遗传算法的自适应进化策略及TSP问题的遗传优化

本文研究遗传算法的进化策略，提出了一种在遗传操作层次上将局部搜索方法与基本遗传算法相结合，依据遗传群体的环境参量动态地调整遗传算法的进化策略和控制局部搜索强度的自适应进化策略，并结合货郎担（ＴＳＰ）优化问题介绍其具体实现方法，给出实验结果．

基于遗传搜索策略的人工蜂群算法

针对人工蜂群算法收敛速度缓慢、容易陷入局部最优解的问题,将改进的遗传进化机制与蜂群算法相融合,提出了一种遗传蜂群算法。通过引入遗传算法的交叉变异算子,有效地增加了食物源的多样性,减小陷入局部最优的可能;采用了自适应选择食物源的机制,使蜂群在中后期更好地搜索到最优食物源所在区域,进而提高了全局搜索效率;此外,提出了在侦察蜂阶段的局部搜索策略,提高了算法进化的收敛速度。将遗传蜂群算法应用于TSP中,通过对TSBLIB中几个典型问题的实验,结果表明,提出的遗传蜂群算法具有很强的全局优化能力,在求解TSP问题中精度高,收敛速度快,且是一种解决TSP问题的有效方法。

自适应策略的混沌局部搜索遗传算法

提出了一种自适应策略的混沌局部搜索遗传算法(ACLSGA),它是遗传算法中每一代的所有个体经过一次遗传操作之后得到一个最佳个体,通过自适应策略决定是否在最佳个体附近进行混沌局部搜索。4个基本的测试函数优化结果表明:ACLSGA比具有精英保留选择机制的实数编码的遗传算法(RGA)的全局搜索能力强,收敛速度快。

基于牛顿三次插值的自适应差分进化算法

针对差分进化算法易早熟、对参数设置敏感的问题,提出一种基于牛顿三次插值的自适应差分进化算法。运用牛顿三次插值在最优个体附近进行局部搜索,提高算法的搜索速度;设计自适应论证策略评估是否在下一代中使用牛顿三次插值来避免算法早熟;缩放因子F和交叉概率CR均采用自适应学习策略不断更新,避免人为设置参数。采用CEC2013测试集上的28个基准函数进行测试,测试结果表明,对于大部分基准函数,该算法性能均优于其它改进DE算法。

基于改进多种群遗传算法的尾矿坝形变预测

针对遗传神经网络(GA-BP)建立的尾矿坝形变预测模型易出现早熟现象、预测结果不稳定、容易陷入局部最优值的不足,引入一种具有混沌局部搜索的多种群自适应遗传算法。该算法以双种群寻优为基础,改进了遗传参数的计算方式,分别以种群进化中染色体适应度值的集中程度和空间距离的分布作为自适应交叉率、变异率的计算依据应用于不同种群中,提高了种群的多样性和遗传算法全局搜索的能力;同时引入混沌局部搜索技术(CLS),完善了遗传算法局部搜索能力的不足。采用改进的遗传神经网络模型对贵州省白岩尾矿坝三维变形数据进行预测,并与传统的GA-BP和AGA-BP模型预测结果进行比较。结果表明:改进后的模型预测精度更高,结果更加稳定,具有良好的预测效果。

家政服务人员的排班优化问题

家政服务公司的员工排班是一项非常重要的工作,其实质在于通过周密的组织和精确的计划,综合考虑成本最低和服务人员工作时间均衡,实现公司员工的优化配置,其合理性关系到家政服务公司的口碑和效益。本文提出了家政服务人员的排班优化问题,应用分支定界法、遗传算法和基于自适应的混合遗传算法求解,其中基于自适应的混合遗传算法结合了遗传算法和局部搜索的优点,遗传算法用来执行全局搜索使解跳出局部最优,局部搜索进行性能微调,并采用自适应策略改进算法。针对不同的算法,建立相应的数学模型,仿真结果表明通过三种算法都能得到最优解,基于自适应的混合遗传算法性能更优,而且,模型的正确性和算法的合理性也得到了验证。