导读:本文包含了蚁群遗传混合算法论文开题报告文献综述及选题提纲参考文献，主要关键词:设备布局,混合算法,优化
蚁群遗传混合算法论文文献综述
孙凯,刘祥[1]（2019）在《基于蚁群-遗传混合算法的设备布局优化方法》一文中研究指出以生产车间设备布局优化的最小物流费用为目标,建立了车间设备布局优化问题的二次分配模型,并采用蚁群-遗传混合算法来对这一模型进行求解.该混合算法将蚁群算法和遗传算法的优点相融合,以蚁群系统的解作为遗传算法的初始种群,克服了蚁群算法的收敛速度慢,容易陷入局部最优以及遗传算法的容易早熟收敛等缺陷,来实现模型的全局最优.本文以某机械厂制造车间为例,运用MATLAB编程实现算法求解,结果显示:应用蚁群-遗传混合算法设计出来的设备布局新方案比原始方案总物流费用节约了10.6%,同时,混合算法在求解车间设备布局优化问题时比蚁群算法或者遗传算法速度更快,效果更好.(本文来源于《系统工程理论与实践》期刊2019年10期）
苏楠[2]（2019）在《遗传与蚁群混合算法实现在线考试系统组卷设计研究》一文中研究指出在线考试系统的算法主要体现在组卷设计模块当中,要实现自主组卷,并且组卷成功率高。生成的试卷在满足试卷的基本约束条件基础上,还要体现试卷的难度控制以及考试区分度。这就需要通过算法来进行设计实现。本文就多种算法进行对比,分析优劣,选取了遗传算法与蚁群算法混合优化,实现组卷设计模块。对两种算法实现在线考试组卷模块的思想和实现方法进行了详细阐述。(本文来源于《现代信息科技》期刊2019年20期）
张惠珍,刘云,倪静[3]（2019）在《基于客户满意度的MOVRPFTW的单亲遗传混合蚁群算法》一文中研究指出为解决基于时间窗和食物新鲜度形成的综合客户满意度,且具有最大运输时间限制的带模糊时间窗的多目标车辆路径问题(MOVRPFTW),建立了相应的数学模型。针对蚁群算法早熟收敛的缺陷,将单亲遗传算法和蚁群算法相结合,利用单亲遗传算法的3种遗传算子和区别于传统遗传算法的两种操作手法,构建了多种单亲遗传混合蚁群算法,并进行算例测试。结果表明:与基本蚁群算法相比,单亲遗传混合蚁群算法求出的解的各项目标的平均值更优;同时,单点单亲遗传混合蚁群算法较多点单亲遗传混合算法在求解此问题中的用时更少、计算效率更高,并且移位算子较其他两种算子具有较好的求解性能。(本文来源于《系统管理学报》期刊2019年05期）
崔元洋,邢晓红,陈思尧,文凯,秦显辉[4]（2019）在《基于遗传混合蚁群算法的公共自行车调度研究》一文中研究指出为了提高公共自行车的使用效率和用户满意度水平,保证国内公共交通服务的合理运行与发展,根据公共自行车用车峰时和谷时的不同调度目标,建立两时期车辆调度模型。用车谷时以调度车路径最短为优化目标,用车峰时以用户满意度最高为优化目标。融合遗传算法(Genetic Algorithm, GA)和蚁群算法(Ant Colony System, ACS),形成遗传混合蚁群算法(Genetic Hybrid Ant Colony System Algorithm, GA-ACS),并将融合后的算法应用于调度模型中,以提升获得优化的车辆调度方案的求解速度和质量。群智能算法在不同数据集上的性能比较结果表明,与传统蚁群算法相比,遗传混合蚁群算法在求解速度和求解质量上都有更好的表现,在较短的时间内至少可以缩短10%的调度路程,因此该算法模型可以用于解决实际的公共自行车调度问题。(本文来源于《交通运输研究》期刊2019年02期）
胡粔珲[5]（2019）在《遗传-蚁群混合算法在排课系统中的研究与应用》一文中研究指出高校教务管理部门在整个教学过程中起着组织、协调以及服务的作用,其中排课是最基础,也是最繁琐的一项任务。由于各高校前期实行扩招政策,目前在校学生数平均达到2万人左右,面对新形势,在教学资源有限的情况下采用传统的人工排课,不仅会使排课压力增大,而且会因为约束条件的迭加,导致排课问题复杂化,所以采用智能排课系统替代传统排课模式是很有必要的。当前排课系统中普遍单一使用遗传算法、蚁群算法、模拟退火算法等算法求解排课问题,求解时有耗时长、易陷入局部最优解等缺陷,因此本文提出一种基于遗传算法和蚁群算法混合的方法求解排课问题。首先,确定了排课过程相关的因素与约束条件,在此基础上建立排课问题的数学模型和衡量课程表优劣的适应度函数,基于以上分析和对排课业务流程的梳理,本排课系统包含信息录入、教务管理、智能排课等模块。其次,在系统中将遗传算法和蚁群算法分别引入排课问题。对遗传算法中染色体编码、冲突检测与遗传算子的操作方式进行设计。在蚁群算法的基础上构建排课问题的二分图模型,并对蚁群算法的不足进行讨论,采用最大-最小蚂蚁系统和动态启发函数对蚁群算法进行改进。为了充分发挥遗传算法和蚁群算法各自的优势,同时克服遗传算法后期无法充分利用反馈信息和蚁群算法初期搜索慢的缺陷,本文将遗传算法和蚁群算法混合的方法应用于排课问题中,结合遗传算法前期搜索效率高和蚁群算法搜索后期能够快速获取最优解的优点,共同解决排课问题,并进行Matlab仿真实验验证混合算法是可行的,仿真结果表明混合算法可解决单一算法缺陷的问题。最后,本文应用遗传-蚁群混合算法在Java平台完成智能排课模块,并基于Spring框架实现排课系统。(本文来源于《西安科技大学》期刊2019-06-01）
田旻,张光军,刘人境[6]（2019）在《粒子群遗传混合算法求解考虑传输时间的FJSP》一文中研究指出在某些生产制造场景中,工件在不同机器间的传输时间对车间调度的总拖期具有重要影响,本文基于此扩展了总拖期最小的柔性作业车间调度模型。针对问题模型的复杂性,采用粒子群优化算法和遗传算法的混合算法进行求解。在初始化过程以一定概率优选加工时间和传输时间短的机器并排除调度频繁的机器,使种群在保持多样性的前提下尽量选择优化结果好的个体;采用线性调整的方式动态改变交叉概率和变异概率的值,使种群在遗传算法的不同阶段具有不同的搜索强度;采用粒子群优化算法进行局部搜索,弥补了遗传算法局部搜索能力的不足。最后采用本文方法和其他方法求解柔性作业车间调度问题实例,并对比不同水平层次传输时间下的总拖期,验证了本文方法的有效性。(本文来源于《运筹与管理》期刊2019年04期）
孙弋,胡粔珲[7]（2019）在《基于遗传-蚁群混合算法的排课系统》一文中研究指出在高校的教务管理中,排课问题是复杂又关键的环节,科目数量众多,教学资源有限等等因素都制约着排课的复杂程度和结果.排课本质就是将课程、班级在合适的时间段安排到合适的教学位置,是一个NP问题的求解.随着规模的不断扩大,问题求解难度呈指数形式增加,当规模达到一定程度的时候就很难在短的时间内求出最优解.鉴于此,本文提出了遗传-蚁群混合算法,将两种算法混合使用,依靠遗传算法生成信息素分布,利用蚁群算法求最优解.实验结果表明,混合算法提高了排课的效率和课表的合理度.(本文来源于《计算机系统应用》期刊2019年02期）
周頔[8]（2018）在《基于多种群多策略的混合遗传-蚁群算法及应用研究》一文中研究指出为了充分利用蚁群算法的并行、正反馈机制、高效求解和遗传算法的随机、快速以及全局收敛等优点,在分析遗传算法的选择、交叉、变异等策略和蚁群算法的寻优策略基础上,基于多种群和多策略,提出一种带有参数自适应调整的混合遗传-蚁群(HPSGAO)算法。在HPSGAO算法的每次循环中,遗传算法获得最优解用于初始化蚁群算法的信息素分配,以实现遗传策略和蚁群策略的有效结合,动态平衡HPSGAO算法的收索范围与收敛速度间的矛盾,进而提高HPSGAO算法的全局择优能力。为了验证提出混合遗传-蚁群算法的优化性能,选择10个TSP问题进行测试,仿真实验结果表明,在多次循环后,HPSGAO算法具有遗传算法和蚁群算法的优势互补,以及较好的求解效率。(本文来源于《计算机与数字工程》期刊2018年12期）
朱兴林[9]（2018）在《动态蚁群遗传混合算法在煤炭运输中的应用》一文中研究指出为满足煤炭行业的市场需求并节约成本,降低企业的运输费用,提高运输效率,通过建立煤炭运输系统的仿真模型,使用动态蚁群遗传算法,优化运输线路。通过与基本蚁群算法、遗传算法的比较,仿真结果表明,动态蚁群遗传算法能得到更好的初始解,更快的收敛,更优的最优解。(本文来源于《自动化与仪器仪表》期刊2018年09期）
刘梦佳,向凤红,郭宁,毛剑琳[10]（2018）在《改进的遗传蚁群混合算法求解多维0/1背包问题》一文中研究指出针对传统遗传蚁群混合算法求解精度低、收敛速度慢等缺陷,设计了一种改进的遗传蚁群混合算法,该算法选择部分优秀蚂蚁进行遗传算法寻优并更新全局信息素,其它蚂蚁采用蚁群算法寻优,并更新局部信息素。其中对传统遗传算法的交叉和变异操作进行了改进,并在蚁群算法的运行过程中引入概率和为u的轮盘赌方式以减少计算量、采用禁忌表交换策略以及信息素的混沌更新策略来增强种群多样性,避免陷入局部最优。实验结果表明,该算法在求解精度和收敛速度方面都有明显提高。(本文来源于《电子科技》期刊2018年07期）
蚁群遗传混合算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在线考试系统的算法主要体现在组卷设计模块当中,要实现自主组卷,并且组卷成功率高。生成的试卷在满足试卷的基本约束条件基础上,还要体现试卷的难度控制以及考试区分度。这就需要通过算法来进行设计实现。本文就多种算法进行对比,分析优劣,选取了遗传算法与蚁群算法混合优化,实现组卷设计模块。对两种算法实现在线考试组卷模块的思想和实现方法进行了详细阐述。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
蚁群遗传混合算法论文参考文献
[1].孙凯,刘祥.基于蚁群-遗传混合算法的设备布局优化方法[J].系统工程理论与实践.2019
[2].苏楠.遗传与蚁群混合算法实现在线考试系统组卷设计研究[J].现代信息科技.2019
[3].张惠珍,刘云,倪静.基于客户满意度的MOVRPFTW的单亲遗传混合蚁群算法[J].系统管理学报.2019
[4].崔元洋,邢晓红,陈思尧,文凯,秦显辉.基于遗传混合蚁群算法的公共自行车调度研究[J].交通运输研究.2019
[5].胡粔珲.遗传-蚁群混合算法在排课系统中的研究与应用[D].西安科技大学.2019
[6].田旻,张光军,刘人境.粒子群遗传混合算法求解考虑传输时间的FJSP[J].运筹与管理.2019
[7].孙弋,胡粔珲.基于遗传-蚁群混合算法的排课系统[J].计算机系统应用.2019
[8].周頔.基于多种群多策略的混合遗传-蚁群算法及应用研究[J].计算机与数字工程.2018
[9].朱兴林.动态蚁群遗传混合算法在煤炭运输中的应用[J].自动化与仪器仪表.2018
[10].刘梦佳,向凤红,郭宁,毛剑琳.改进的遗传蚁群混合算法求解多维0/1背包问题[J].电子科技.2018