遗传算法的应用举例

遗传算法作为一种通用、高效的优化算法,已应用到工程计算的各个领域。该文首先简要阐述了遗传算法的基本原理和其操作步骤。同时为了验证其全局的寻优能力,采用MATLAB语言编制程序实现遗传算法对数值优化和旅行商问题的求解,需要说明的是这两类问题的程序编制和求解分别依赖于不同的已有遗传算法工具箱。为了便于说明遗传算法的优越性,分别将对数值优化和旅行商问题的计算结果与用局域搜索法和模拟退火得出的优化结果进行比较。比较结果表明,对于数值优化问题,遗传算法比局域搜索法具有更佳的寻优能力;对于旅行商问题的求解也能得到满意的结果。     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

一类用于连续域寻优的蚁群算法

由真实蚁群觅食行为启发而来的经典蚁群算法,非常适合解决组合优化问题,但经典蚁群算法的离散性本质也限制了其在连续空间问题求解中的应用。为此,提出了一种用于连续域寻优的改进蚁群算法。局部搜索上基于解决离散域问题的经典蚁群优化思想,全局搜索利用类似于遗传算法的交叉、变异操作-称为Ant Diffusion和Ant Walk方法,每代寻优结束后均采用"精英策略"把本代最优个体保留到下一代中。最后,采用改进算法对几个基准函数做了寻优测试,都取得了良好的效果,证明了算法的有效性。     

IT外包进度风险控制的自适应禁忌搜索算法

针对委托代理模式下的IT外包项目的进度风险控制问题构建了双层结构的优化模型.设计了自适应禁忌搜索算法对模型进行求解，该算法将多样化搜索机制与禁忌搜索相结合，在算法运行过程中，根据适应值的反馈自动调整禁忌搜索强度与多样化搜索力度；同时，应用贪婪策略构造初始解，循环交替应用两种邻域结构提高算法寻优能力.实验结果表明，进度风险控制显著地降低了IT外包项目的拖期风险，同时使委托方和代理商双方实现收益最大化.将自适应禁忌搜索算法的实验结果分别与遗传算法、模拟退火算法、禁忌搜索算法、自适应遗传算法和自适应模拟退火算法的实验结果进行了比较：在收敛程度和稳定性方面自适应禁忌搜索算法优于其它算法，并且随着问题规模的增加，该算法的优势更为明显.     

公司班车的协同车辆路径问题

考虑员工上下班时间及早晚高峰期影响班车行驶速度等因素,建立协同车辆路径问题的数学模型.针对蚁群优化算法的缺点,结合具有快速全局搜索能力的遗传算法,并自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混合自适应蚁群优化算法.应用该算法和蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于蚁群优化算法.     

基于二进制蚁群模拟退火算法的认知引擎

在认知无线电系统中,认知引擎依据通信环境的变化和用户需求动态配置无线电工作参数。针对认知引擎中的智能优化问题,提出一种二进制蚁群模拟退火（BAC&SA）算法用于认知无线电参数优化。该算法在二进制蚁群优化（BACO）算法中引入模拟退火（SA）算法,融合了BACO的快速寻优能力和SA的概率突跳特性,能有效避免BACO容易陷入局部最优解的缺陷。仿真实验结果表明,与遗传算法（GA）和BACO算法相比,基于BAC&SA算法的认知引擎在全局搜索能力和平均适应度等方面具有明显的优势。     

蚁群算法在混流装配线调度问题中的应用

混流装配线的调度问题是JIT生产方式中的一个重要问题， 蚁群算法具有通用性、 鲁棒性、并行搜索的优点，可以解决多种组合优化问题．本文利用新颖的蚁群算法解决了混 流装配线的调度问题，得到了较优的可行解(优于目标追随法、模拟退火算法和遗传算法)．     

基于遗传算法的混合优化策略研究

最优化问题是工程设计、科学研究、经济管理等众多领域经常遇到的一类问题。随着待解决问题范围的不断扩大以及优化算法研究的不断深入,混合优化策略已成为解决大规模、高复杂度优化问题的一种重要而有效的方法。介绍了遗传算法、贪婪法、模拟退火算法、禁忌搜索的基本原理,阐述了各种算法的优缺点;针对各单一算法存在的缺陷和不足,对三种以遗传算法为主体框架的混合优化算法进行了分析;最后,指出了混合优化算法存在的问题及今后的发展方向。     

基于遗传算法的混合优化策略研究

最优化问题是工程设计、科学研究、经济管理等众多领域经常遇到的一类问题。随着待解决问题范围的不断扩大以及优化算法研究的不断深入，混合优化策略已成为解决大规模、高复杂度优化问题的一种重要而有效的方法。介绍了遗传算法、贪婪法、模拟退火算法、禁忌搜索的基本原理，阐述了各种算法的优缺点；针对各单一算法存在的缺陷和不足．对三种以遗传算法为主体框架的混合优化算法进行了分析；最后，指出了混合优化算法存在的问题及今后的发展方向。     

遗传算法在多修正因子寻优中的应用

模糊控制系统中的多修正因子校正法是一种方便、有效的控制规则优化方法,其修正因子的选取是一个寻优问题。常见的寻优方法有局部搜索法、模拟退火法和遗传算法。本文基于基本遗传算法,在目标函数的制定方面作了相应改进,并将其应用于上述修正因子的寻优。实验结果表明,该算法能有效求得多修正因子的优化解。     

非线性优化方法在脑电逆问题中的应用与比较

讨论了基于单纯形法(Simplex)、阻尼最小二乘法(LM)方法、混合遗传算法(HGA)等非线性优化方法的脑电偶极子定位问题.仿真结果表明,这些算法在一定条件下均可使用,比较而言Simplex、LM法有 较快的计算速度,而HGA耗时较多.另一方面HGA 对迭代初值要求不高,而Simplex、LM则对此有一定的 要求.特别在对多偶极子源求解时,Simplex、LM有时因初值选择困难而失效,而HGA仍然是有效的.􀁱     

单纯形和人口迁移的混合全局优化算法

针对基本人口迁移算法具有易早熟和精度不高等缺陷,利用人口迁移算法随机产生的点采用单纯形法进行优化,提出了一种基于单纯形法和人口迁移算法的混合全局优化算法。通过典型的测试函数Shaffer,验证了改进后算法的性能,并与10种类型的粒子群优化算法进行比较,结果表明,该文算法能获得比较好的解,收敛成功率高达100%。     

若干新型群智能优化算法的对比研究

随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法（Bat Algorithm,BA）、灰狼优化算法（Grey Wolf Optimization,GWO）、蜻蜓算法（Dragonfly Algorithm,DA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）和麻雀搜索算法（Sparrow Search Algorithm,SSA）,并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。     

Optimizing the Garch Model–An Application of Two Global and Two Local Search Methods

Results from our optimization exercise clearly show the advantage of using the random search algorithms when we anticipate the search for the global optimum to be difficult. When the number of parameters in the model is relatively small (nine parameters) Differential Evolution performs better than Genetic Algorithm. However, when the number of parameters in the model is relatively large (fifteen parameters) the reverse case is true. A comparison of the Quasi-Newton and Simplex methods also shows that both the Quasi-Newton algorithm of shazam and the simplex algorithm of fminsearch are sensitive to starting values. However, allowing shazam to set its starting values or using the PRESAMP option to set the starting values produced the best results for shazam. The general conclusion of this paper is that the choice of optimization technique for difficult optimization problems like the one attempted here should be based on problem attributes. When in doubt, multiple techniques should be applied and the estimated results evaluated.     

Improved backtracking search algorithm for pseudo dynamic active earth pressure on retaining wall supporting c-Ф backfill

Optimization algorithms are effective and powerful tools for solving the non-linear optimization problems. Backtracking Search Optimization Algorithm (BSA) is a newly proposed Evolutionary Algorithm (EA) and has been applied to optimize different complex optimization problems in science and engineering. In the present study, a new adaptive control parameter based Improved Backtracking Search Optimization Algorithm (IBSA) is suggested. Due to the validation of the suggested method, it has been applied to CEC2005 benchmark functions and the simulation results are compared with different existing algorithms. Also, it has been used to determine active earth pressure on retaining wall supporting c-Ф backfill using the pseudo dynamic method. Simulation result shows that the proposed method is suitable to solve such type of problems and the results obtained are found satisfactory.     

求解工程约束问题的新型智能优化算法及展望

为了研究新型智能优化算法的性能和应用前景,选择了近几年提出的6种仿生智能优化算法:哈里斯鹰优化(HHO)算法、平衡优化(EO)算法、海洋捕食者算法(MPA)、政治优化(PO)算法、黏液霉菌算法(SMA)和堆阵优化(HBO)算法,对其性能和在不同带约束的工程优化问题上的应用进行对比分析.首先,对6种优化算法的基本原理进行...     

混沌精英质心拉伸机制的樽海鞘群算法

针对樽海鞘群算法求解精度不高的缺点,提出一种混沌精英质心拉伸机制的樽海鞘群算法。引入改进的Tent混沌序列生成初始种群,以增加初始个体的多样性;选择最优个体采用精英质心拉伸机制,可增强全局搜索能力。将改进算法在12个典型复杂函数和CEC2014函数优化问题上进行仿真实验,并同经典的遗传算法和粒子群算法进行对比。结果表明,混沌精英质心拉伸机制的樽海鞘群算法具有更好的全局搜索能力,寻优精度比标准算法有所增强。在求解高维和多峰测试函数上,改进算法拥有更好的性能。     

改进的万有引力搜索算法在函数优化中的应用

万有引力搜索算法应用于函数优化问题时易陷入局部最优解且优化精度不高。针对这些问题,提出了一种改进的万有引力搜索算法。该算法通过引入反向学习策略、精英策略和边界变异策略,显著地提高了万有引力搜索算法中粒子的探索能力与开发能力,获得了较强的全局优化能力和局部优化能力。通过对6个非线性基准函数进行仿真实验,结果表明：与基本的万有引力搜索算法、加权的万有引力搜索算法和人工蜂群算法相比,改进的万有引力搜索算法在求解复杂函数的优化问题时具有更好的优化性能。     

Global Simplex Optimization—A simple and efficient metaheuristic for continuous optimization

A new hybrid optimization algorithm is proposed for minimization of continuous multi-modal functions. The algorithm called Global Simplex Optimization (GSO) is a population set based Evolutionary Algorithm (EA) incorporating a special multi-stage, stochastic and weighted version of the reflection operator of the classical simplex method. An optional mutation operator has also been tested and then removed from the structure of the final algorithm in favor of simplicity and because of insignificant effect on performance. The promising performance achieved by GSO is demonstrated by comparisons made to some other state-of-the-art global optimization algorithms over a set of conventional benchmark problems.     

遗传算法优化框架中使用嵌入的混合可视化和数据分析的过程设计优化

非线性、非凸、不连续的数学模型的使用,使得过程优化问题难以求解。虽然确定性方法已经取得了重大的进步,但随机方法,特别是遗传算法提供了一种更有优势的方法。然而,遗传算法的性质决定了其不适合求解带有高约束的问题。本文提出了一个适用于高度约束问题的目标遗传算法,算法中的算子：交叉和变异,是在数据分析步骤得到的关于可行区域和目标函数行为信息的基础上定义。数据分析是以平行坐标系中的可视化描述为基础,一种模式匹配算法,扫描园算法,通过学习向量量化的使用被扩展来自动地确定目标函数和搜索空间的关键特征,这些特征被用于确定遗传算子。对石油稳定问题应用新的目标遗传算法,其结果证明了方法的有用、高效和健壮性。作为数据分析的核心,可视化技术的使用也可以用于解释优化过程得到的结果。