采用轮盘赌法的造纸企业生产调度排产模型的优化设计

在传统生产调度模型的基础上,对造纸企业生产调度的排产模型进行了优化设计,引入了一种激励机制,并将工人的心理因素应用到多目标造纸企业生产调度问题中.针对传统方法中权值分配不合理会导致某个目标下非支配解遗失的问题,采用了均值自适应法求解方法,并对交叉和变异策略进行了改进,即采用轮盘赌和精英选择策略保留了优良的个体,使遗传算法中权值系数的设置得到了很大程度的改善,提高了多目标下遗传算法的优化性能.

基于轮盘赌反向选择机制的果蝇优化算法

针对基本果蝇优化算法(FOA)容易陷入局部最优、收敛速度慢和寻优精度不高的缺点,论文提出了使用轮盘赌的反向选择机制,选择扰动后的最优值作为步长变化依据,以保持果蝇群体的多样性从而使得算法保持较好的优化能力。通过对经典测试函数的仿真实验表明,改进的果蝇算法全局寻优能力提高,且具有更快的收敛速度和更高的寻优精度。

一种基于轮盘赌选择的改进遗传算法

遗传算法是将遗传学与自然选择结合的自适应搜索过程,是一种解决复杂问题的有效手段。针对遗传算法中存在的"早熟"收敛问题,采用改进的轮盘赌选择法对算法选择过程进行改进。仿真实验结果表明,改进算法可有效提高收敛精度。

一种改进选择算子的遗传算法

遗传算法(Genetic Algorithm,GA)是一种模拟生物进化的智能算法,被广泛应用于求解各类问题。简单遗传算法(Simple GA)仅靠变异产生新的数值,常常存在搜索精确度不高的问题。针对这个问题,对SGA的选择算子进行改进,即把相似个体分在同一组中,以组为单位进行选择,并通过该组个体的特点进行高斯搜索生成新的群体。这样使得GA在搜索过程中不仅可以很好地保持个体的多样性,并且可以提高解的精确度。通过对11个函数(单峰和多峰)的仿真实验,证明了采用新的选择算子后,GA在求解问题的精确度上有了很大地改善。

求解TSP问题的改进果蝇优化算法

基于求解TSP问题,提出一种改进果蝇优化算法(GFOA),该算法结合TSP问题的特点,把果蝇优化算法的连续空间对应到离散规划,利用轮盘赌法初始化路径,并把遗传算法的交叉、变异操作应用于路径的寻优,同时利用C2Opt算子对局部最优路径进行优化,加快局部搜索能力和收敛速度。通过对13个TSPLIB标准库的TSP算例进行仿真实验,实验结果表明,提出的算法在较小规模算例中能以较少的迭代次数和运行时间快速收敛到已知最优解,在较大规模算例中能接近理论最优解,具有较快的收敛速度和较高的收敛精度。

基于改进遗传算法的社区挖掘研究

传统遗传算法应用于社区挖掘时初始种群划分精确度不高,且容易降低算法整体搜索性能。为此,提出一种改进的遗传算法,并将其引入到社区挖掘研究中。结合结构相似度与轮盘赌选择法,使染色体的每个基因趋向于选择结构相似度较大的邻居节点,提高初始种群的社区划分质量并加速算法收敛速度。实验结果表明,在人工基准网络中,该算法的初始种群划分精确度和模块度比传统遗传算法平均提高18%和12%,整体划分精确度比FEC和FN算法平均提高24. 02%和22. 01%,在真实世界网络中,社区划分精确度均优于FN、FEC和LPA算法,从而验证该算法具有较好的社团挖掘性能。

混合粒子群算法的软件测试数据自动生成

针对全连接拓扑结构的粒子群算法在生成测试数据过程中,存在收敛精度低,易陷入局部极值的问题,提出一种混合粒子群算法HPSO,并将其应用于测试数据自动生成。该算法在保证全局收敛性的前提下,对多样性匮乏的种群,首先采用定长环形拓扑结构取代粒子群的全连接拓扑结构;其次,采用轮盘赌方法选择候选解,更新粒子位置信息和速度信息;最后引入条件禁忌算法,对处于局部极值的粒子采取禁忌处理。通过实验比较表明:与基本粒子群算法(BPSO)相比,HPSO使种群多样性得到大幅度提升;在测试数据生成性能上,HPSO的搜索成功率和路径覆盖率均优于遗传算法与粒子群算法混合算法GA-PSO,而平均耗时与BPSO算法相当,性能表现优越。

独立生命素的最大-最小子集调度算法

为实现传感器网络生命周期的最大化,针对网络中节点的调度问题展开研究.提出一种独立生命素的最大-最小子集调度算法(Maximum-Minimum Set Dispatching Algorithm Based on Respective Biogen,MMDARB).该算法以独立传感器节点子集的生命素为筛选因子,通过轮盘赌法的方式,建立最大不相关且代价最小的激活节点子集(简称最大-最小子集),以尽可能少的节点实现对区域的覆盖.经对比实验验证,算法MMDARB具有更高的计算效率,所生成的最大-最小子集,以更少的能量消耗,保证了网络覆盖率≥97%,有效的延长了网络生命周期.

基于遗传微粒群算法的工程项目工期优化研究

企业的项目管理活动均会涉及到两个重要的绩效管理目标,即项目最小工期和最优资源配置。研究了在资源有限的情况下工期最优问题。运用遗传和微粒群相结合的优化算法,解决了标准粒子群算法容易陷入局部最优,从而出现所谓的"早熟"现象。通过对某工程项目工期优化的实例分析,用Matlab 7.0软件编程,验证了算法的有效性,即循环计算1万次,经四舍五入圆整处理,得到最优工期为35天,比初始值计算结果减少3天。项目工期优化分析认为:还需要拓展研究模型参数的科学取值和独立制作软件模块供各类企业方便使用等问题。

基于遗传算法的加工参数优化的研究

为了避免选择过于保守的参数值,科学合理地选择切削加工参数,提高生产效率,根据实际的生产条件,以机床、刀具和材料等情况为约束,建立以最高生产效率为目标的函数,运用遗传算法进行参数的优选,为新机床、新工艺确定最优的切削参数。

基于改进遗传算法的商标多特征权值分配

提出一种改进的遗传算法用于解决商标图像检索中的多特征权值分配问题。针对以往的传统分配方法所存在的不足,提出了利用改进的遗传算法来分配权值。主要方法是将遗传算法中的轮盘赌选择与最优解保存法结合,并将染色体基因重新排列后进行交叉。把遗传算法用于图像检索系统的多特征权值分配,并将得到的特征权值用于商标图像检索系统,目的是为了提高检索系统的效率和精度,而且通过这种方法得到的权值检索出来的结果也比较符合人的视觉感官。

多用户检测中一种改进选择法的模拟退火遗传算法研究

将模拟退火遗传算法应用到多用户检测技术中,可以降低了检测算法的复杂度并有效解决移动通信系统中存在的多址干扰等问题。当网络相对空闲时,模拟退火遗传算法检测器筛选用户信息的精确度会下降。对此,提出了将一种改进的模拟退火遗传算法应用到多用户检测技术中,即基于期望值选择法的模拟退火遗传算法。从理论分析可以看出基于期望值选择法的模拟退火遗传算法比传统的模拟退火遗传算法的精确度更高,仿真结果也表明基于前者的检测器性能明显优于后者。

3.8μm和1.55μm激光辐射在雾中传输特性的数值计算

雾是影响自由空间光通信性能的不可避免的天气因素,选择合适的激光波长可以有效的降低其影响。文中针对薄雾、雾、霾三种大气能见度,在不同传播距离条件下,计算分析了均处于大气吸收窗口的中红外波长3.8μm和近红外波长1.55μm的传输特性。利用Monte Carlo方法对大量光子沿水平方向的传播特性进行数值模拟,俄罗斯轮盘赌法判定光子是否"湮灭"。计算不同接收面半径和相对光强的关系,不同大气能见度和不同传输距离下光子的透过率。结果表明3.8μm波长相对于1.55μm波长,在同样的接收面半径下光强更集中,同样的传播距离下光子透过率更高,更不易受大气能见度的影响,所以3.8μm波长比1.55μm更适合在雾中进行水平链路的自由空间光通信。

综合考虑充电需求和配电网接纳能力的电动汽车充电站规划

综合考虑充电需求和配电网接纳能力的电动汽车充电站规划对电动汽车和配电网协同发展具有重要意义。对电动汽车出行大数据进行数理统计,获取出行和充电行为特征指标;以此为基础用马尔科夫原理和轮盘赌法模拟目标数量下电动汽车的出行链,预测充电需求时空分布,获得配电网各节点充电需求不可达率和不满足率;进而筛选候选站址和接入方案,采用熵权修正的层次分析法评估配电网对候选接入方案的接纳能力;以建设运营总成本最小为目标建立充电设施规划模型,采用遗传算法求解,通过配电网潮流计算检验规划结果的合理性。IEEE33节点系统案例验证了所提方法的有效性。

基于改进GA-CPSO融合算法的1000 MW机组给水系统建模

为解决现有方法对1 000 MW机组给水系统建模复杂、算法收敛速度慢、精度低等问题,提出一种改进遗传算法融合混沌粒子群算法(Genetic Algorithm-Chaotic Particle Swarm Optimization, GA-CPSO)。首先,粒子群算法(Particle Swarm Optimization, PSO)中引入了自适应权重和收缩因子,提升粒子寻优能力;在一维Logistic的基础上提出二维Logistic混沌映射,避免寻优过程中陷入局部最优解;采用轮盘赌选择方法,选取粒子进行下一步的遗传算法优化,提升了全局寻优能力。其次,通过实验仿真数据和现场实际数据验证了改进GA-CPSO算法的精度。将该算法用于1 000 MW机组给水系统,建模精度提高了88.65%,仅需要迭代7次左右即完成收敛。然后,利用数据中加干扰实验进一步挖掘改进GA-CPSO算法的抗干扰能力。实验表明:加入外部大扰动建模误差仅有0.385,算法抗干扰能力强。最后,用皮尔逊相关系数方法验证了机组直流阶段模型间的相关性,相关系数达到了0.9以上,可用一个模型代表。

基于IWOA-SVM的风电功率预测

针对支持向量机预测精度低、收敛速度慢等问题,提出一种改进鲸鱼算法优化支持向量机的风电功率预测模型。将Tent混沌映射引入鲸鱼算法中,使初始种群的分布更加均匀;由于随机抽取猎物具有盲目性,不能充分结合迭代经验对种群进行更新,采用轮盘赌法寻找目标猎物来加快鲸鱼算法的收敛速度,得到改进鲸鱼算法优化支持向量机的风电功率预测模型。将该模型应用到我国东北某处风电场进行风电功率预测,并与其他常用的功率预测模型进行对比分析,仿真结果表明,该模型具有更高的预测精度。

一种优化的量子蚁群算法在旅行商问题上的应用

【目的】量子蚁群算法是一种常见的智能仿生算法,广泛的应用在数学优化、工程技术等领域。该算法在求解旅行商问题时也表现出良好的效果,但当城市规模变大时求解该问题就会出现算法收敛速度慢、早熟、全局寻优能力较弱等问题,为了解决这方面的问题,提出了一种优化的量子蚁群算法。【方法】将部分量子蚁群算法中信息素更新机制与量子旋转角更新机制结合,改进量子选择策略,并将轮盘赌法应用在状态转移规则模型中。【结果】分别使用标准库中的样本和自定义样本,利用Python平台进行实验仿真,通过与其他算法进行比较,并在给出了详细的对比过程。在求解旅行商问题时,提出的算法在最优值差别不大的情况下,减少了早熟,大幅度提高了算法的收敛速度。【结论】提出的算法是有效的,具有一定的实践意义。

基于k-means聚类与蚁群算法的物流配送路径优化

我国外卖行业蓬勃发展,然而配送超时现象时有发生。究其原因,是配送路径规划的不合理,只做到局部距离最短,未从全局出发。本文以某大学某校区外卖配送为例,采用k-means聚类与蚁群算法,并创造性地结合轮盘赌法。通过对物流系统的整体优化,力求总配送距离最短,以达到节省运力,降低配送费用,缩短配送时间,提高配送质量的目的。