项目优化调度的病毒协同进化遗传算法

针对次序约束和资源约束的多模式项目调度问题提出了一种病毒协同进化遗传算法,并提出了解的编码、选择、交叉、变异和病毒感染操作等.算法用于求解项目活动的一个最优调度顺序和资源模式以使项目的成本最低,其操作特点是既可以通过遗传操作在父子代群体之间纵向传播进化基因进行全局搜索,又可以通过病毒感染操作在同一代群体内横向传播进化基因进行局部搜索.利用模板理论对算法的性能进行了分析.理论分析和实验结果表明,算法的搜索性能优于一般的遗传算法.算法对于不同优化目标的多模式项目调度问题可以同时求得一个满足次序约束的项目活动的最优调度顺序和满足资源约束的最优资源模式.

基于病毒协同进化遗传算法的物流配送路径优化问题研究

在分析车辆路径问题(VRP)现有启发式算法的基础上,建立了考虑路线安排的物流配送方案模型,并提出了求解该问题的一种病毒协同进化遗传算法(VEGA)。方法针对遗传算法的局部搜索能力的不足,在选择、交叉等遗传操作之后,引入病毒种群对主群体进行感染操作,根据适应度是否增加,对新产生的种群进行多次感染操作。计算结果表明,该算法明显增强了群体演化的质量,提高了算法收敛速度,较好地解决了"早熟收敛"问题。

基于病毒进化遗传算法的飞机预防性维修计划优化

伴随着中国贸易行业与旅游行业的飞速发展,飞机应用频率大幅度增加,使得飞机故障发生率居高不下,对飞机维修行业提出了更高的要求。传统预防性维修计划已经无法满足飞机稳定飞行的需求,故提出基于病毒进化遗传算法的飞机预防性维修计划优化方法研究。依据飞机的可靠飞行需求,制定预防性维修计划,选取预防性维修成本最小化与飞机可靠度最大化为优化目标,并构造与说明优化目标函数,引入病毒进化遗传算法确定飞机预防性维修任务排程,联合预防性维修任务花费时间最短目标、预防性维修成本最小化目标与飞机可靠度最大化目标,制定病毒进化遗传算法终止条件,获取最终的飞机预防性维修计划优化结果。实验数据显示:在不同实验工况背景下,提出方法应用获得的飞机预防性维修成本最小值为18.42万元/年,飞机可靠度最大值为9.6,飞机预防性维修花费时间最小值为6 h/次,充分证实了提出方法优化性能较佳。

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。

一种病毒进化型遗传算法

本文提出一种病毒进化型遗传算法 VEGA.此算法在一般遗传算法的基础上 ,通过对病毒个体和宿主体行为及相互关系的模拟 ,使进化个体的多样性大大提高 ,算法更易趋于全局极优 .模拟实验验证了 VEGA的优良性能 .

单件车间调度问题的改进型病毒进化遗传算法

针对单件车间调度问题,设计了一种改进型病毒进化遗传算法IVEGA。为提高局部搜索能力,有效地避免丢失优秀解,缩小搜索空间,算法在主个体遗传过程和病毒感染过程中分别加入了主群体知识库和病毒群体知识库,并引入学习机制。通过对11个经典的Benchmarks问题进行了求解,结果表明了IVEGA的相对偏差为1.66%。

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。

大型产品结构优化问题的病毒进化遗传算法

针对一种大型产品结构的质量一成本优化问题,设计了一种病毒进化遗传算法,提出了相应的编码解码方案和适应度的计算。病毒进化遗传算法是一种协同进化算法,既实现了遗传操作在父子代群体间纵向继承进化信息进行全局搜索的功能,也实现了病毒感染操作在同一代群体中横向传播进化信息进行局部搜索的功能,从而可以比遗传算法较快获得问题的满意解。最后给出了病毒进化遗传算法的试验仿真结果。

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。

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。

病毒进化遗传算法在动态路径规划中的运用研究

针对车辆导航的动态最优路径问题,设计一种病毒进化遗传算法,提出相应的编码方案和适应度的计算。通过运用改进A*最短路径算法解决遗传算法中初始种群的产生,同时在遗传算法中增加病毒感染操作,在同一代群体中进行横向传播进化信息。该算法不仅能够较快求出最优路径,而且对路网没有任何的约束条件,同时对离散和连续的动态网络模型有效。最后给出病毒进化遗传算法的试验仿真结果。

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JIT的并行多机问题的病毒进化遗传算法

为了解决提高顾客对完工时间满意度的提前/拖期调度问题,提出了一种将病毒进化遗传算法和单机问题的有效算法相结合的求解方法。在该方法中,病毒进化遗传算法采用整数编码,简化了算法的实现难度,提高了算法的执行效率。每个染色体都代表完成零件加工的机器编码的组合,通过病毒种群对主种群的病毒感染,提高了逃脱局部极点的搜索能力。在每一代种群中,调用单机问题的有效算法,使达到用户满意度的零件数最大。数值仿真实验表明,该算法具有收敛速度快、优化效果好等特点,且适合于求解大规模问题。

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.