N数码问题直接解及优化研究

对于N数码问题,一般解法都使用搜索算法,但是由于其搜索空间巨大,虽然已经应用并改进了很多的搜索方法[1-4],求解的效率一般仍然很低。对于24数码问题,一般搜索方法通常至少需要十分钟以上[5]。更高阶数码搜索时间会呈指数增加,而且往往得不到解。提出N数码问题有解性判定并对有解的问题给出一种直接解法。解法能在很短时间内给出N数码的一个解,不过这个解通常不是最优解。然后再使用搜索算法,以直接解来改变搜索方向,使搜索算法更快收敛于一个较优解。最后通过实验验证算法的有效性。     

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.     

遗传算法的研究与应用

根据遗传算法的一些基本概念以度遗传算法的操作流程。对遗传算法的繁殖算子从数学上给出定义，刻划了繁殖算子的本质。遗传算法是一种基于概率意义上的随机搜索算法。但它是从空间上的一组点而不是一个点出发。因此遗传算法的搜索能力比其他随机搜索算法更强，可以找到全局范围内的最优解。但是。应该注意在遗传算法的应用中，要避免其过早的收敛，防止陷入局部最优解。     

求解0-1背包问题的混合贪婪遗传算法

求解0-1背包问题（KP）的最优解的时候,传统遗传算法（GA）的局部求精能力不足而简单局部搜索算法的全局探索能力有限,针对上述问题,将这两个算法整合并提出了混合贪婪遗传算法（HGGA）。在GA全局搜索框架下增加局部搜索模块,并改进传统仅基于物品价值密度的修复算子,增加基于物品价值的贪婪混合选项,从而加速寻优过程。HGGA一方面引导种群在进化的优质解空间中展开精细搜索,另一方面依靠GA的经典操作算子开拓全局搜索空间,从而达到算法求精能力和开拓能力的良好平衡。HGGA分别在三组数据上做了测试,结果表明在第一组15个测试用例中的12个上,HGGA能够百分百找到最优解,成功率达到80%;在第二组小规模数据集上,HGGA的性能明显好于其他同类GA和其他元启发算法;在第三组大规模数据集上,HGGA较其他元启发式算法具有更好的稳定性和高效性。     

遗传算法求解VRP问题

在分析了许多求解固定车辆路径问题的优化算法后，提出了一种新的求解固定车辆路径问题的遗传算法。该算法的核心在于构建一种新的染色体编码，并且将“Inver-0ver”遗传操作算子与禁忌搜索算法结合起来，利用种群的信息引导种群的进化。引入动态非法检测来淘汰不合法个体，扩展了解空间并加快了搜索速度。经过大量的实例测试，该遗传算法增强了群体演化的质量，提高了算法收敛速度，能够找到比较好的近似最优解。     

基于一种改进的遗传算法的空间聚类分析

空间数据挖掘是数据挖掘的一个研究分支。空间聚类分析是空间数据挖掘的一个重要的研究领域。传统的K-均值方法用于聚类具有收敛速度快、算法实现简单等特点，但容易陷入局部最优，并对初始解敏感。遗传算法是一种全局搜索算法，但是收敛速度较慢。提出一种改进的遗传算法进行聚类，该算法通过全局搜索与局部搜索相结合，取得较好效果。实验表明：文中提出的算法在聚类分析中搜索到全局最优解（或近似全局最优解）的能力要优于经典的K-均值聚类算法，且局部收敛速度和全局收敛性能较好。     

束搜索算法的精度优化研究

启发式爬山搜索算法能高效地实现搜索剪枝,求解实际问题时,能在庞大的假设空间中,找到最优或近似最优解,束搜索算法保持了爬山搜索算法的高效剪枝特性,同时能有效减小爬山搜索收敛到局部最优解的风险,人工智能领域广泛采用束搜索策略。对于宽度为k的束搜索,由于只维持有限的k条搜索路径,提高束搜索算法的搜索精度,重在这k条路径的选择上,但如何选取这k条路径,作者未见描述相关方法的资料,目前多数算法是在每一搜索步选取具有最大启发式性能量度值的k个候选作为进一步搜索的入口。论文简要讨论了束搜索算法,提出了几种合理的候选选取方法以及避免单亲填满的思想,并在UCI测试数据库上进行了对比实验,给出了实验结果。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

基于遗传算法的测试用例自动生成及其改进方法

遗传算法是一种通用的自适应搜索算法。它给测试用例自动生成问题带来了新的解决思路。但是传统的遗传算法应用于测试用例自动生成,重组、突变的随机性容易使种群中多样性遭到破坏,使得算法搜索空间减小,从而导致算法错误地收敛到局部最优值。而且盲目的随机重组和突变又使得搜索的效率非常低。本文介绍一种改进方法,引进突变控制策略和优化解控制策略,可有效提高遗传算法的搜索能力和获取最优解的性能。     

基于改进遗传算法的资源优化配置研究

当前在解决资源优化配置问题时往往使用贪婪算法、遗传算法等.但贪婪算法只能选择一个最优度量标准,所以只能获得度量意义下的最优解而不是该问题的最优解,而如果直接使用遗传算法又存在搜索空间过大、耗时过长的问题.提出了一种新的算法.先基于贪婪算法获得问题的初始解空间,然后对初始解空间进行冲突检测与消解,最后运用改进的遗传算法进行优化获得最优方案.测试算例表明大大缩小了遗传算法的搜索空间,在保证获得最优解的条件下加快了收敛速度并有效防止了种群的退化.提出的算法在突发事务的处理方面具有一定的意义.     

Solving the traveling salesman problem using cooperative genetic ant systems

The travelling salesman problem (TSP) is a classic problem of combinatorial optimization and has applications in planning, scheduling, and searching in many scientific and engineering fields. Ant colony optimization (ACO) has been successfully used to solve TSPs and many associated applications in the last two decades. However, ACO has problem in regularly reaching the global optimal solutions for TSPs due to enormity of the search space and numerous local optima within the space. In this paper, we propose a new hybrid algorithm, cooperative genetic ant system (CGAS) to deal with this problem. Unlike other previous studies that regarded GA as a sequential part of the whole searching process and only used the result from GA as the input to subsequent ACO iterations, this new approach combines both GA and ACO together in a cooperative manner to improve the performance of ACO for solving TSPs. The mutual information exchange between ACO and GA in the end of the current iteration ensures the selection of the best solutions for next iteration. This cooperative approach creates a better chance in reaching the global optimal solution because independent running of GA maintains a high level of diversity in next generation of solutions. Compared with results from other GA/ACO algorithms, our simulation shows that CGAS has superior performance over other GA and ACO algorithms for solving TSPs in terms of capability and consistency of achieving the global optimal solution, and quality of average optimal solutions, particularly for small TSPs.     

量子克隆多播路由算法

BSMA(bounded shortest multicast algorithm)被认为是最好的受限多播路由算法;然而,过长的计算时间限制了其应用.作为一种全局优化算法,遗传算法(GA)被越来越多地应用于解决多播路由问题.与传统的算法相比,遗传算法的全局搜索能力更强,但其易"早熟"的特点使它并不总是能够得到最优多播树.提出量子克隆多播路由算法,有效地解决了"遗传"多播路由算法中的"早熟"问题,量子交叉的引入,加快了算法的收敛速度.算法实现简单、控制灵活.仿真结果表明,该算法的性能优于BSMA算法和传统的遗传算法.     

A fuzzy self-tuning parallel genetic algorithm for optimization

The genetic algorithm (GA) is now a very popular tool for solving optimization problems. Each operator has its special approach route to a solution. For example, a GA using crossover as its major operator arrives at solutions depending on its initial conditions. In other words, a GA with multiple operators should be more robust in global search. However, a multiple operator GA needs a large population size thus taking a huge time for evaluation. We therefore apply fuzzy reasoning to give effective operators more opportunity to search while keeping the overall population size constant. We propose a fuzzy self-tuning parallel genetic algorithm (FPGA) for optimization problems. In our test case FPGA there are four operators—crossover, mutation, sub-exchange, and sub-copy. These operators are modified using the eugenic concept under the assumption that the individuals with higher fitness values have a higher probability of breeding new better individuals. All operators are executed in each generation through parallel processing, but the populations of these operators are decided by fuzzy reasoning. The fuzzy reasoning senses the contributions of these operators, and then decides their population sizes. The contribution of each operator is defined as an accumulative increment of fitness value due to each operator's success in searching. We make the assumption that the operators that give higher contribution are more suitable for the typical optimization problem. The fuzzy reasoning is built under this concept and adjusts the population sizes in each generation. As a test case, a FPGA is applied to the optimization of the fuzzy rule set for a model reference adaptive control system. The simulation results show that the FPGA is better at finding optimal solutions than a traditional GA.     

参数可调的克隆多播路由算法

近年来,时延受限的代价最小多播树问题备受关注.到目前为止,BSMA(bounded shortest multicast algorithm)算法被认为是最好的受限多播路由算法;然而,过长的计算时间限制了其应用.作为一种全局优化算法,遗传算法(genetic algorithm,简称GA)被越来越多地应用于多播路由问题.与传统的算法相比,遗传算法的全局搜索能力更强,但其易"早熟"的特点使它并不总是能得到最优多播树.提出的基于克隆策略的多播路由算法,有效地解决了"遗传"多播路由算法中的"早熟"问题,并通过引入一个可调因子缩小了搜索空间,加快了算法的收敛速度.算法实现简单、控制灵活.仿真结果表明,该算法的性能优于BSMA算法和传统的遗传算法.     

多目标柔性车间调度的二级精选算法

多目标柔性车间调度问题与实际更加符合,是典型的多目标组合优化问题,运用传统算法求解会产生大量的解空间,找到最优解是非常棘手的问题.基于此,提出了二阶优化方法,即基于遗传算法的初级单目标优化和基于多目标决策体系的高级精选优化的组合优化算法.初级优化阶段,采用改进的遗传算法,选用企业最关心的单目标选出一组Pareto解集;...     

遗传算法中排列问题的编码研究

针对排列问题的编码方法一直是遗传算法应用中的重要研究领域。采用各种传统编码方法的编码表示空间通常远远大于实际的问题空间,这不但提高了各算子设计的复杂性,同时很大程度上降低了收敛速度。文章提出了一种针对排列问题基于次序的一维二进制编码方案和两种改良方案,使排列与编码形成了一一映射,最大限度地缩小了编码表示空间与问题空间的差距。采用TSP问题的实验结果表明,文章提出的编码方式具有很好的性能。     

应用布尔遗传算子求解N皇后问题

应用回溯法求解规模较大的N皇后问题时,时间开销巨大。从提出布尔遗传算子角度,增强遗传算法局部搜索性能,与具有良好全局搜索性能的矩阵遗传算子组合应用,对N皇后问题求解。采用自然数和二进制互换的编码方式,应用N皇后的约束条件构造适应度函数,保证了算法的全局收敛性。通过与回溯法和相关遗传算法比较,实验证实了该方法应用于求解N皇后问题,具有良好的搜索效率和求解质量。     

一种面向服务的网格工作流调度算法

面向服务的网格工作流的研究已成为网格领域的研究热点。由网格服务：组成的工作流（GSF）的调度问题是一个典型的NP问题，由于遗传算法具有并行性和全局解空间搜索的特点，非常适合解决这个问题。因此，本文首先给出GSF的GA定义，然后提出基于遗传算法的网格服务工作流调度算法GSFGA，并通过应用实例验证了该算法优于传统的调度算法，作为结论本文指出了下一步的研究工作。     

求解混杂生产调度问题的嵌套混合蚁群算法

蚁群算法作为解决优化问题的有力工具,它的有效性已经得到了证明.由于其生物学背 景,基本蚁群算法被设计来求解复杂的排序类型组合优化问题,在连续空间优化问题的求解方面 研究很少.本文提出一种嵌套混合蚁群算法,用于解决具有混杂变量类型的复杂生产调度问题, 在一种新的最佳路径信息素更新算法的基础上,提高了搜索效率.计算机仿真结果表明,本文提 出的方法在求解此类问题上性能优于另一种基于进化计算的有效方法--遗传算法.     

用并行遗传算法解决带约束并行多机调度问题

遗传算法是一种全局优化的数值计算方法,它存在自然并行性,本文提出了一种解带约束并行多机调度问题的主从式控制网络并行遗传算法,并在PVM环境下实现。计算结果表明,并行遗传算法是有效的,且能适用于大规模并行多机调度问题。