孙媛媛[1]2008年在《基于遗传算法的GSM网络频率规划优化研究与应用》文中认为频率规划与优化是网络优化工作的重要内容之一。频率分配,也称为信道分配问题(CAP),是一个经典的组合优化问题,它要求把有限的可用信道资源分配给众多移动语音或数据用户的同时,产生的系统电磁干扰尽量小。本文所述研究工作采用遗传算法解决GSM网络频率分配问题。首先,给出了信道分配问题的数学模型,该模型利用兼容矩阵描述小区间的干扰约束,并研究了解决CAP问题的遗传算法。该算法用二维分配方案矩阵F＜小区,频点＞对问题进行编码,将矩阵F中违反间隔约束的次数总和作为适应度函数;算法使用改进的轮盘赌选择、两点交叉和选择性变异等遗传算子,经过多次迭代运算,找到使适应度函数值较小的接近最优值的信道分配方案;利用经典的21小区benchmark验证了该算法的有效性。在实际GSM网络中,小区间的干扰关系无法直接转化为兼容矩阵,并且还有其它一些更为复杂的频率分配约束。为此,对上述算法进行改进,实现了面向工程应用的频率分配遗传算法GFA(GeneticFrequency Assignment)。GFA利用小区间同频干扰矩阵和邻频干扰矩阵代替兼容矩阵,将矩阵F中所有小区的同邻频干扰总和作为适应度函数,并通过改进初始化、加入微调等方法来满足实际工程中的各种约束。最后,根据GFA算法,利用C#编程语言、地理信息平台MapXtreme 2004和SQL Server 2005开发了频率规划/优化软件。该软件被应用在广东云浮和惠州地区的频率优化工作中,取得了很好的效果。
盖佳妮[2]2017年在《量子遗传算法的改进与研究》文中指出量子遗传算法(Quantum Genetic Algorithm,简称QGA),它来源于量子计算和遗传算法的有机整合,具有寻求最优解能力突出、计算速率较快和整体计算规模较小的优点。学术界已经证实对于复杂问题的求解,用这种计算方法能够有效的提高精度和运算效率。但是,量子遗传算法在复杂函数优化问题上仍存在迭代次数多、收敛速度慢、较易陷入局部最优解的不足。为此本文基于量子遗传算法的不足作出了改进。具体工作如下:(1)深入研究了量子计算、遗传算法和量子遗传算法基本原理,分析归纳出它们的优缺点。(2)为提高算法的收敛速度和精确度,提出了一种基于小生境改进的量子遗传算法,将小生境协同进化策略引入量子遗传算法的种群初始化过程中对算法进行改进,在更新过程中采用动态调整量子旋转门策略和量子非门变异操作。并通过测试函数(Schaffer函数和DeJong函数)对算法进行验证。(3)由于小生境改进的量子遗传算法加入了量子非门变异操作,使得算法可能丢失优秀的信息,导致算法陷入局部极值。因此,利用Hadamard门变异操作代替了原有的量子非门变异操作,算法在增加种群多样性的同时还避免了在更新过程中丢失优秀信息,提高算法的全局搜索能力。(4)为验证改进算法的有效性和可行性,通过经典测试函数对算法进行优化验证,并将改进算法应用到了实际医疗数据分析。
刘开丽[3]2013年在《粒子群优化算法的研究与应用》文中研究说明遗传算法(Genetic Algorithm, GA)是基于对自然界中的种群进化机理和生物遗传机理的模仿,对种群中的个体进行具有概率性的选择、变异和交叉操作。量子理论为我们揭示了微观物质世界的规律,为人类表述自然界提供了新的方法,将量子理论引入智能算法研究中,使粒子具有量子行为可以很好地克服原算法存在的缺点,因此基于量子理论的算法研究也是当今研究的热点。粒子群优化(Particle Swarm Optimization, PSO)算法是一种通过模仿自然界中鸟群寻找食物的现象来构建数据模型的仿生优化算法,因其参数较少,搜索过程简单,且搜索效果较好,算法一经提出便受到学术界的广泛关注,并应用于函数优化、神经网络训练、工程应用等诸多领域。目前存在的许多改进算法,虽然在一定程度上提高了算法性能,但算法的收敛速度、如何更好地收敛到全局最优解等方面仍存在很大的研究空间,因此研究粒子群优化算法与遗传算法、量子理论的融合,从而提高算法收敛速度和寻优效果的改进方法是非常有意义的。随着当今时代市场竞争的日趋激烈,传统的企业运营方式跟不上市场的变化速度,而基于多个独立企业的暂时性利益合作联盟,即虚拟企业,凭借其灵活性、效益性在社会经济活动中地位日益彰显,逐渐成为重要的企业组织形式。因而组建虚拟企业的关键问题,即如何选择合作伙伴也变的尤为重要。本文首先详细介绍了目前较为流行的几种智能优化算法,然后对粒子群优化算法进行了研究,分析了粒子群算法的优缺点；对具有量子行为的粒子群优化(Quantum-behaved Particle Swarms Optimization Algorithm, QPSO)算法进行了研究,并对QPSO算法的参数选择进行改进,提出了改进的量子行为的粒子群优化(Modified Quantum-behaved Particle Swarms Optimization Algorithm, MQPSO)算法,然后将MQPSO算法应用于函数优化中,实验结果表明改进的量子行为粒子群优化算法具有更好的稳定性和更快的收敛速度；在对现有粒子群优化算法及其改进算法研究的基础上,结合遗传算法,对粒子群算法的易局部收敛和收敛速度慢的缺点加以改进,提出了遗传粒子群算法(Genetic and Particle Swarm Optimization Hybrid Algorithm, GPH),并将GPH算法应用于虚拟企业伙伴选择仿真实验中,以找到最优的虚拟企业伙伴组合,实验结果表明了该算法的有效性。
李敏[4]2008年在《资源约束下多项目调度问题遗传算法研究》文中进行了进一步梳理资源约束下的项目调度问题(resource-constrained project scheduling prob1em,RCPSP)是一类应用范围十分广泛的组合优化问题,它研究在满足资源约束和紧前关系约束的前提下,合理安排任务的开始时间和结束时间,从而达到一定的优化目标。这类问题模型丰富,应用背景复杂,因此一直受到研究学者的广泛关注。资源约束项目调度的基本问题是基于单项目调度建立起来的模型,因此该领域的研究成果也多数是用来解决单项目问题。然而,随着市场环境的不断变化和企业项目化进程的不断深入,一个企业往往要面对多个并行的项目,这些项目也必然会为企业的某些资源而产生竞争。本文研究的问题就是如何在满足资源约束的情况下合理安排这些项目的调度计划。解决这类问题的方法主要有精确算法和启发式算法两大类。精确算法计算效率低,而且对解决问题的规模有限制,因此启发式算法一直是这一领域的主要研究对象。本文所使用的遗传算法就属于启发式算法中元启发式算法的一种。遗传算法早已被用于单项目调度问题,并以取得了很好的效果。本文在此基础之上,设计了一种新的编码方式,这种编码方式在任务列表后加了一个随机产生的子项目优先值基因,这个基因的随机性保证了初始种群可以在可行解空间内均匀分布,而且该基因携带的遗传信息,可以保证在后续的算法过程中可以找到能够使项目总工期最短的子项目优先值并遗传下去。另外,本文算法在每次迭代之后,都会利用优秀个体所携带的子项目优先值信息,产生新个体加入到新种群中。这部分新产生的个体一方面可以减低算法过早收敛的可能性,另一方面又利用了遗传信息,维持了种群的整体质量。为了验证算法的有效性,本文参考一个含有6个子项目的问题实例,以该实例为基础,对算法的各个参数进行分析和研究,最后将本算法与其他叁种基于优先规则的启发式算法相比较。结果证明,本遗传算法在解决大规模问题时效果更为明显。
郑晓伟[5]2008年在《基于遗传算法的作业车间动态调度研究》文中研究说明作业车间调度是影响制造业生产效率的重要因素,有效的调度方法与优化技术的研究和应用,对于制造企业提高生产效率、降低生产成本等方面起着重要作用,因而越来越受到学者们的关注。本文分析了作业车间调度的相应需求,并在作业车间静态调度遗传算法研究的基础上,结合滚动窗口技术,进一步研究了基于遗传算法的作业车间的动态调度策略。本文首先介绍国内外作业车间调度研究的方法、发展现状和存在的问题,阐述遗传算法的基本概念、原理和方法。其次,对作业车间调度问题进行了详细的分析,并对数学描述进行了简化,为静态调度算法设计建立了数学模型,并针对遗传算法的编码解码进行了改进、对初始种群产生、适应值函数和遗传算子等进行了设计。再次,通过对作业车间动态调度问题的研究,将滚动窗口技术和作业车间静态调度的遗传算法相结合,研究了以事件驱动和周期性驱动再调度相结合的动态调度策略。最后,根据本文研究的内容,用易语言开发了基于遗传算法的作业车间调度优化原型系统,并用作业车间静态调度算例和动态调度算例对调度优化系统进行了仿真验证。
杨元峰[6]2006年在《基于模拟退火遗传算法的多车场车辆调度问题的研究与应用》文中研究指明近几年来,物流配送作为“第叁利润源泉”受到了国内各行业的极大重视并得到了迅速的发展。在配送业务中,存在着许多优化决策问题,而配送车辆优化调度更是其中的关键一环。考虑到国内外配送车辆调度问题的研究现状和中国配送调度的实际情况、特点,本文围绕有时间窗的多车场多车型车辆调度问题的模型和算法进行了研究和探索,并开发了物流配送优化调度模拟系统,以验证其有效性。具体进行了如下工作:(1)在对有时间窗的多车场多车型车辆调度问题进行描述的基础上,建立了有时间窗的多车场多车型车辆调度问题的基于直观描述的数学模型。(2)将多车场多车型车辆调度问题本身看作一个复杂的组合优化问题进行求解。针对此问题,提出了一种解决该问题的模拟退火遗传算法,该算法有效地利用了模拟退火算法的爬山性,避免了遗传算法的“早熟”现象,提高了算法的收敛速度。同时采用了改进的路径交叉算子(RC'),通过试验数据分析,RC'交叉算子在效率和优化结果上都明显优于单点交叉算子。(3)搭建了物流配送优化调度系统的原型。
孙静[7]2017年在《电子商务企业末端配送若干关键问题的研究》文中研究表明近年来,我国电子商务发展迅速。末端配送是实现电子商务的关键环节,目前却存在不少问题,制约了电子商务企业的发展,而相关的研究也还不够完善。因此,研究电子商务企业末端配送问题具有十分重要的现实意义,有利于企业建立高效的配送体系,提高配送效率和客户满意度,降低配送成本。本文的主要研究方法和成果如下:(1)提出采用热力图解决B2C模式下多个配送站点的选址问题。以热力图反映客户订单的分布,特别是针对海量订单,通过建立大数据下的栅格模型生成瓦片热力图,进而计算多个配送站点的位置。实例分析表明,该方法可以显性、直观地反映订单分布密度,为选址决策提供有力支持。(2)研究B2C模式下配送区域弹性结构设计的方法。在收集数据、选择采样日、地图描点的基础上,划分配送服务带,结合理想客户点数和工作量分区,并在区域交界处设置弹性区以应对需求的变化。(3)针对B2C模式,采用改进的两阶段K-means聚类算法划分配送区域,实现工作量的均衡。该方法贴合实际情况,实用性强。实例分析验证了该方法能够实现工作量均衡、配送成本降低、配送效率提高的目标。(4)研究基于LBS和末端配送的O2O模式的支撑体系。构建该模式基本架构和主干业务流程,研究派单和抢单方法,进行O2O配送平台功能设计和部分界面设计。(5)研究O2O模式下初始静态派单的模型和算法。以配送成本最低为目标建立带时间窗约束取送作业的O2O静态派单模型,并采用改进的混合自适应遗传算法进行求解。实例分析验证了模型的合理性和算法的优越性。(6)研究O2O模式下动态派单的模型和算法。结合滚动时域和动态时间轴处理策略,以快速响应为目标,根据缓冲区分析和迭加分析选定候选路径集,采用动态插入算法求解插入成本最小的派单方案。实例分析验证了算法的正确性和有效性。(7)研究O2O模式下抢单的算法和流程。研究订单紧急程度高、中、低时的算法以及拼单、插单的算法。
谢凯[8]2005年在《排挤小生境遗传算法的研究与应用》文中研究说明在对遗传算法的基本原理、数学基础、各种主要实现技术及研究现状进行简明而深入的综述基础上,本文对一种基于罚函数的排挤小生境遗传算法进行了改进,提高了原算法的搜索效率。 通过对小生境遗传算法的分析,本文还提出了一种新的基于聚类分析的排挤小生境算法。这种新算法将聚类分析、排挤技术有机地结合起来,一方面可以有效地搜索多峰函数空间的多个极值点;另一方面通过调节最小聚类距离,可以控制收敛到的小生境的数目,避免找到无效的极值点;而且这种算法无需事先确定生境的具体数目和生境半径的大小。 本文通过对若干标准多峰优化测试问题的研究,证明了新算法性能的优越。另外,本文还建立了采区优化设计的模型,并用本文提出的算法进行了优化计算。
水勇[9]2014年在《遗传算法的研究与应用》文中认为遗传算法作为进化算法的一种,是根据自然界生物学进化而发展起来的,具有简单、易行、抽象性与鲁棒性特征,广泛应用于各个领域当中,并在实际应用中取得良好的成绩,也因此,引起广大人们的高度重视。遗传算法作为现代一种新兴的技术算法,正处于蓬勃发展阶段,虽然目前关于遗传算法研究与实际应用取得了一定的成绩,但其研究理论基础还相对较少,仍需要进一步的深入研究与内容充沛。本文主要针对遗传算法的理论研究与实际应用两方面进行探讨。
刘敏[10]2013年在《基于病毒进化遗传算法排课系统的研究与实现》文中研究说明1976年S.Even和Cooper证明了排课问题是一个NP完全问题,不存在精确求解排课问题的多项式时间算法,需借助智能算法寻找其较合理和满意的近似最优解。遗传算法通过模拟自然界生物遗传中的“优胜劣汰、适者生存”原则,避免陷入局部最优解,从而实现对最优解或次优解的快速搜索,被广泛应用于函数优化、组合优化等领域,是当今影响深远的进化计算方法之一,但其存在着局部早熟收敛和进化后期搜索速度下降等问题。病毒进化遗传算法通过引入病毒种群的感染、复制和删减操作在实现了种群的生物多样性的同时,又保持了遗传算法原有的同代间基因信息传递,有效的实现了上下代种群之间的纵向遗传信息传递和同代种群的横向进化信息传递,获得了较为满意的算法收敛性能,有效的克服了传统遗传算法固有早熟和收敛性能不佳的缺点。本文借鉴病毒进化遗传算法的思想对排课问题进行了研究与应用,其主要工作如下：1.系统研究了排课问题,并根据课题的实际需要,分析了排课问题的基本要素、各类软、硬约束条件和求解目标,建立了排课系统的数学优化模型。2.在总结了遗传算法在排课问题中的应用研究后,针对排课问题本身的特点,提出一个适宜解决该问题的改进病毒进化遗传算法(Improved Virus Evolutionary Genetic Algorithm,IVEGA),其主要改进在于：(1)改进传统病毒种群的随机生成方式,有效的利用了排课历史数据和约束条件,加快了病毒种群的收敛。(2)针对排课问题设计了一种有效的基因编码方式,使得原有算法更有针对性。使用典型测试函数对该算法的性能进行测试并与其它算法进行比较,表明了该算法的有效性。3.根据IVEGA算法,以Visual Studio2008为工具,使用C#语言实现了一个排课算法原型,并用实际数据进行了测试,测试结果表明,该原型系统能较好的完成排课任务的分派工作。
参考文献：
[1]. 基于遗传算法的GSM网络频率规划优化研究与应用[D]. 孙媛媛. 北京邮电大学. 2008
[2]. 量子遗传算法的改进与研究[D]. 盖佳妮. 渤海大学. 2017
[3]. 粒子群优化算法的研究与应用[D]. 刘开丽. 安徽大学. 2013
[4]. 资源约束下多项目调度问题遗传算法研究[D]. 李敏. 浙江大学. 2008
[5]. 基于遗传算法的作业车间动态调度研究[D]. 郑晓伟. 武汉理工大学. 2008
[6]. 基于模拟退火遗传算法的多车场车辆调度问题的研究与应用[D]. 杨元峰. 苏州大学. 2006
[7]. 电子商务企业末端配送若干关键问题的研究[D]. 孙静. 北京科技大学. 2017
[8]. 排挤小生境遗传算法的研究与应用[D]. 谢凯. 安徽理工大学. 2005
[9]. 遗传算法的研究与应用[J]. 水勇. 软件. 2014
[10]. 基于病毒进化遗传算法排课系统的研究与实现[D]. 刘敏. 湖南大学. 2013