基于禁忌递阶遗传粒子滤波的无线传感器网络的目标跟踪

提出了一种禁忌递阶遗传粒子滤波跟踪算法.结合禁忌搜索算法和递阶遗传算法提出一种禁忌递阶遗传算法,用递阶遗传算法作全局搜索,用禁忌搜索算法作局部搜索,该算法能在一定程度上克服早熟问题,避免收敛到局部最优点.仿真结果表明:该算法在大噪声条件下改善了粒子贫乏问题,提高了跟踪精度及速度.     

一种求解装箱问题的混合算法

针对一维装箱问题,在考虑遗传算法早熟收敛问题和禁忌搜索算法自适应优点的基础上,将遗传算法和禁忌搜索法结合起来,提出了基于遗传和禁忌搜索的装箱优化算法,与简单遗传算法相比,该算法具有更好的收敛性能。最后通过实例验证了算法的有效性。     

基于鲶鱼效应粒子群算法的物流配送中心选址

针对标准粒子群算法存在的易陷入局部最优解缺陷,提出了一种基于鲶鱼效应粒子群算法的物流配送中心选址策略(CFPSO)。该算法通过引入自然界的"鲶鱼效应"保持粒子群的多样性,提高了算法的全局搜索能力,使算法寻优速度有明显的提高,最后通过仿真实验对算法性能进行验证。仿真结果表明,相对于遗传算法、标准粒子群算法,CFPSO算法可以获得更优的物流配送中心选址方案,尤其对于大规模物物流配送中心选址问题,该算法的优越性更加明显。     

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。     

基于混合优化算法的带时间窗的车辆调度问题求解研究

论文建立了带时间窗的车辆调度问题的数学模型，并针对遗传算法在局部搜索能力方面的不足，提出将模拟退火算法与遗传算法相结合，从而构造了求解车辆调度问题的混合优化算法，并进行了实验计算。计算结果表明，用这种混合优化算法求解车辆调度问题，可以在一定程度上用模拟退火算法突跳性克服遗传算法在局部搜索能力方面的不足，从而得到质量较高的解。     

一类VRP问题的改进PSO算法求解

VRP问题是物流领域的热点研究问题。在对一类典型的VRP问题建立了数学模型,提出了一种改进粒子群优化算法以求解该模型。算法针对问题设计了顺序编码方案,并引入了局部搜索以提高算法的局部搜索能力。仿真结果表明了所提离散粒子群优化算法求解此类VRP问题的有效性。     

基于遗传-蚁群混合算法求解旅行商问题

作为物流领域中的典型问题,旅行商问题的求解具有十分重要的理论和现实意义.在它的传统求解方法中,遗传算法和蚁群算法被广泛采用,但遗传算法收敛速度慢,蚁群算法易陷入局部最优,在求解旅行商问题上都有一定的缺陷.本文采用遗传-蚁群混合算法,充分利用遗传算法的快速全局搜索能力和蚁群算法的智能性,对旅行商问题求解,并进行了实例仿真.仿真计算结果表明,该算法可以找到最优解或近似最优解,并提高了求解效率.     

粒子滤波算法(PF)在疲劳驾驶检测系统中的应用研究

目前,实现定位跟踪的算法有很多,如卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法等。由于我们实际生活中的系统基本上都是非线性的,因此本文研究的是专门用于非线性非高斯系统跟踪的粒子滤波算法(PF)的基本原理及其具体应用。     

遗传模拟退火算法——黑龙江TSP问题

以黑龙江省29个城市构造TSP问题,通过对实验数据的分析,得出了遗传模拟退火算法在求解精度上优于遗传算法或模拟退火算法。遗传模拟退火算法利用了模拟退火算法局部精确的求解能力补充了遗传算法在局部求解不够精确的弊端,从而加快了求解TSP问题的效率,同时,又将蚁群算法和遗传模拟退火算法做比较,从结果可以看出遗传模拟退火算法求解效果较好。     

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。     

基于混合粒子群算法的车辆路径优化问题研究

设计了一种引入了量子和遗传算法思想的粒子群算法．该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点．避免了基本粒子群算法易陷入局部最优的缺点,提高了求解速度。该算法用于解决车辆路径问题。通过实验表明了这种算法具有较好的性能。     

基于混合粒子发群算法的车辆路径化问题研究

设计了一种引入了量子和遗传算法思想的粒子群算法.该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点,避免了基本粒子群算法易陷入局部最优的缺点.提高了求解速度.该算法用于解决车辆路径问题.通过实验表明了这种算法具有较好的性能.     

基于改进遗传算法的FIR数字滤波器的优化设计

提出了利用基于BP(Back Propagation)神经网络的遗传算法来设计FIR数字滤波器的方法。针对遗传算法很难实现全局最优和搜索速度比较慢的缺陷,提出了改进算法,该算法充分利用了遗传算法的全局搜索功能强和BP神经网络的搜索效率高,优化了搜索时间,提高了算法性能,对于解决大规模多极值优化问题特别有效。最后,以设计低通滤波器的实例验证算法的可行性。     

粒子群算法及其在桁架结构优化设计中的应用研究

本文分析了该算法的主要参数对搜索方向的影响,并对粒子群优化算法在桁架结构优化设计中的应用进行了分析。利用粒子群优化算法与遗传算法分别对两个桁架结构优化设计算例进行求解,将两种算法的计算结果进行了对比,计算结果表明在满足相同的计算精度的前提下,粒子群优化算法的效率更高。因此,基于粒子群算法的结构优化设计是切实可行的。     

车辆数不确定的软时间窗车辆路径问题的改进遗传算法

综合考虑车辆数和行驶距离两种优化目标,提出了VRPSTW的多目标优化模型,同时提出了解决VRPSTW问题的一种改进遗传算法。在算法中,通过适应度函浸透的变化,较好地解决了多目标优化的问题;通过对交叉算子改进,增加了算法的寻优能力,同时又克服了算法对群体多样性的要求;针对遗传算法局部搜索能力弱的问题。加入了2-opt局部搜索方法,很好地弥补了遗传算法的不足。经过实验,本方法能较好地解决VRPSTW问题,从而对运榆决策提供有力支持。     

一种改进的粒子群优化算法

介绍基本粒子群优化算法的原理、特点,并在此基础上提出了一种改进的粒子群算法。通过在粒子初始化时引入相对基的原理使粒子获得更好的初始解,以及在迭代过程中引入变异模型,部分粒子生成相对应的扩张及收缩粒子,比较其适应度,保留最佳粒子进行后期迭代,使算法易跳出局部最优。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

遗传算法在SPLP问题上的应用

就遗传算法在SPLP问题上的应用进行了总结和归纳、并用局部搜索能力很强的爬山算法来优化产生下一代群体,从而使得群体迅速逼近最优,避免陷入局部最优解。     

基于GA-BPNN的上市公司财务预警模型

为了提高财务预警模型的精度，针对BP算法训练过程中容易陷入局部极值而影响预测效果的缺陷，文章应用遗传算法和BP神经网络相结合的混合算法进行改进。通过对深沪两市A股市场74家制造业上市公司样本的实证研究比较。发现混合算法不论对建模样本还是对多期间检验样本，都显示出比传统BP算法更高的预测精度。GA-BPNN算法不仅具有BP算法较强的局部搜索能力，而且也吸收了遗传算法擅长全局寻优的特点，二者的结合可大大提高预测精度。     

基于遗传算法的装配线平衡问题研究

文中针对装配线平衡问题,提出了一种基于可行作业序列的多种群遗传算法。该算法依据可行作业序列产生初始种群,并据此构造交叉、变异算子,以保证后代种群都是可行解;而且多种群的遗传算法,扩大了搜索的空间范围,所以可以有效的避免局部最优的情况发生,而且还能增强算法的运行效率。文章在最后,用实例进行了运行效果的验证。     

平均最优信息粒子群算法在车辆调度中的应用

针对标准粒子群算法在求解车辆调度问题中存在的易陷入局部最优、早熟等缺陷,从粒子群算法本身出发,引入粒子个体与群体的平均信息,提出一种基于平均最优信息的粒子群算法(AVGPSO),该算法利用粒子个体最优信息和全局最优信息的平均值来提高全局搜索能力。将该算法应用到车辆调度问题中,并与标准粒子群算法进行比较。实验结果表明,该算法在解决车辆调度问题中表现出了更优的性能,是解决车辆调度问题的有效方法。