对可能问题解空间搜索求解,能够在目标函数的导数信息位置的情况下模拟自然界生物进化过程的自组织、自适应的过程。能够尽快确定最优值所处范围,而混合遗传算法在其基础上引入其他优化算法,以保证遗传算法全局性能的基础上大大减小计算量,提高收敛速度。普通的混合遗传将经典的优化算法和局部搜索能力融合,平衡深度搜索和广度搜索。通过对群体进行复制、杂交和变异,通过以自适应为原则的选择机制累积信息,遗传算法可以保持在解空间不同区域对多个点的搜索,通过交叉算子和变异算子来全面搜索解码空间,不容易陷入局部最优。