基于量子遗传算法的WSNs能量均衡路由优化

针对无线传感器网络（WSNs）中传感器节点能量有限,以及单一的传输路径所带来的能量消耗不均衡的问题,引入量子遗传算法对其进行优化。充分利用量子遗传算法高效搜索和全局优化的能力,在综合考虑网络耗能和路径延迟的基础上全局优化路由;并对算法的一些环节如量子比特编码、适应度函数的设计以及量子变异进行了详细的分析与设计。仿真表明：与传统遗传算法相比,量子遗传算法在降低网络能耗,延长网络生命期方面有着优越性．     

新型遗传算法求解车辆路径问题研究

建立有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造有时问窗车辆路径问题的混合遗传算法,并进行实验计算.结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到质量较高的解.     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

单管感应电能传输系统参数全局优化

针对单管感应电能传输系统参数优化中存在的设计参数约束少、参数非全局最优等问题,提出一种参数全局优化算法。将系统效率最高作为目标函数,以原副边电感、电容等关键器件的电压、电流大小为约束条件,将工作频率、原副边电感、电容作为优化变量,建立系统的非线性规划数学模型,采用智能优化算法进行模型解算。为避免算法收敛于局部最优,设计了"遗传算法+模式搜索"的混合算法,即在遗传算法求得最优解的基础上,采用模式搜索进行深度优化。仿真和实验结果表明,提出的方法能从全局角度对系统进行整体优化,单次优化得到所有最优参数,减少了工作量;求解时的混合优化算法具有较优的全局搜索能力,可用于其他约束优化问题。     

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。     

多约束条件车辆路径问题的二阶段遗传退火算法

针对多约束条件的多配送中心有时间窗车辆路径问题,提出了一种二阶段遗传退火算法.在第1阶段,使用遗传算法对客户按供应量和路径长度进行模糊分区;在第2阶段,采用二维变长染色体编码及相应的遗传算子进行混合遗传算法的全局优化.在初始种群生成和交叉、变异算子中采用了随机贪心算法以避免无效解,并利用退火选择来提高种群的多样性.实验结果表明,二阶段遗传退火算法可加速收敛,提高搜索效率,在模糊分区上的搜索速度较之标准遗传算法提高了3～10倍.     

Memetic算法及其在分类中的应用研究

群体智能优化算法Memetic算法(Memetic Algorithm,MA)采用进化算法的操作流程,引入局部搜索算子,使其在问题的求解中保证较高收敛性能的同时又能获得较高质量的解,克服了遗传算法等传统全局优化算法易"早熟"的问题,同时避免陷入局部解。在MA框架基础上,提出了全局动态适应MA算法,采用遗传算法为全局搜索算子,k-means算法为局部搜索算子。使用Java语言实现算法并对UCI中分类实验数据集进行测试,结果表明,将遗传算法和k-means结合的全局动态适应MA在分类问题中具有较高准确率。     

求解单级多资源约束生产批量计划问题的免疫遗传算法

通过对单级多资源约束生产批量计划问题(SLCLSP)模型进行分析,提出了基于免疫遗传算法(IGA)求解该问题的方法.此算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性.实验结果表明,免疫遗传算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,使全局收敛性及收敛速度两方面均得到提高,能有效解决SLCLSP问题.     

基于混合优化算法的岩体渗透系数反演方法

基于遗传算法全局搜索能力强和梯度优化方法收敛速度快的特点,考虑渗透系数反演问题本身的特性,在遗传算法的全局搜索过程中加入基于梯度的局部搜索过程以构造混合优化方法.所提出的算法在保证全局搜索能力的同时,具有较快的收敛速度.结合工程实例检验了所提出算法的全局最优性和快速收敛性.     

遗传搜索优化算法

简述了多峰优化的主要问题及遗传算法的基本概念及算法.在传统的优化方法基础上,引入遗传算法的思想,提出以优化搜索方向向量为研究对象,在连续空间进行优化的遗传搜索优化算法;给出了算法中关键参数的选取方法;最后,给出了该算法的计算实例,结果表明,用该算法能较稳定地找出全局最优点.     

基于Q-IGA动态拟合贝塞尔曲线的路径规划

为在路径规划过程中得到一条适用于实际情况的最优路径,并克服遗传算法自身固有的易收敛于局部最优解和复杂度较高的缺点,提出一种基于Q-IGA（Q-standard Improved Genetic Algorithm）算法动态搜索贝塞尔曲线控制点的路径规划算法. 该算法摒弃利用贝塞尔曲线直接拟合最优路径的静态方式,使路径搜索与控制点搜索两个过程同时进行;并且在选择算子中添加一个判断准则,利用Q值检验法剔除相似度较高的解决方案,增强种群的多样性;与此同时,优化适应度函数,加入机器人体积及转弯角度带来的代价,使选择出的路径是一条距离较短且与障碍物保持安全距离的合理路径. 仿真结果表明,Q-IGA算法比改进人工势场法和混合遗传算法得到的路径更为合理,可降低机器人耗能,减少搜索时间,更适于实际的工业应用.     

一种考虑环境作用的协同免疫遗传算法

在综合考虑了环境对生物进化的影响、免疫算法的结构以及遗传算法部分算子的基础上,提出一种考虑环境作用的协同免疫遗传算法(ESIGA),以实现提高算法搜索速度和全局搜索能力的目标.在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了3个子种群协同进化以发挥克隆环境演化算子的影响,从而提高算法的全局搜索能力.引入的自适应探索算子和克隆环境演化算子,使算法具备了一定的学习能力,可加速搜索和防止早熟.构建的主种群和协同种群相互影响,使得算法对环境具有改良能力,加强了克隆环境演化算子的性能,而精英种群则加强了算法在优质个体邻域的搜索能力.采用13个常用无约束优化问题测试函数对算法做了检验,测试数据表明:ESIGA算法与正交遗传算法相比,其搜索速度要快于正交遗传算法1～2倍,并能够处理1 000维的高维优化问题.     

基于精确目标罚参数的遗传算法

结合一种精确目标罚函数和遗传算法,提出新的算法;算法能将约束优化问题转化为无约束优化问题,同时具有遗传算法的全局搜索能力,避免陷入局部收敛;给出并讨论了精确罚定理,实验结果表明了算法的有效性.     

基于免疫遗传算法的车辆路径优化问题

在研究免疫遗传算法基本理论的基础上,设计了一种用于求解车辆路径优化问题的免疫遗传算法,并进行了实验测试,实验结果表明算法具有良好的全局搜索能力,并且能够有效地克服遗传算法在进化过程中由于种群多样性降低而出现早熟收敛现象的缺点.     

用Powell方法求解不可微函数

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法.混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率.由于只利用函数值信息,混合算法是一种求解可微和不可微函数全局优化问题的通用方法.     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

基于改进遗传神经网络的微硅加速度传感器动态补偿研究

比较遗传算法与神经网络的特点, 并对将遗传算法用于函数连接型神经网络(FLNN)的优点进行了研究.对遗传算法的编码方法、交换和变异操作做了改进,提出了一种融合改进遗传算法的FLNN用于微硅加速度传感器动态性能补偿的新方法.该方法不依赖于传感器的动态模型, 可根据传感器的动态响应数据, 建立补偿模型,采用改进遗传神经网络搜索和优化补偿模型参数,既保留了遗传算法的全局搜索能力,又具有神经网络的鲁棒性和自学习能力.介绍补偿原理及算法, 给出动态补偿网络的数学模型.结果表明, 该补偿方法能克服FLNN收敛速度慢、容易陷入局部极小的缺陷,具有网络训练速度快、实时性好、良好的全局搜索能力、精度高、鲁棒性好及动态补偿器实现简单等优点.     

基于分子优化算法的机器人避障规划

自从Adleman博士利用分子算法成功求解HPP问题,DNA计算引起了人们广泛的兴趣.文中引入了DNA技术并借助生物学理论对其进行改进,提出了新的分子优化算法.并在机器人路径的避障规划中进行了仿真实例,结果显示算法避免了经典遗传算法容易出现的"早熟收敛"和"收敛速度慢"两大难题,继承了遗传算法全局搜索的能力,提高了算法的有效性和收敛速度,在很少的进化代数中就可以求得问题的最优解,适合于路径规划问题.     

一种基于PEGA算法的UAV区域覆盖搜索路径规划方法

为解决不规则区域内UAV最短覆盖搜索路径的规划问题,提出一种新的求解方法。首先,利用机载传感器探测范围对任务区域进行栅格化离散,将区域覆盖搜索路径规划问题转化为一个可求解的旅行商问题;然后,利用多种群并行算法框架及精英策略对遗传算法进行改进并重新设计算法的适应度函数,提出一种并行精英遗传算法用于问题的求解。实验仿真结果表明,提出的求解方法对于UAV区域覆盖搜索路径规划问题具有较好的适用性;提出的PEGA算法收敛速度快,得出的最优解质量较高;通过改进适应度函数能够有效减少远距离两点相连的情况,对于覆盖搜索路径规划结果产生了明显的优化效果。     

基于免疫拉马克的道路洒水车路径问题优化

高效节能地完成道路洒水作业对改善城市环境、节约资源有着非常重要的意义.将道路洒水车路径问题转化为带容量约束的弧路径优化问题,并建立相应的数学模型.根据问题的NP难特性,提出了一种拉马克免疫算法进行求解.算法有效利用了免疫算法全局优化和拉马克学习局部搜索的优势;设计了适合问题求解的锦标赛选择法、顺序交叉法、自适应变异等免疫算子,并设计了拉马克局部搜索策略,避免算法陷入局部最优.实验结果表明,所提算法能得到代价最小的洒水路径.