基于多准则的链式智能体遗传算法用于特征选择*

针对简单遗传算法用于特征选择精度不高、过早收敛的问题,提出了一种新的遗传算法——链式智能体遗传算法(LAGA),并与多准则(MC)相结合,从而提出了基于多准则竞争策略的链式智能体遗传算法(LAGA MC)用于特征选择。LAGA引入了链式智能体结构,智能体相互进行竞争选择和自适应交叉,自身进行自适应变异,从而使得该算法能够获得更精确的搜索结果;MC通过对基于单准则进行选择得到的特征子集进行特征位判断,从而确定出最终特征子集,以达到更全面的评价选择结果,获得识别率更稳定的特征子集。实验结果表明,LAGA搜索精度更高,LAGA MC获得的特征子集分类准确率更高、更稳定。     

链式多种群多智能体进化算法

将多种群的进化方式和链式结构的动态邻域引入到多智能体进化算法中,提出了一种链式多种群多智能体进化算法.算法设置了多种群交互的演化结构.各种群中的智能体通过与其动态邻域智能体的竞争、合作及自学习操作来增加自身的能量;动态邻域的链式结构提高了算法的效率、降低了计算复杂度;多个种群之间的信息定期以一定的方式进行交互,增强了种群的多样性,减小了算法陷入局部最优的机率.理论分析和多个测试函数的仿真结果均表明:链式多种群多智能体进化算法在求解高维优化问题上具有很好的性能.     

面向资源分配问题的Q-CF多智能体强化学习

多智能体强化学习算法在用于复杂的分布式系统时存在着状态空间大、学习效率低等问题.针对网络环境中的资源分配问题对多智能体强化学习算法进行了研究,将Q-学习算法和链式反馈(chain feedback,CF)学习算法相结合,提出了Q-CF多智能体强化学习算法,利用一种称为信息链式反馈的机制实现了多智能体之间的高效协同.仿真...     

基于多智能体遗传算法的战术航段优化

针对飞机战术飞行要求和威胁规避目标的问题,采用优势函数和战术规避相结合的原则,将战术航段优化问题转化为路径搜索问题,提出了基于多智能体遗传算法来解决此问题.采用自适应交叉和变异算子,改进自学习算子获取子代的算法,实现了全局最优的结果.通过和传统遗传算法进行仿真比较,相比之下,基于多智能体的遗传算法可以有效利用地形,实现战术飞行.     

基于多智能体遗传算法的无人机突防航线规划

针对无人机突防航线规划中需要威胁规避以及低空突防的问题,结合智能体自学习自适应的特点,提出了基于多智能体遗传算法来解决航线规划问题.采用自适应交叉和变异,改进自学习算子中获取下一代智能体的方法,将智能体和遗传算法的优点结合起来,达到了全局最优的效果.通过和传统遗传算法进行仿真比较,相比之下,基于多智能体的遗传算法可以有效规避威胁源,并能实现低空突防的效果,整体所需的航程代价小,运算速度快.     

多框架融合的调度管理信息智能体集成平台实现

针对铁道电网调度监控管理中自动化孤岛、信息难以集成的问题,提出了一种多框架融合的信息智能体集成新方法;采用JACK体系建立了监控信息智能体,采用公共信息模型实现了状态类、模拟类和控制类交互业务信息流,将多智能体、数据库连接池和Web Service多框架融合实现了调度监控信息集成平台;量测信号4#ZBCBVVDD的测试结果验证了集成平台的有效性.     

基于AGA的最小加权完成时间并行机调度

针对最小化加权完工时间的等同和非等同并行多机调度问题,通过一种新的扩展顺序表达方式编码,采用自适应遗传算法来优化.此编码与调度方案一一对应,并且适于用多种交叉算子.计算结果表明,基于该编码方式的自适应遗传算法是有效的,能适用于大规模等同和非等同并行多机调度问题,且算法操作简单,收敛速度快.     

基于遗传算法的多智能体协作行为研究

协作问题一直是多智能体系统研究的关键问题之一,该文给出了用遗传算法来实现多智能体协作的一种方法。该方法利用遗传算法来解决当多智能体系统无法得到环境信息或得到这些信息代价过高时,如何有效地产生它们的协同运动。利用该方法,对三个智能体协作把箱子搬到目标点,然后改变目标点,让智能体继续完成协作任务进行计算机仿真,结果表明遗传算法在动态环境下实现多智能体协作方面的可行性和有效性。     

异构多核系统任务调度算法研究

为解决异构多核系统任务调度问题,提出一种混合静态调度算法——HSCGS (hybrid successor concerned genetic scheduling),该算法分为启发式算法和遗传算法2个阶段.第1阶段采用所提出的考虑后继节点的列表启发式调度算法(SCLS)产生一个近似最优的调度结果;第2阶段采用针对调度问题改进的遗传算法IGA (improved genetic algorithm),对第1阶段产生的调度结果进行优化.将SCLS与StarPU相结合,实现一种动态调度算法——DSCLS(dynamic successor concerned list scheduling),通过与StarPU上已有调度算法的对比实验表明了DSCLS算法在运行时间和系统吞吐量两方面的优势.     

基于DCOM的动态运输调度多智能体系统研究*

针对物流运输调度中的客户需求动态性和随机性问题的解决,设计了一种基于DCOM的动态运输调度多智能体系统。在多智能体系统中,设计了包括预规划智能体、实时监控智能体、决策智能体和车辆智能体四类智能体。智能体以DCOM式组件形式实现,智能体之间的通信和协调由决策智能体集中执行。通过一个实例验证了系统算法的有效性,同时也为动态运输调度问题的解决提供了一个可参考的思路。     

基于改进NSGA-II的车间排产优化算法研究

针对NSGA-II算法在处理车间排产优化问题中出现的子代种群多样性差、收敛能力差等问题,提出了一种改进NSGA-II的车间排产优化算法。改进NSGA-II算法主要对传统NSGA-II算法的交叉和变异环节,提出新的改进自适应交叉和变异算子,通过对个体拥挤度与种群平均拥挤度进行对比,并结合种群迭代进化过程,将遗传概率与种群个体及种群进化迭代次数关联,避免盲目导向性,提高种群的收敛速度;提出新的均匀进化精英保留策略,通过自适应分层次选取种群个体,解决子代种群多样性差的问题。针对车间排产问题,选择“最大化最小交货提前期”和“最小化最大理想加工时间偏差”作为目标函数,运用改进NSGA-II算法进行实际工程的仿真分析,对比改进前后算法优化的结果,验证了算法的有效性,同时证明了其应用于实际生产排产调度问题的价值参考性。     

基于遗传算法的作业车间调度优化求解方法

针对 job shop调度问题 ,提出了一种遗传算法编码方法和解码方法。该方法根据问题的特点 ,采用一种按工序用不同编号进行的染色体编码方案 ,并采用矩阵解码方法。此编码与调度方案一一对应 ,并且该编码方案有多种交叉操作算子可用 ,无须专门设计算子。算例计算结果表明 ,该算法是有效的 ,适用于解决 job shop调度问题 ,通过比较 ,该遗传算法优化 job shop调度操作简单并且收敛速度快。     

改进的遗传算法在作业调度中的应用

作业调度问题（JSP）是一类典型的NP-hard问题,遗传算法作为一种通用的优化算法在求解JSP中得到了广泛的应用。本文主要针对作业车间调度问题,基于改进的遗传算法 ,根据种群的进化状况,从而确定种群的适应度值,使之能够保持种群的多样化。     

移动Agent多任务调度算法

提出一种可覆盖全部解空间的移动agent多任务分配与调度混合遗传算法。给出问题模型及染色体表示方法,采用禁忌表加随机算法生成初始种群,设计新的交叉机制保证交叉进化解的合法性。为促进算法的收敛,变异个体使用禁忌及任务均衡启发变异算子。还采用保持解的不降性的最佳个体保留策略。2种任务节点、3种通信代价、3种主机节点共18组图的仿真结果表明该算法进化的最优解较标准遗传算法有37.1%的平均改进量。     

Network model and optimization of reverse logistics by hybrid genetic algorithm

The interest about recovery of used products and materials have been increased. Therefore, reverse logistics network problem (rLNP) will be powerful and get a great potential for winning consumers in a more competitive context in the future.We formulate a mathematical model of remanufacturing system as three-stage logistics network model for minimizing the total of costs to reverse logistics shipping cost and fixed opening cost of the disassembly centers and processing centers. And we consider a multi-stage, multi-product and some attach condition for disassembly centers and processing centers, respectively.For solving this problem, we propose a genetic algorithm (GA) with priority-based encoding method consisting of 1st and 2nd stages combined a new crossover operator called as weight mapping crossover (WMX). A heuristic approach is applied in the 3rd stage to transportation of parts from processing center to manufacturer. Numerical experiments with various scales of rLNP models show the effectiveness and efficiency of our approach by comparing the recent researches.     

A steady-state genetic algorithm for multi-product supply chain network design

Supply chain network (SCN) design is to provide an optimal platform for efficient and effective supply chain management (SCM). The problem is often an important and strategic operations management problem in SCM. The design task involves the choice of facilities (plants and distribution centers (DCs)) to be opened and the distribution network design to satisfy the customer demand with minimum cost. This paper presents a solution procedure based on steady-state genetic algorithms (ssGA) with a new encoding structure for the design of a single-source, multi-product, multi-stage SCN. The effectiveness of the ssGA has been investigated by comparing its results with those obtained by CPLEX, Lagrangean heuristic, hyrid GA and simulated annealing on a set of SCN design problems with different sizes.     

《线性代数》课程与Mathematica软件相结合教学的研究

《线性代数》是高等财经本科院校所开设的一门重要基础必修课，学生学习该课程时，在计算方面存在着困难，教学过程中结合使用Mathematica软件不但可以解决计算量大而复杂的问题．而且可以利用软件得到的结果来检验手工算法的准确性，从而达到提高教学质量的目的；另外，可以让学生初步掌握Mathematica软件的使用。     

基于双种群模糊引力搜索算法的舰载机甲板作业调度

舰载机甲板作业调度问题是一类具有NP-hard特性的资源受限多项目调度问题.首先,分析舰载机甲板作业调度问题的工序流程约束和各类资源约束,构建舰载机甲板作业调度混合整数规划模型.然后,基于基本引力搜索算法,提出双种群模糊引力搜索算法用于模型求解.算法采用基于作业时序修正的优先数编码,并采用双种群交替迭代结构,将基于个体的双向对齐技术扩展到种群层面,基于串行调度生成机制产生调度方案.为了提高算法性能,采用边界修正策略修正越界粒子编码,在引力计算阶段,采用模糊逻辑控制策略进行参数自适应控制.最后,通过案例仿真和算法对比验证了双种群模糊引力搜索算法的有效性,所提出的算法适合求解大规模的舰载机甲板作业调度问题.     

多受灾点应急救援车辆调度的优化遗传算法

在多个地区发生灾害后,迫切需要及时救援和物资的快速运输,从仓库调拨物资到受灾点,交通网络规模较大,运输货物类型多样,并且要满足各个受灾点的资源需求、实时路况、运抵时限要求等多个目标约束条件,车辆调度具有较大难度.为解决多重约束带来的困难,根据遗传算法的生物进化理论和群体遗传学机制,建立了车辆应急运输的多目标优化问题模型,设计合适的序列编码方式表示车辆行进路线及运输货物类型;建立了新的优化遗传算法,从编码方式的设计、适应度函数、选择、交叉和变异操作机制的设计三个方面做了创新改进,主动保持优良基因,根据阶段进展调节交叉和变异概率,有效提高好的新模式的产生几率,较好地克服了已有方法的早熟局部收敛所导致的结果偏差较大的不足.多个仿真实验结果表明,优化遗传算法比已有算法在满足送达时限以及送达时间的总长度等方面均有较大提高,对于复杂的调度任务,在保证运抵时限的前提下,可占用更少的车辆,花费更少的行进时间完成物资运输,从而满足多受灾点对物资的实时性需求.     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.