解非线性约束规划问题的新型多目标遗传算法

给出非线性约束规划问题的一种新解法。把带约束的非线性规划问题转化成为两个目标的多目标优化问题,并为转化后的多目标优化模型设计了一种新型多目标遗传算法,数据实验表明该算法对带约束的非线性规划问题求解是非常有效的。     

非线性约束规划的极大熵多目标进化算法

解非线性约束规划的困难在于如何处理问题的约束,从问题的约束条件出发构造了一个新的极大熵函数,利用此函数将原非线性约束规划问题转化成了两个目标的多目标优化问题。通过对搜索操作和参数的合理设计给出了一种新的极大熵多目标进化算法。计算机仿真表明该算法对带约束的非线性优化问题求解是非常有效的。     

遗传算法在非线性规划中的应用

非线性规划问题是运筹学中的重要分支之一，广泛应用于各个领域。为了解决非线性规划问题的全局优化问题．该文提出利用具有学习算子的遗传算法来进行求解。实例结果表明，该算法具有良好的求解效果。     

模糊非线性规划对称模型基于遗传算法的模糊最优解*

本文基于扩展原理，借助于隶属函数，对具有一般形式的Ｆｕｚｚｙ数，提出了描述和表达Ｆｕｚｚｙ目标和Ｆｕｚｚｙ约束条件的方法，将一类具有Ｆｕｚｚｙ目标／资源约束非线性规划的对称模型转化为确定性的非线性规划。基于遗传自救的思想提出了Ｆｕｚｚｙ环境下求解非线性规划对称模型的Ｆｕｚｚｙ最优解方法。     

求解非线性规划问题的改进直觉模糊遗传算法

提出一种改进的直觉模糊遗传算法用于求解带有多维约束的非线性规划问题。以遗传算法在迭代寻优中的个体适应度大小构造相应可行解的隶属度和非隶属度函数,将非线性规划问题直觉模糊化转化为直觉模糊非线性规划问题,通过建立直觉模糊推理系统,自适应地调节遗传算法的交叉率和变异率;并采用一种改进的选择策略,将个体按适应度值大小排序、等量分组,对适应度低的个体组随机选择复制,保留不可行解中可能隐含的有利寻优信息,增强种群个体的多样性和竞争性。仿真实验结果表明,该算法求解非线性规划问题时是可行和有效的。     

遗传算法在非线性规划中的应用

非线性规划问题是运筹学中的重要分支之一,广泛应用于各个领域。为了解决非线性规划问题的全局优化问题,该文提出利用具有学习算子的遗传算法来进行求解。实例结果表明,该算法具有良好的求解效果。     

解非线性约束规划问题的分组粒子群算法

文章运用分组粒子群的方法来解决非线性约束规划问题,将粒子群分成几个小组分别进化,几个小组的参数各自随机产生。在一定的间隔时刻对各个小组的粒子进行重新分组和参数的调整,并根据收敛性检查的情况将劣质粒子淘汰重新初始化,这不仅有助于在不同环境进化出的粒子相互取长补短,而且可以有效的防止陷入局部最优。     

基于评价函数的遗传算法求解非线性规划问题

针对具有待式约束和非等式约束的非线性规划问题,通过引进准可行方向、主导准可行方向和可行度等概念,提出描述和度量非可行点（梁色体）的新方法;通过嵌入非可行染色体的信息于评价函数,提出３种改进的评价非可行染色体的新方法;基于新的评价函数方法,提出一种沿权重梯度方向变异的遗传算法（ＥＧＡ）。对测试问题的仿真结果表明了ＥＧＡ算法的有效性。     

一种求解高维优化问题的多目标遗传算法及其收敛性分析

单纯Pareto遗传算法很难解决目标数目很多的高维多目标优化问题，在多个指标之间引入偏好信息，提出的多目标遗传算法使进化群体按协调模型进行偏好排序，改变了传统的基于Pareto优于关系来比较个体的优劣。另外讨论了算法在满足一定条件下具有全局收敛性，典型算例的数学解析和实验验证了其具有较好的收敛性和收敛速度．     

求解多目标优化问题的新遗传算法

给出了求解多目标优化问题的一种新解法。定义了多目标优化问题的非劣方向,设计了方向杂交算子和简单的变异算子。标准算例的计算机仿真结果表明,新算法可以快速地找到一组范围广、分布均匀且数量充足的Pareto最优解。     

用遗传算法求解的非线性规划问题

针对用遗传算法求解非线性规划问题时交叉、变异过程中所产生的新一代近似解合法性问题,提出了预先定界的方法,根据约束条件确定下一代近似解的合法的取值范围。实验证明该方法有效,且能保证在较短的时间里取得较好的结果。     

基于Matlab的非线性规划问题的求解

非线性规划问题是运筹学重要的分支,非线性规划理论及其算法为工程、管理、经济、科研、军事等方面的最优设计提供了有力的工具.论文首先介绍了非线性规划的基本概念和一般形式,并重点讨论了二次规划,一般非线性规划和0-1非线性规划的求解算法及求解过程.并在Matlab R2012a环境下进行仿真,通过结果可以发现,用Matlab求解非线性规划问题,大大简化计算、提高了计算效率和结果的准确性.     

不等式约束的非线性规划混合遗传算法

针对带不等式约束的非线性规划问题,提出了一个混合遗传算法。该算法分为全局探测和局部开采两个阶段,全局探测阶段是通过在有潜力的小生境内嵌入单纯形搜索,快速确定有前景的区域;而局部开采阶段则是在最有前景的区域进行单纯形搜索。该算法增强了局部搜索能力并同时保持种群的多样性,有效地解决了遗传算法的过早收敛和局部搜索能力弱的问题。典型非线性规划算例验证了混合算法的效率、精度和可靠性。     

基于量子遗传算法的非线性无约束优化方法

量子遗传算法(QGA)是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子旋转门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性。非线性无约束优化是典型的工程应用问题,而复杂非线性函数的优化结果往往不能令人满意,如陷入局部最优等。利用量子遗传算法强大的搜索能力,可以很好的解决复杂非线性函数的无约束优化问题,实验表明量子遗传算法在该类问题中的有效性和可行性。     

基于动态Pareto解集的微粒群优化算法及其在多目标规划中的应用

在传统的微粒群优化算法的基础上,提出了一种基于动态Pareto解集的求解多目标规划问题的方法。Pareto解集在每次迭代过程中进行动态更新和信息共享,在加入新产生的Pareto近似最优解同时去除解集中已经不是Pareto解的数据,每个个体随机地与Pareto解集中的结果进行信息交换,从而保证在快速找到Pareto解的同时保持多样性。并通过三个标准的测试函数证明了算法的有效性。     

一种快速收敛的遗传算法

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾，提出了一种新的快速收敛的改进遗传算法。该改进算法设计了与个体适应度相关的变异算子，以及与早熟情况、进化代数和个体适应度有关的移民算法。实例验证表明，该改进遗传算法在收敛速度和获取全局最优解的概率两个方面都有很大的提高。     

三维装箱问题的遗传算法研究

本文以集装箱自动装载系统为例,根据货物放置方向、装载容积等约束条件,给出了有效的解码算法,提出了一种改进遗传算法,并通过实例数据进行了实验结果分析。