基于分区进化遗传算法的无人船自导航规划研究

为解决无人船中的自导航路径规划问题,先对无人船的任务进行分层研究,再对其中的路径规划层进行分析。在完成航行环境的栅格化处理后,采用分区进化遗传算法(PEGA)对航行路径进行适应度值选取和交叉变异处理,以选出最优航行路径。实验结果表明,PEGA算法具有稳定的寻优性能,在迭代至30代时达到稳定状态,且稳定适应度值为0.58,并且该算法还能通过不同的目标需求完成不同的最优路线规划。

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。

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%。

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。

基于生态种群捕获竞争模型的进化遗传算法

将协同进化的思想运用到遗传算法,是对遗传算法的一大改进和拓展,借鉴此思想,提出了一种生态种群捕获竞争的协同进化模型和基于此模型的改进的进化遗传算法(PCGA)。实验结果表明,该算法在改善未成熟收敛和提高收敛速度方面都具有良好的性能。

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。

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。

最短路由问题的改进单亲进化遗传算法

基于信息素动态更新的蚁群算法(DACO)求解大规模最短路由问题收敛时间过长,单亲进化遗传算法(PEGA)在产生初始种群、选择父体及基因换位等操作中存在随机性太大的问题,论章将这两种算法相结合,提出了基于改进蚁群算法的单亲进化遗传算法(DACO-PEGA),该算法通过控制蚁群周游次数,求得满意可行解或次优解,再将已得路由作为初始种群进行优化改良,求得最短路由。实验结果表明,该算法应用于求解最短路由问题行之有效.

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。

基于多物种进化遗传算法的神经网络结构学习方法

针对神经网络结构设计的问题及一般结构学习方法的不足,提出了基于多物种进化遗传算法(SEGA),并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络的特点,具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。

基于协同进化遗传算法的高速铁路运行调整研究

以加权后总晚点时间最小为目标,以发车间隔、车站到发线数量、列车在区间运行时分等为约束条件建立高速铁路运行调整模型。针对其约束多,运算量大等特点,应用协同进化遗传算法的思想,将决策解和惩罚因子作为2个进化子种群,分别采取合适的编码方式、适应度函数以及交叉变异规则进行问题的求解。最后,以郑武高铁的实际数据为例进行验证。研究结果表明:该方法能有效地完成高速铁路运行调整。

单亲进化遗传算法在多个配送中心选址中的应用

为更好地实现多个配送中心优化选址,在分析物流配送中心的作用及现存的用传统遗传算法进行选址的基础上,提出应用单亲进化遗传算法求解选址模型。首先,将所有的需求点按空间地理位置的关系自然划分为若干个配送区域范围;其次,在每一个配送区域,利用父体所提供的有效边的信息,使用保留最小边的方法对个体进行进化,求得费用最低的优化路径;再以优化路径作为父体,求解从各基因为始点的基因片段之和,选择最佳基因片段组合,得到问题的解。该算法可以有效、快速地求得多个配送中心选址问题的全局最优解。

基于协同进化遗传算法的多议题谈判

以协同进化遗传算法模拟自动谈判是目前智能计算和多Agent系统等领域研究的新课题。针对现有文献仅模拟单议题谈判的情况,该文提出基于协同进化遗传算法和适应度共享小生境技术的多议题谈判模拟算法,以轮流出价谈判协议为例进行仿真实验。实验结果表明,该算法能在策略种群中形成局部小生境,生成近似Pareto最优的策略集。

基于多物种进化遗传算法的神经网络进化设计方法

针对神经网络结构设计的问题与一般结构学习方法的不足,提出了多物种进化遗传算法(SEGA),并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络,具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。

多轮进化遗传算法在电机优化设计中的应用

介绍了应用遗传算法进行电机优化设计的实施方法 ,重点介绍在电机优化设计中参数编译码、初始群体的设定、适应度函数定标、控制参数的设定等的处理方法 ,并针对优化搜索效率与优化精度的矛盾 ,提出采用“多轮进化遗传算法”。实例表明 。

并行启发式进化遗传算法

本文通过对遗传算法 (GA)的过早收敛问题及其解决方法的探讨 ,结合种群分布、多种群进化、迁徙及并行启发式结构等思想 ,提出一种求解全局最优解的并行启发式进化遗传算法 (PHGA) 。

基于病毒进化遗传算法的复杂产品设计任务规划

为提高复杂决策环境下产品设计任务规划的科学性,针对设计项目中资源以知识型员工为主的特点,综合考虑项目时间最短、完成质量最高及设计人员负载均衡等问题建立多目标优化的数学模型.在此基础上,为提高横向搜索能力以获得多样性解,提出了基于病毒进化机制的求解算法,其中引入多种群思想以使算法适用于多目标问题,并采用非支配排序保证算法全局搜索能力.最后通过仿真分析对文中算法进行了验证.

基于动物群落结构的改进病毒进化遗传算法

基于动物群落组织结构提出了一种改进的病毒进化遗传算法。主种群由一个父亲和若干个母亲及单身汉组成,父亲和母亲交叉产生后代,单身汉变异产生后代。病毒分为大病毒和小病毒,在前期迭代过程中,大病毒起作用,在后期迭代过程中,小病毒起作用。实例证明,改进的病毒进化遗传算法性能优于传统的病毒进化遗传算法。

用于模具编程的病毒进化遗传算法

针对模具编程的任务规划问题,提出一种编程任务规划算法。以工期、质量和编程人员负载均衡等为目标,建立多目标优化模型,结合病毒进化遗传算法的横向搜索能力和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)的精英保留策略,求取多样性解,引入多种群思想解决多目标问题。仿真结果表明,该算法求得的近似解分布均匀且多样性较好,与NSGA-Ⅱ相比,其解的分布离最优解的前端更加接近。

协同进化遗传算法中的模块化机制研究

针对在协同进化遗传算法中有重要意义的模块化方法,从生态学与生理学、计算学习理论角度讨论了其基础及特征;同时分析了协同进化遗传算法中的任务分解问题,强调并例证了合理的任务分解是成功应用协同进化方法的一个关键。