混合并行遗传算法求解TSP问题

该文应用多种群遗传并行进化的思想,对不同种群基于不同的遗传策略,如变异概率,不同的变异算子等来搜索变量空间,并利用种群间迁移算子来进行遗传信息交流,以解决经典遗传算法的收敛到局部最优值问题,对于TSP(Traveling Salesman Problem)进行了求解,仿真结果表明,该文算法的收敛性能优于经典遗传算法。     

改进遗传模拟退火算法求解TSP

遗传算法和模拟退火算法均是解决TSP的有效方法,分析2种算法各自的优缺点,在已有遗传模拟退火算法的基础上进行改进并用于求解TSP.引用部分最近插入法、部分随机产生初始种群,减小了群体多样性与收敛速度的矛盾.在遗传算法中,使用精英保留策略对选择操作进行改进,保证种群的质量;引入进化逆转算子,使子代继承亲代的较多信息,增强搜索能力.经过国际公认的TSPLIB实验数据仿真验证,改进后的遗传模拟退火算法搜索最优能力提高.     

应用于负荷经济分配的改进差分进化算法

为了求解电力系统负荷经济分配问题,提出一种改进差分进化算法.该算法考虑机组的爬坡约束、出力限制区约束等非光滑费用函数曲线等非线性特性,采用词典排序法处理系统约束来保证算法结果严格满足约束条件,保证了系统的稳定性和安全性.在差分进化算法的交叉算子计算中引入微粒群算法中的个体最优和全局最优的概念,并采用遗传微粒群算法的多点交叉机制,将两者以一定的比率引入试验向量增强算法的局部搜索能力.此算法被应用于一个6台机组的算例,与遗传算法、微粒群算法和标准差分进化算法相比较,改进的差分进化算法的结果质量更好并且更稳定,是求解负荷经济分配问题的一种有效方法.     

基于改进遗传算法的TSP问题研究

通过对遗传算法和TSP问题的研究．提出了离散赌轮选择算子EPMX交叉算子和Dmutation变异算子等，对遗传算法的各个算子进行了改进。利用改进的遗传算法有效的解决了TSP问题．实验验证其与传统的解决方式相比有更好的收敛特性，解的准确性更好。     

继承优秀染色体片段的PSO算法求解TSP问题

粒子群优化算法(PSO)提出至今一直未能有效解决离散及组合优化问题,TSP问题是组合优化问题中一个典型的NP问题.文中参考了离散粒子群算法(DPSO)和遗传算法(GA)解决TSP问题的成功经验,提出了一种继承优秀染色体片段的PSO算法(ECFG-PSO).为避免早熟,在算法中加入了局部查找和二次初始化策略.实验证明ECFG-PSO算法解决TSP问题的效率和规模优于DPSO算法.     

基于差分进化与遗传算法的多普勒外辐射源定位算法研究

在多普勒定位系统中,由于多普勒频率与目标状态存在复杂的非线性关系使得定位求解时无法有效的得到封闭解.针对多普勒无源定位系统,提出了一种基于差分进化算法与遗传算法的多普勒定位算法,该算法充分利用了遗传算法(GA)全局优化能力和差分进化(DE)算法局部优化能力,避免了传统多普勒定位算法中初值对定位精度影响大以及计算复杂度高等问题,可实现快速高精度定位.仿真实验表明:本文所提出的算法具有很好的定位性能.     

免疫算法

本文在分析标准遗传算法的优越性与存在不足的基础上,借鉴生命科学中免疫的概念与理论,提出了一种新的算法——免疫算法.该算法的核心在于免疫算子的构造,而免疫算子又是通过接种疫苗和免疫选择两个步骤来完成的.理论证明免疫算法是收敛的,并结合TSP问题,提出了免疫疫苗的选取与免疫算子的构造方法.最后,用免疫算法对75城市的TSP问题进行了仿真计算,并将其计算过程与标准遗传算法进行了对比,结果表明该算法对减轻遗传算法后期的波动现象具有明显的效果,同时使收敛的速度有较大的提高.     

改进的量子进化算法及其在TSP问题中的应用

针对量子进化算法（Quantum—inspired Evolutionary Algorithm，QEA），在解决实际问题中遇到的困难，提出一种改进的量子进化算法，应用于求解旅行商问题（Travelling Salesman Problem，TSP）,并提出了TSP中的Hamilton圈的随机搜索编码技术。通过求解TSP问题库中的部分问题，表明改进的算法比经典的量子进化算法及免疫遗传算法具有更快的收敛速度和更好的全局寻优能力。     

基于差分进化算法和遗传算法的混合优化 算法及其在阵列天线方向图综合中的应用

阵列天线方向图综合作为智能天线的一项重要技术对于复杂系统的优化问题提出了更高的要求.本文结合差分进化的基本思想和遗传算法的基因交叉和变异方法构建了一种新的混合优化方法.该算法使用差分进化算子作为主要优化手段,结合遗传算法优胜劣汰的基本思想以及其中的交叉和变异方法,通过融合两种优化方法各自的优点,可以显著改善多参数、高度非线性问题的优化结果、提高计算效率.计算机仿真结果表明,与现有算法相比,该算法用于天线方向图综合具有收敛速度快、优化能力强、算法可靠等优势.     

基于遗传算法的改进智能优化蚁群算法

针对蚁群算法加速收敛和早熟停滞现象的矛盾,根据遗传算法的交叉算子、变异算子和粒子群算法的粒子极值,采用一种优化蚁群算法,以在加速收敛和防止早熟停滞现象之间取得更好的平衡.在利用该算法解决TSP问题中,当前解与个体极值和全局极值分别进行交叉操作,产生的解为新的位置信息.通过对50个城市问题进行实验,结果表明,该方法比一般蚁群算法具有更好的收敛速度和稳定性,适合于求解大规模的问题.