基于蜂群遗传算法的0-1背包问题

针对0-1背包问题,本文提出了基于蜂群遗传算法的优化求解方案。该算法包括两个种群,一个主要用于全局搜索,另一个主要用于局部搜索;每个个体采用二进制编码;采用最优个体交叉策略;对当前解的处理措施是将还未装入背包且性价比最好的物品装进背包,直至不能装为止;不符合约束条件的解采用诱变因子指导变异处理;遗传算子包括单点交叉算子、简单变异算子、主动进化算子和抑制算子。本算法充分发挥了遗传算法的群体搜索和全局收敛的特性,快速地并行搜索,有效地克服了经典遗传算法容易陷入局部最优问题。数值实验表明,该算法在求解0-1背包问题中取得了较好的效果,同样可以应用于其它的组合优化问题。

基于改进的蜂群遗传算法求解多选择背包问题

多选择背包问题是组合优化中的典型NP难题之一。针对传统蜂群算法存在的收敛速度慢、易陷入局部最优的缺点,提出改进策略。改进的算法通过设置两个自适应变化的种群雄蜂群和雌蜂群,雄蜂群负责与蜂后交叉操作以保持种群的选择压力,雌蜂群负责自适应变异操作以保持种群多样性,蜂后则根据启发式规则主动进化以局部寻优。根据算法实现的核心思想,仿真实验结果表明,提出的改进算法可以有效避免陷入局部最优,同时通过实例也验证了算法的可行性和有效性。

基于蜂群遗传算法的一维优化下料问题

针对一维下料优化问题,提出了基于蜂群遗传算法的优化求解方案。具体做法是,以实数表示的各零件长度的一个排列作为一个染色体,其中每个零件的长度作为基因;根据自然界蜂群生物学原理设置了两个种群,一个种群主要用于全局搜索,另一个种群主要用于局部搜索;采用最优个体交叉策略;遗传算子包括联赛选择算子,顺序交叉算子,2-交换变异算子和抑制算子。仿真实验结果表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了一维下料问题。

蜂群遗传算法在一维下料问题中的应用

针对一维下料优化问题,根据企业的实际生产情况,考虑能够满足和不满足生产两种情况,建立一个新的优化模型,并使用蜂群遗传算法求解方案。用各零件长度的一个排列作为一个染色体,每个零件的长度作为染色体的一个基因,根据蜂群原理设置两个不同的种群,种群1用于全局搜索,种群2用于局部搜索。实验结果表明,该模型具有一定的实用价值。

蜂群遗传算法及在水库群优化调度中的应用

介绍了一种基于蜂群繁殖原理的改进遗传算法——蜂群遗传算法(BSGA),采用改进的遗传算子解决了传统遗传算法中"选择压力"和"种群多样性"之间的矛盾。将该算法应用于梯级水库优化调度的研究中,通过对清江梯级水库群优化调度的实例计算,得到了合理的全局最优解,验证了BSGA的可靠性和实用性。

求解JSP问题的改进型混合遗传算法

在蜂群进化遗传算法框架的基础上,提出一种求解JobShop问题的新的混合遗传算法。本算法设计保证了算法的收敛性,改善了算法的局部搜索能力,延缓或避免了早熟收敛的发生。OR Library经典算例的仿真结果,证明了算法的有效性。