基于GA的MTSP问题的研究

目前对于旅行商问题的研究已经到了一个比较成熟的阶段,但是对于多旅行商问题的研究还相对较少。文章针对使所有旅行商路程尽可能平均（即所有旅行商路程的最大值最小）,且所有旅行商的总路程最小的一类多旅行商问题进行研究,通过三交换启发式交叉算子,变换变异算子和矩阵解码方法来优化简单的遗传算法。最后通过仿真试验,验证了该算法的有效性和可行性。     

基于遗传算法的数码问题求解

在人工智能研究中，数码问题常被用来作为一些搜索算法的测试实例。数码问题的搜索空间巨大，对于24数码问题，目前最好的启发式搜索算法找到最优解(最少移动步数)通常也至少需要2．25小时^[1]。遗传算法具有简单、通用、鲁棒性强的特点，适合于在复杂而庞大的搜索空间中寻找最优解。该文给出了求解该问题的遗传算法，并针对遗传算法容易过早收敛的问题，对传统遗传算法进行了改进。通过用多个随机生成的]5数码和24数码问题作为测试实例，本算法均在较短的时间内找到了问题的解，从而证明了算法的有效性。     

多亲杂交算子及其在连续优化中的应用

提出了一种新的杂交算子，即基于邻域的多亲杂交算子，这种算子不仅呈现出多亲杂交的形式，而且内在隐含变异算子的特征。另一方面，为了加快收敛速度，引入了一种自适应的机制根据演化的进度调整邻域范围。实验表明，使用该算子的实数编码遗传算法在优化高维连续函数时是可行而有效的，尤其在BUMP问题的求解上有较大突破。     

求解多背包问题的混合蛙跳算法

针对多背包问题,提出一种改进的离散混合蛙跳算法。算法中对青蛙个体采用十进制整数编码方式,应用遗传算法中的交叉操作来对个体进行更新,扩展了传统混合蛙跳算法模型。将改进的算法用于多背包问题求解,仿真实验表明了所提算法的有效性。     

解决复杂Pareto解集问题的进化算法

针对各种进化算法在解决PS问题上表现出来的脆弱性，提出一种解决复杂PS问题的自适应多目标差分进化算法SA-MODE。根据随机选择的父个体X与当前种群中的个体Y的支配关系，通过改变缩放因子的大小来控制新个体和父个体的距离。当X支配Y则新个体接近X，反之远离X，当X与Y互相不支配则产生2个新个体，一个接近X一个远离X。实验结果表明，在处理复杂PS问题时，SA-MODE与GDE3和NSGA-II相比有更理想的效果。     

求解多选择背包问题的改进差分演化算法

首先将差分演化算法（DEA）的演化机制归结为差异算子（DO）和选择算子（SO）的作用,然后基于离散域上的多选择背包问题（MCKP）,通过重新定义DEA算法的差异算子中的三种基本运算,并采用个体正整数编码方法和处理非正常编码的快速微调策略,提出了一种求解MCKP问题的改进差分演化算法（MDEA）,第一次将DEA用于求解组合最优化问题.对经典MCKP问题实例的计算表明：MDEA算法不但是可行的,而且是高效的.     

粒子群算法的MDVRP仿真研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,路径优化属于NP 难题,问题规模较大,很难得到最优解和满意解.应用粒子群算法是被认为求解NP 难题的有效手段之一,为解决MDVRP(多车场车辆路径)的优化问题,在求解物流配送车辆路径优化问题时提出将粒子群算法与变异操作相结合的求解方式:通过设计一个随群体适应度方差的变化而变化的变异算子,将聚集在局部收敛点附近的粒子打散,进而增强算法跳出局部最优的能力和全局寻优的几率.针对多车场车辆路径问题构造了一种新的编码方式以减少算法的无效迭代.仿真结果表明,采用全局搜索能力有显著提高,并能有效避免早熟收敛问题.     

LSO改进CGA解决多目标作业车间调度问题

针对传统方法在处理作业车间调度问题时很难将库存容量考虑在内的问题,提出了基于局部搜索算子(LSO)改进交叉遗传算法(CGA)的多目标作业车间调度模型。为了提高所提模型的效率,首先设计一种基于关键路径的交叉遗传算子;然后,设计一种新的局部搜索算子来提高遗传算法的局部搜索能力;最后,基于这两种算子,设计混合遗传算法框架,在考虑调度总完成时间的同时将库存容量作为目标进行优化。所提算法的有效性在FT10、LA01、LA06、LA11、LA21和LA36等基准问题测试中得到验证。仿真结果表明,与较为先进的非劣分层遗传算法(NSGA-II)相比,使用所提算法获得了更好的非支配解,从而更好地解决了多目标作业车间调度问题。     

使用遗传算法求解旅行商问题

遗传算法模拟自然界动物的繁衍来解决全局寻优问题,。旅行商问题是典型的组合优化问题,而且非常适于演示遗传算法的基本思想。对于遗传算法的优化,国内外许多专家结合旅行商问题提出了很多算子,结合其中的一些经典算子实现应用遗传算法解决旅行商问题的演示程序。     

改进的蛙跳算法在多目标优化问题中的应用

在介绍原始混洗蛙跳算法的基础上,引入遗传算法中的遗传算子,改进原始蛙跳算法的分组方法,提出一种改进的混洗蛙跳算法用于求解多目标优化问题。改进的算法以多目标0-1背包问题为例进行模拟实验,其实验结果表示,与原始的混洗蛙跳算法相比较,改进的蛙跳算法在求解多目标优化问题上具有更好的性能。     

一种求解MSA问题的自适应遗传算法

多序列比对(MSA)在生物信息学研究中占有重要地位，MSA问题是一个典型的NP问题，遗传算法是求解NP完全问题的一种有效方法。文章针对MSA问题，提出了一种新型自适应遗传算法，根据群体的多样性自适应调节变异概率，有效消除了算法中的欺骗性条件，使用突变算子来确保算法的搜索能力。整个算法模拟了自然界进化的周期性，较好的解决了群体的多样性和收敛深度的矛盾。算法的分析和测试表明，该算法是有效的。     

一种新的混合演化多目标优化算法

在KKT(Karush-Kuhn-Tucker)条件下,m维的连续多目标优化问题的Pareto解集在决策空间是一个(m-1)维的流形(manifold)。随着算法的迭代,当前种群将分布在流形的周围。为充分利用这一规则特性(regularity property)以解决具有复杂PS(Pareto set)的多目标优化问题,本文提出一种基于差分算子和分布估计算子的混合子代生成算法。首先,引入一个参数来指示当前种群的收敛程度,即当前种群解个体所构成的数据的协方差矩阵的前(m-1)个特征值的和与所有特征值的和的比,比值越大,收敛程度越高;进而,根据不同比值,自适应调节差分算子和分布估计算子生成新解的数量。将该算法在tec09系列测试函数上进行仿真实验,并与RM-MEDA、NSGA-II-DE两个算法进行对比,实验结果表明,RM-MEDA/DE算法优于与之比较的其他算法。     

基于双重贡献分配的多目标混合算子进化算法

针对多目标混合算子进化算法中各算子有效选择的自适应问题,提出一种基于双重贡献分配的多目标混合算子进化算法(DCA-MOEA/D).首先,将两种现有的进化算子与两种基于方向引导的差分进化组成算子池,每代个体以轮盘赌的方式从中选择一种进化算子产生子代;然后,根据子代的表现,结合两种方法为各算子分配贡献值,从而确定算子的选择...     

求解TSP问题的遗传算法新方法研究

遗传算法是一种基于自然选择与遗传变异等生物进化机制的全局优化搜索算法。由于它在搜索空间中同时考虑许多点．这样就减少了收敛于局部极小的可能，也增加了处理的并行性。因此可以利用遗传算法研究典型的组合优化实例-TSP问题的求解问题。本文借助于遗传算法，采用新的交叉算子，给出了旅行销售员问题较优解的求解方法。     

模糊聚合算子在医疗诊断中的应用

模糊性是客观世界的固有属性。该文用Dubois的平均聚合算子M和Yager的有序权平均算子OWA来改进Sanchez和Umeyama的诊断模型,使结果更稳定。     

基于毕达哥拉斯模糊Frank算子的多属性决策方法

针对毕达哥拉斯模糊环境下的多属性决策问题，提出一种基于毕达哥拉斯模糊Frank算子的多属性决策方法。首先将毕达哥拉斯模糊数和Frank算子相结合，给出了基于Frank算子的运算法则；然后提出了毕达哥拉斯模糊Frank算子，包括毕达哥拉斯模糊Frank加权平均算子和毕达哥拉斯模糊Frank加权几何算子，并讨论了这些算子的性质；最后提出了基于毕达哥拉斯模糊Frank算子的多属性决策方法，将该方法应用于绿色供应商的选择中。实例分析表明，运用该方法可以解决实际的多属性决策问题，并可以进一步应用到风险管理、人工智能等领域。     

求解多目标旅行商问题的混合遗传算法

一般TSP问题是单目标的,只追求一个性能指标：所走路径最短。然而对于具体的TSP问题,实际中常常需要考虑：路程最短、时间最少、费用最省、风险最小等等多方面的因素。设计了贪婪的复合变异算子（GCM）,引入隔代爬山法算子来提高多目标TSP问题的搜索能力。实验结果表明该算法是有效的。     

INGIOWGA算子的多属性决策方法及其应用

研究了方案的属性评估信息以模糊语言形式给出的多属性群决策问题，在导出的有序加权几何平均（IOWGA）算子理论的基础上，给出了一种区间数广义导出有序加权几何平均（INGIOWGA）算子，利用广义的导出有序加权平均（GIOWA）算子，对专家所给出的对应于各方案的属性评估信息进行了集结，并提出了一种基于模糊语言评估和GIOWA算子的多属性群决策方法。利用该算法对X射线实时成像检测系统方案选择中的判断信息进行集结，并且通过算例说明了该方法的有效性和实用性。     

多智能体差分进化算法

基于多智能体与差分进化算法的各自优势,充分地将对多智能体环境的感知和反作用于环境的能力与差分进化速度和全局寻优能力有机结合,提出一种多智能体差分进化算法.引入差分进化算子以提高智能体更新速度并保持群体多样性,同时应用正交交叉算子以改善智能体协作特性确保有效竞争,并通过局部寻优算子提高算法的寻优精度.对几种典型测试函数进行了测试,实验结果表明所提出的算法具有较强的全局寻优能力.     

求解带容量约束的车辆路径问题的改进伊藤算法

针对车辆路径问题中路径选择未能确定的缺陷,引入蚁群算法对客户点选取规则进行决策。此外,采用冷却进度表作为控制温度变化的参数,将漂移和波动过程同步进行来改进根据伊藤随机过程而设计的伊藤算法,并将改进后的算法应用于CVRP的求解。实验结果表明,改进后的算法能有效求解带容量约束的车辆路径问题,取得了理想的结果。