物流配送路径优化问题是一个NP(非确定多项式)问题,使用传统优化方法很难得到最优解或满意解。
为了很好地处理这个NP问题,本文建立了一个配送中心、多个顾客的物流配送数学模型,用自己改进的遗传算法加以分析求解并进行了实例验证,而且在物品的配送种类上取得了突破,不在只是针对单一品种,对物流企业实现科学快捷的配送调度和路径优化有实际意义。
为了很好地处理这个NP问题,本文建立了一个配送中心、多个顾客的物流配送数学模型,用自己改进的遗传算法加以分析求解并进行了实例验证,而且在物品的配送种类上取得了突破,不在只是针对单一品种,对物流企业实现科学快捷的配送调度和路径优化有实际意义。
2016/5/12 18:48:51
283KB
1
1以10/个城市结点的TSP问题为例,用遗传算法加以求解；
2掌握遗传算法的基本原理、各个遗传操作和算法步骤；
3能求出问题最优解，若得不出最优解，请分析缘由；
4要求界面显示每次迭代求出的局部最优解和最终求出的全局最优解
2掌握遗传算法的基本原理、各个遗传操作和算法步骤；
3能求出问题最优解，若得不出最优解，请分析缘由；
4要求界面显示每次迭代求出的局部最优解和最终求出的全局最优解
2019/1/27 18:22:33
180KB
1
近似算法的引入和发展是为了处理一大类重要的优化问题，人们常常遇到的这类问题是NP-Hard问题。
按照Garey和Johnson的说法：“我没能找到一个有效的算法，但是其他那么多名人同样也没找到！”如果找不到最优解时，那么合理的做法是牺牲一点最优性而去寻求有效的，好的，可行的近似解。
当然在保证解的有效性时候，其最优性要尽可能的保留。
近似算法的模式就是为了寻求这种平衡。
本书就是讨论关于若干类重要NP-Hard问题的近似解算法，书中回顾了近几十年来相关的设计技术，及其进展
按照Garey和Johnson的说法：“我没能找到一个有效的算法，但是其他那么多名人同样也没找到！”如果找不到最优解时，那么合理的做法是牺牲一点最优性而去寻求有效的，好的，可行的近似解。
当然在保证解的有效性时候，其最优性要尽可能的保留。
近似算法的模式就是为了寻求这种平衡。
本书就是讨论关于若干类重要NP-Hard问题的近似解算法，书中回顾了近几十年来相关的设计技术，及其进展
2015/8/9 15:22:26
13.21MB
1
针对油田区域配电网负荷大、无功严重不足、电力损耗大的特点,提出了一种适用于油田区域电网的无功优化方法。
该方法建立了综合考虑系统的经济性和安全性并使其互为约束的无功优化数学模型,并采用在电力系统无功优化领域应用较少的差分进化算法对模型进行求解。
该方法具有优化结果与初始值的选取无关、需要控制量少和容易找到全局最优解的优点,实例分析和不同优化算法对比结果表明了所提出的区域配电网无功优化方法的可行性和无效性。
该方法建立了综合考虑系统的经济性和安全性并使其互为约束的无功优化数学模型,并采用在电力系统无功优化领域应用较少的差分进化算法对模型进行求解。
该方法具有优化结果与初始值的选取无关、需要控制量少和容易找到全局最优解的优点,实例分析和不同优化算法对比结果表明了所提出的区域配电网无功优化方法的可行性和无效性。
2022/9/3 8:30:05
987KB
1
用python语言，通过遗传算法，处理八皇后问题，，遗传算法（Geneticalgorithm）属于演化计算(evolutionarycomputing)，是随着人工智能领域发展而来的一种智能算法。
正如它的名字所示，遗传算法是受达尔文进化论启发。
简单来说，它是一种通过模拟自然进化过程搜索最优解的方法
正如它的名字所示，遗传算法是受达尔文进化论启发。
简单来说，它是一种通过模拟自然进化过程搜索最优解的方法
2022/9/3 5:58:37
4KB
1
遗传算法首先会采用一种编码方式将解空间映射到一个编码空间,每一个编码对应问题的一个解,称之为个体或者染色体,然后再随机生成确定起始的一群个体,称之为种群。
在后续迭代的过程中,按照适者生存不适者淘汰的原理,根据适应度大小选择个体,并且借助各种不同的遗传算子对个体进行交叉和变异,生成一个代表新的解集的种群,这个种群会比前一代愈加适应环境,如此一直进化下去直到到达优化准则。
这个时候的末代个体,经过解码,得到的解可近似的作为问题的最优解。
在后续迭代的过程中,按照适者生存不适者淘汰的原理,根据适应度大小选择个体,并且借助各种不同的遗传算子对个体进行交叉和变异,生成一个代表新的解集的种群,这个种群会比前一代愈加适应环境,如此一直进化下去直到到达优化准则。
这个时候的末代个体,经过解码,得到的解可近似的作为问题的最优解。
2022/9/3 0:55:55
1KB
1
现代优化算法是80年代初衰亡的启发式算法。
这些算法包括禁忌搜索（tabusearch），模拟退火（simulatedannealing），遗传算法（geneticalgorithms），人工神经网络（neuralnetworks）。
它们主要用于解决大量的实际应用问题。
目前，这些算法在理论和实际应用方面得到了较大的发展。
无论这些算法是怎样产生的，它们有一个共同的目标－求NP-hard组合优化问题的全局最优解。
这些算法包括禁忌搜索（tabusearch），模拟退火（simulatedannealing），遗传算法（geneticalgorithms），人工神经网络（neuralnetworks）。
它们主要用于解决大量的实际应用问题。
目前，这些算法在理论和实际应用方面得到了较大的发展。
无论这些算法是怎样产生的，它们有一个共同的目标－求NP-hard组合优化问题的全局最优解。
2021/5/15 8:54:49
283KB
1
个人辛苦编写的PSO粒子群优化算法python程序代码，将适应度值计算部分更换成自己要优化的内容，稍加调试即可运行。
粒子群优化算法(PSO：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。
源于对鸟群捕食的行为研究。
粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。
PSO的优势：在于简单容易实现并且没有许多参数的调理。
目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
粒子群优化算法(PSO：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。
源于对鸟群捕食的行为研究。
粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。
PSO的优势：在于简单容易实现并且没有许多参数的调理。
目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
2017/8/8 9:37:48
3KB
1
今天来学习变量优化问题。
寻找使成本函数最小的题解。
适用于题解相互独立的情况，设计随机优化算法、爬山法、模拟退火算法、遗传算法。
优化问题的的精髓是：1、将题解转化为数字序列化，可以写出题解范围。
2、成本函数能返回值问题场景：所有乘客从不同的地方飞到同一个目的地，服务人员等待所有人到来以后将人一次性接走。
离开时，服务人员将人一次性带到飞机场，所有乘客等待自己的航班离开。
要处理的问题：如何设置乘客的到来和离开航班，以及接送机的时间，使得总代价最小。
将题解设为数字序列。
数字表示某人乘坐的第几次航班，从0开始，例如[1,4,3,2,7,3,6,3,2]表示第1个人做第
寻找使成本函数最小的题解。
适用于题解相互独立的情况，设计随机优化算法、爬山法、模拟退火算法、遗传算法。
优化问题的的精髓是：1、将题解转化为数字序列化，可以写出题解范围。
2、成本函数能返回值问题场景：所有乘客从不同的地方飞到同一个目的地，服务人员等待所有人到来以后将人一次性接走。
离开时，服务人员将人一次性带到飞机场，所有乘客等待自己的航班离开。
要处理的问题：如何设置乘客的到来和离开航班，以及接送机的时间，使得总代价最小。
将题解设为数字序列。
数字表示某人乘坐的第几次航班，从0开始，例如[1,4,3,2,7,3,6,3,2]表示第1个人做第
2019/2/25 18:01:13
116KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB