蚁群遗传混合算法在求解旅行商问题上的应用

针对在求解旅行商问题时,蚁群算法易陷入局部最优,而遗传算法收敛速度慢等问题,将蚁群与遗传算法相结合:把蚁群算法每次迭代的结果作为遗传算法的初始种群,并且用遗传算法寻优结果更新蚁群算法的信息素。在用遗传算法处理问题的阶段,引入了两种新的交叉算子,并且提出混合交叉算子的新思想,算法的后期使用贪心搜索和2-opt局部优化算法,成功的避免了算法过早陷入局部最优解的问题,加快了算法的收敛速度。通过仿真,本算法与其他算法进行对比,寻优路径长度明显降低,在求解效率和求解质量上都有更好的效果。     

基于免疫粒子群优化算法的物流配送车辆调度算法

将物流企业的车辆调度问题建模为一个单目标多约束的优化问题,将免疫原理与粒子群优化算法相结合,提出了一个车辆调度的免疫粒子群算法。该算法能在群体进化时注入满足约束的疫苗,从而加快种群寻优的效率,得到质量更高的解。实验结果显示:相比传统的遗传算法和粒子群算法,该方法能够得到更加满意的车辆调度结果。     

基于混合微粒群算法的带时间窗的车辆路径问题研究

本文在基本微粒群算法（PSO）的位置更新中引入了模拟退火算法思想，并改进了模拟退火算法（SA）中的降温操作该算法结合了基本PSO的快速寻优能力和SA的慨率突跳性，避免了基本PSO易于陷入局部最优的缺点，提高了进化后1期算法的收敛精度.把该算法用于解决有时间窗的车辆路径问题（VRHTW），它可以有效地求得有时间窗车辆路径问题的优化解。     

基于免疫粒子群优化算法的物流配送车辆调度算法

将物流企业的车辆调度问题建模为一个单目标多约束的优化问题,将免疫原理与粒子群优化算法相结合,提出了一个车辆调度的免疫粒子群算法.该算法能在群体进化时注入满足约束的疫苗,从而加快种群寻优的效率,得到质量更高的解.实验结果显示:相比传统的遗传算法和粒子群算法,该方法能够得到更加满意的车辆调度结果.     

带时间窗车辆路径问题的混合量子粒子群算法

针对带时间窗的车辆路径问题,采用混合量子粒子群算法对该问题进行了求解,该算法将量子粒子群算法与模拟退火算法相结合．充分发挥量子粒子群算法全局寻优能力强以及模拟退火算法局部寻优能力强的特点,从而能有效地避免早熟。仿真结果表明,该算法不仅收敛速度快,而且还具有较高的求解质量。     

粒子群优化算法的改进与应用

粒子群优化算法是今年来快速发展的一种新的进化算法。本文以标准粒子群优化算法的缺陷为出发点，从不同的角度来展现粒子群算法的改进方向和研究进展。讨论其在不同领域内的应用。最后对粒子群优化算法的发展趋势进行了展望。     

基于改进FOA的SVM参数优化研究

为了提高支持向量机(SVM)分类性能,同时针对果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的特点,提出了一种改进的FOA算法(LFOA),并将其应用于SVM的参数寻优中。该方法在运算个过程中根据果蝇种群的进化程度,动态的将种群分为较差子群和较优子群;较差子群在最优个体的指导下以基本FOA算法进行全局搜索,较优子群则围绕最优个体做Levy飞行,进行精细化局部搜索;两个子群的信息通过全局最优个体的更新和种群个体的重组进行交换。通过对UCI数据库中几个经典数据集的分类测试结果表明,基于LFOA优化SVM参数能够提高SVM的分类性能,效果优于其他几种方法。     

粒子群自进化算法求解物流装箱问题

为了解决当今物流行业中装载货物类型为强异构的情况,提高装载填充率和效率,提出了一种求解三维装箱问题的元启发式算法——粒子群自进化算法。算法包含两部分：极限点构造启发式算法和粒子群自进化规则。极限点构造启发式算法引入了极限点的概念,利用新的极值点思想推导出了三维装箱问题的启发式算法。粒子群自进化规则提出了在货物装载序列中表示粒子的方法,推导了粒子间交叉、变异算子,在极限点构造启发式算法的基础上不断迭代进化完成货物的装载。通过不同结果的比对,证明该算法显著提高了物流装载的空间利用率,强异构货物的平均装载率达到了85%,验证了算法在强异构货物下的有效性与优越性,并给出了货物装载的三维模型。由于实际测试集的缺少,分别为机腹仓装载类和集装板类模型提出了实例生成器,通过生成器的测试集验证了算法在实际应用中的紧凑性、实用性和快捷性。     

关于路径规划的相关算法综述

路径规划算法是智能领域中一项新兴的关键支撑技术;依据路径规划算法的实现原理,将其分为进化型算法与非进化型算法;再依据数学特征将非进化型算法细分为经典数学与几何图论两类;针对每类算法,分别从发展背景、设计思想、优缺点、改进与发展等方面简要归纳分析;最后对路径规划算法的未来发展趋势进行展望。     

基于电力系统调度结构优化方法研究

基于电力系统调度结构优化是电力系统分析的一个重要组成结构优化课题.提出基于高斯扰动和免疫系统理论的自适应差分进化算法和免疫系统理论的自适应差分进化算法。     

基于粒子群算法的线对面的垂直度误差评定

垂直度误差是几何产品互换性的重要指标,对几何产品的质量和性能有很大的影响。粒子群优化算法是一种智能优化算法,在多维空间函数寻优、动态目标寻优等方面有着收敛速度快,易于计算机实现等优点。利用粒子群优化算法拟合垂直度的基本平面,计算结果精度高,并且符合最小区域法评定轴线对面的垂直度误差的要求。     

差分进化算法在传热反问题求解中的应用

本文耦合差分进化算法和数值传热学求解方法,发展了一种新的传热学反问题求解方法。以二维对流换热反问题为例,高精度的反演了热流密度,证明了该算法的正确性和鲁棒性。考察了测量点数目对反问题求解的影响,计算表明存在一个最少测量点数,并给出了确定最少测量点数的方法。研究了测量误差对算法的影响。结果表明该算法具有很强的抗噪能力,证明该算法具有很强的稳定性和实用性。     

基于改进蚁群算法的数控机床主轴优化设计

通过机床主轴结构的分析,建立数学模型优化主轴。改进的蚁群算法,将寻优过程分为粗搜索和精搜索两个步骤,将粗搜索获得的可行解进行变异交叉操作,最后通过精搜索完成整个寻优过程。分别采用改进蚁群算法、基本蚁群算法和常规优化设计对主轴进行优化,对比分析优化结果可知,采用改进蚁群算法优化后体积减少了5.6%,刚度提高了8.2%,并且改进蚁群算法比基本蚁群算法优化耗时减少了36%,比常规优化设计减少了57%,这为机床主轴系统的优化提供了一种切实可行的优化算法。     

基于进化算法神经网络的经济预测

一、基于进化算法的前馈神经网络算法 对ＢＰ网络来说确定网络参数是一个非线性优化问题，而一般使用的方法正是基本的最速下降法。所以ＢＰ算法不可避免地存在一些最速下降法无法克服的缺陷，为了克服缺陷，一些学者如Ｎｏｒｉｏ．Ｂａｈａ选择了随机优化算法以代替ＢＰ算法，取得了一些较好的结果，但不足以证明它比ＢＰ算法更加优越。 在神经网络理论日益成熟的同时，另一种仿生计算方法“进化算法（ＥｖｏｌｕｔｉｏｎａｒｙＰｒｏｇｒａｍｍｉｎｇ）”逐步地发展起来。进化算法是由美国的Ｌ．Ｊ．Ｆｏｇｅｌ、Ａ．Ｊ．Ｏｗｅｎｓ和Ｍ．…     

TS算法视域下物流配送车辆优化调度问题研究

针对传统TS算法的全局寻优能力受限于初始解的质量的缺陷,提出了一种基于改进TS算法并采用C-W算法获得初始解来解决物流配送车辆优化调度问题。首先,定义了车辆调度问题的数学模型,在此基础上提出了一种采用C-W算法来求初始解的方法,在此基础上定义了禁忌算法的禁忌表结构、禁忌长度以及领域的构造,从而定义了一种改进的TS算法。仿真实验证明该方法能有效地解决带时间窗的车辆调度问题,且与传统的TS算法相比,本方法在求解质量和寻优效率上有大幅提高。     

非线性系统模型参数估计的差分进化算法

将差分进化算法用于非线性系统模型的参数估计,通过对谷氨酸菌体生长模型的参数估计进行验证,并与人工神经网络、遗传算法和微粒群算法的优化结果进行了比较。仿真试验结果表明:差分进化算法为非线性系统模型参数估计提供了一种有效的途径,对非线性系统模型的参数估计精度高于人工神经网络、遗传算法和微粒群算法。     

TS算法视域下物流配送车辆优化调度问题研究

针对传统TS算法的全局寻优能力受限于初始解的质量的缺陷,提出了一种基于改进TS算法并采用C-W算法获得初始解来解决物流配送车辆优化调度问题.首先,定义了车辆调度问题的数学模型,在此基础上提出了一种采用C-W算法来求初始解的方法,在此基础上定义了禁忌算法的禁忌表结构、禁忌长度以及领域的构造,从而定义了一种改进的TS算法.仿真实验证明该方法能有效地解决带时间窗的车辆调度问题,且与传统的TS算法相比,本方法在求解质量和寻优效率上有大幅提高.     

物流配送路径优化问题的模型及改进混合算法

在建立带有时间窗的物流配送路径优化问题数学模型的基础上．构造了求解该问题的遗传模拟退火混合算法。该混合算法利用了遗传算法较强的全局搜索能力和模拟退欠算法较好的局部搜索能力,克服了两种算法各自在寻优方面的不足,使其在全局最优搜索和计算速度方面都有了很大的提高。最后经仿真试验证实了混合算法解决物流配送路径优化问题的优越性。     

多策略改进的混合帝国竞争算法

为了克服帝国竞争算法初始帝国分布不均及易早熟等缺陷,提出一种多策略改进的混合帝国竞争算法。通过拉丁超立方抽样改善由于随机产生的帝国在搜索空间分布不均的状况,以达到扩大算法搜索范围的目的。针对算法后期竞争过程中帝国多样性降低过快而导致易早熟,引入人工蜂群算法中引领蜂与跟随蜂之间的信息反馈机制,形成混合帝国竞争算法。多个测试函数的验证结果表明,改进算法提高了算法寻优精度和全局搜索效率。     

基于并行模拟退火算法的VRP问题研究

针对VRP问题构建相应的数学模型,在传统的模拟退火算法的基础上提出一种基于记忆功能的并行模拟退火算法求解VRP模型,并用模拟数据对模型和算法进行了验证。实验结果表明,改进的模拟退火算法求解VRP问题,不仅可以取得很好的计算结果,而且算法的计算效率较高,收敛速度较快,计算结果也较稳定,显示了良好的寻优性能。