一种新的动态TSP模型及其求解方法

TSP问题是经典的NP难问题,学者们已经提出很多有效的方法,但大多都是基于静态情形的,然而现实中的TSP问题基本为动态的,动态TSP将是一个更符合实际TSP问题的研究领域。提出了一种基于高斯扰动的动态TSP模型,设计了扰动响应算法,并对反序交叉算子做了改进。实验证明该算法的有效性和新模型的现实意义。     

改进遗传算法对医学题库组卷问题的应用研究

对含分支题的医学题库进行研究,并对遗传算法做了改进,提出了占位符编码方案、扩位交叉算子和重题优化策略.占位符编码方案能分段定长编码的同时累计各题型段的实际分支题量;扩位交叉算子能智能扩展落在分支题段的交叉点,避免因分支题段局部交叉而出现重题和实际分支题量与条件不符等情况;重题优化策略能快速替换重题,有效缩短组卷时间.仿真结果表明,改进的算法能适应不同题型,在不影响一般题型段抽取与进化的同时,精确控制分支题段的总分支题量和质量,是解决医学题库智能组卷问题的一种有效途径.     

大型燃机整套启动过程中的要点和难点分析

大型燃机电站电气总启动试验过程中,发变组系统的工况与常规火电机组不尽相同。结合燃机整套启动电气试验的全过程,总结了不同试验阶段的特点,根据整套启动过程中遇到的问题及其解决方法,提出了电气总启动过程中应采取的策略。     

基于空间距离的多目标进化算法

为提高多目标进化算法的收敛性,提出一种基于空间距离的多目标进化算法.定义一种密度估计指标--树聚集距离,在考虑非支配前沿的同时,利用个体的空间距离及树聚集距离进行个体选择操作.另外,在外部种群的非支配解个数超过规定的种群规模时,用基于个体邻近距离的维护方法对其进行维护.通过6个测试问题和5个方面的测试标准,与NSGA-Ⅱ和SPEA2进行比较,该算法在拥有更好收敛度的同时,保持良好的均匀性和分布广度.     

基于遗传算法智能组卷的去重题方法

针对遗传算法智能组卷过程中出现的重题问题进行研究,提出一种重题优化策略,包括重题甄别和重题替换2个部分。该策略能快速甄别并替换试卷中的重题,同时最大限度地保留整张试卷的优势。实验数据表明,采用该策略的组卷算法能有效缩短组卷时间,同时提高生成试卷的满意度。     

大型发电机组整套启动过程中继电保护策略探讨

大型发电机组整套启动电气总试验过程中,发电机－主变压器组系统的工况与正常运行时不尽相同。基于实际工程发电机组整套启动电气试验的全过程,论述了不同试验阶段的特点。针对整套启动中遇到的问题,提出了继电保护在电气总启动中应该采取的策略,包括：励磁变压器临时试验电源的定值设置依据、同期定值的调整原理、保护的投退原则等。这些策略可供大型发电机启动调试借鉴。     

二维目标下分布性与收敛性结合的种群维护策略

种群维护是多目标进化算法的重要组成部分。针对传统方法在维护过程中只考虑分布性的情况,提出一种分布性与收敛性结合的种群维护策略,该方法用一种邻近个体间的相对趋近关系来表示其适应值,弥补了单纯Pareto支配关系的“粗糙性”,并用一种可调邻域的方法对种群的密集程度进行控制。将其与NSGA-II和SPEA2进行对比,实验结果表明该算法在有效保持种群分布性的同时,拥有良好的收敛性和速度。     

大型发电机组整套启动过程中继电保护策略探讨

大型发电机组整套启动电气总试验过程中,发电机-主变压器组系统的工况与正常运行时不尽相同。基于实际工程发电机组整套启动电气试验的全过程,论述了不同试验阶段的特点。针对整套启动中遇到的问题,提出了继电保护在电气总启动中应该采取的策略,包括:励磁变压器临时试验电源的定值设置依据、同期定值的调整原理、保护的投退原则等。这些策略可供大型发电机启动调试借鉴。     

动态进化环境在组卷中的建模与应用

针对遗传算法组卷易陷入早熟、难以收敛的问题进行研究,结合进化环境对进化过程的影响和引导,对动态进化环境进行建模,提出了一种基于动态变异池的策略。该策略的种群不共享变异池,在每次变异前,根据每个个体的弱点动态生成该个体的变异基因库,以此改善当前变异环境,实施引导性变异,提高解质量。该策略能加速收敛,并在很大程度上提高收敛精度。实验数据表明,采用了该策略的组卷算法能快速生成各项指标都与约束条件十分贴近的试卷,具有很好的实用价值。     

一种多目标进化算法的分布度评价方法

系统分析现存多目标进化算法中分布度评价方法的特点和不足,提出一种基于最小生成树的可变邻域分布度评价方法,通过评价解集在"邻域"内的相对均匀程度,准确给出解集的分布结果,并部分解决现有方法不能对Pareto最优面为非均匀分布的测试函数评价的问题,另外,给出一种解集映射方法,使其在少考虑一维信息同时,保持分布情况不变,实验结果证明该方法的可行性和有效性.