引入奖惩机制的IT外包项目进度风险控制

运用委托代理理论,并针对问题的特点引入奖惩机制,构建了两层的IT外包项目进度风险控制模型。将模拟退火算法与遗传算法混合,设计了模拟退火遗传算法。在仿真实验中分析了奖惩机制对IT外包项目进度风险控制效果的影响。同时,将模拟退火遗传算法的仿真结果分别与模拟退火和遗传算法的仿真结果进行比较,结果表明模拟退火遗传算法在稳定性和收敛性等方面优于其他两种算法。为IT外包环境下的项目进度风险控制决策提供了科学的定量化参考。     

基于退火遗传算法的四阶带通箱设计

四阶带通式扬声器系统对扬声器单元参数和箱体参数的配合要求较高，设计复杂。文章中将模拟退火算法和遗传算法相结合，提出了运用具有全局搜索能力的模拟退火遗传算法(SAGA)来设计四阶带通扬声器系统的方法，该算法避免了单一遗传算法存在的早熟收敛和搜索效率较低等问题，提高了算法的收敛速度。文章中考虑了声导管泄漏损耗的影响，并提出了泄漏损耗的QL值的实际测定方法。测量结果表明理论曲线与实测曲线相吻合，说明模拟退火遗传算法能达到设计要求。     

基于模拟退火并行遗传算法的Otsu双阈值医学图像分割

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

计算智能技术在陶瓷材料优化设计中的应用

综述了计算智能在陶瓷材料优化设计中的应用现状,阐明了利用人工神经网络以及遗传算法预测陶瓷材料性能和组分优化的方法,介绍了人工神经网络、遗传算法与免疫算法和模拟退火算法相结合的高效计算智能方法以及模糊神经网络在材料设计中的应用,分析了陶瓷材料优化设计中存在的问题并提出了今后的研究方向。     

基于自适应模拟退火遗传算法的传感器优化配置研究

针对传感器优化配置组合优化问题,提出了一种基于模态置信度准则MAC的优化算法——自适应模拟退火遗传算法。以模态置信度MAC矩阵的最大非对角元的值极小为目标函数,针对满足传感器数量不变的约束条件问题,提出了二重结构编码遗传算法,并将传统的模拟退火算法改良后,作为一个独立的算子置于遗传算法进化过程中;为了避免出现过早收敛的现象,引入了自适应交叉和变异概率。算例结果表明该混合算法对传感器数目与位置同时实现了优化,得到了满足不同精度要求的传感器优化配置方案。     

缓冲区容量约束下发动机混流装配线排序研究

为解决缓冲区容量约束下发动机混流装配排序问题,以关键部件消耗均匀化和最大完工时间最小化为目标,建立了优化数学模型,设计了一种多目标遗传算法,采用了混合交叉算子和启发式变异方法,并设计了基于帕累托分级和共享函数的适应度函数,将多目标遗传算法和多目标模拟退火算法的优化结果进行了比较。研究结果表明,多目标遗传算法在满意度和计算效率方面均优于多目标模拟退火算法,是一种有效的混流装配线排序问题求解算法。     

组合算法用于空间结构振动抑制的阻尼器优化布置

提出适宜的适应度函数,将遗传算法的种群思想引入模拟退火算法中,构造出遗传算法与模拟退火算法的组合算法,用于空间结构振动抑制的阻尼器位置和数量寻优.通过空间网壳在不同冲击荷载作用下的算例分析发现,若设置合适的控制参数,运用组合算法可迅速准确地找到全局最优解方案.     

基于实数编码的改进遗传算法在结构可靠度中的应用研究

本文将人工智能的关键技术之一演化算法中的遗传算法用于结构可靠度的计算,并在算法中采用实数编码技术及一系列目前较先进的策略和算子,同时将模拟退火的思想引入变异算子。通过算例证明这种改进遗传算法在求解可靠度尤其求解复杂非线性问题可靠度时具有良好收敛性和高效性。     

基于混合算法的单堆垛机多巷道拣选作业调度研究

针对单堆垛机在多巷道自动化仓库中的拣选路径规划问题,建立了求解含周转箱约束的堆垛机拣选作业最短路径数学模型,提出用遗传模拟退火混合算法进行求解。通过Matlab分别对不同算法进行实例仿真,结果表明：该混合算法克服了遗传算法早熟,以及模拟退火算法收敛性慢的缺点,求出的解更优,收敛速度更快,稳定性更好。该混合算法具有可行性和高效性。     

多级分销网络设计及库存控制整合优化模型

从供应链集成的角度出发,基于多目标规划,根据排队论探讨了随机性需求下多级分销网络设计与库存控制的整合优化问题,提出了多级分销网络设计和库存控制整合优化的多目标规划模型.针对遗传算法收敛速度慢、易陷入局部最优等缺点,采用了基于并列选择法的遗传-模拟退火算法混合优化策略.实验证明,模拟退火算法提高了遗传算法的全局搜索能力,改善了遗传算法的求解性能.     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

物流车辆路径问题的混合快速蚂蚁算法

通过分析快速蚂蚁算法的原理和易陷入局部最优的缺点,提出了将贪婪算法和快速蚂蚁算法相结合的混合算法求解物流车辆路径问题.混合算法在最优值未改进次数超过限定次数时,自动调用贪婪算法来寻找一个局部最优解,并调整相应路径上信息素的量.为保证解的多样性,对贪婪算法本身使用随机选择第一个客户的方法进行了调整.用计算实例比较并分析了快速蚂蚁算法、混合算法及其他算法应用到车辆路径问题上的结果,说明了贪婪算法使混合算法跳出局部最优的过程以及混合算法的不足之处.     

基于互信息和混合算法的印刷图像配准

目的为了提高印刷图像配准的精度,提出一种基于混合搜索算法的图像配准方法。方法首先求取图像的归一化互信息,然后利用GA算法(遗传算法)进行全局搜索,得出粗配准参数;最后,利用Powell算法进行局部寻优,得出精配准参数。结果混合算法的配准结果与只用单一Powell搜索算法或只用单一GA搜索算法相比,在各个几何变换方向上得到了更小的配准误差。结论与GA算法和Powell算法相比,文中建议的混合算法配准精确度更高、速度更快。     

钛合金立铣表面粗糙度预测新方法

为实现加工前对表面粗糙度的预测,建立高精度的表面粗糙度预测模型至关重要.针对钛合金立铣表面粗糙度的特点及传统预测方法的不足,提出了表面粗糙度预测新方法.分别用递推最小二乘算法、基本蚁群算法与混合蚁群算法训练模糊系统,混合蚁群算法的收敛效果优于递推最小二乘算法和基本蚁群算法.通过回归分析建立了表面粗糙度的两种经验公式.对各方法所得模型进行测试,结果表明混合蚁群算法训练模糊系统的预测效果优于其他方法,用混合蚁群算法训练的模糊系统进行表面粗糙度预测是可行的.     

求解大规模TSP问题的混合算法

遗传算法求解大规模TSP时呈现出求解时间长、后期效率明显降低等缺陷。通过结合分块方法、局部搜索算法以及禁忌算法,本文提出一个求解TSP的混合算法,以提高初始解质量,减少计算量。利用遗传算法和混合算法对几个TSP进行数值实验,表明无论在结果的质量上还是在运行效率上,混合算法都明显优于遗传算法,而且,规模越大效果越明显。     

Hybrid Approach to Optimal Packing Using Genetic Algorithm and Coulomb Potential Algorithm

It is difficult and computationally time-consuming to find the best possible solutions for blank packing problems, because they include a lot of underlying combinational conditions. This paper presents two approaches for packing two-dimensional irregular-shaped polygonal elements—a real-encoded genetic algorithm and a hybrid algorithm using a real-encoded genetic algorithm and a local optimization algorithm. The local optimization algorithm presented is a novel one utilizing the Coulomb potential technique.

In the hybrid approach, the real-encoded genetic algorithm generates the order of the polygons while the coulomb potential algorithm determines the embodiment layout under the fixed combinations so as to minimize the scrap. The hybrid genetic algorithm is found to give better results for problems of larger size although it takes more computational time.     

Cloud manufacturing resources fuzzy classification based on genetic simulated annealing algorithm

To solve the problem of fuzzy classification of manufacturing resources in a cloud manufacturing environment, a hybrid algorithm based on genetic algorithm (GA), simulated annealing (SA) and fuzzy C-means clustering algorithm (FCM) is proposed. In this hybrid algorithm, classification is based on the processing feature and attributes of the manufacturing resource; the inner and outer layers of the nested loops are solving it, GA obtains the best classification number in the outer layer; the fitness function is constructed by fuzzy clustering algorithm (FCM), carrying out the selection, crossover and mutation operation and SA cooling operation. The final classification results are obtained in the inner layer. Using the hybrid algorithm to solve 45 kinds of manufacturing resources, the optimal classification number is 9 and the corresponding classification results are obtained, proving that the algorithm is effective.     

用混合型蚂蚁群算法求解TSP问题

介绍了求解TSP问题的混合型蚂蚁群算法，并以att532(美国532个城市)为例给出了计算实验结果，说明了混合型蚂蚁群算法能改进标准蚂蚁群算法的计算效率和计算结果的质量。     

一种用于状态预测的神经网络混合算法

本文将神经网络的BP算法和动态随机算法相互补充而形成一种混合算法,它克服了BP学习算法会陷入局部极小和随机算法耗时长的缺点.将这种算法用于齿轮泵出口流量预测,证明了这种算法学习速度快且能收敛于全局极小点.     

背包问题的混合粒子群优化算法

经典的粒子群是一个有效的寻找连续函数极值的方法，结合遗传算法的思想提出的混合粒子群算法来解决背包问题，经过比较测试，6种混合粒子群算法的效果都比较好，特别交叉策略A和变异策略C的混合粒子群算法是最好的且简单有效的算法，并成功地运用在投资问题中。对于目前还没有好的解法的组合优化问题，很容易地修改此算法就可解决