嵌入遗传算子的改进灰狼优化算法

针对传统多目标优化算法在其领域存在的多个子目标不能同时取优的问题，提出了一种基于改进的非支配排序遗传算法（non-dominated sorting genetic algorithm-Ⅱ，NSGA-Ⅱ）多目标优化方法。以多目标优化遗传算法为基础，多输入多输出的反向传播（back-propagation，BP）神经网络为适应度函数评价体系，保证算法快速收敛并搜索到全局最优解集。该算法在建模前对实验数据进行主成分分析，降低了运算时间和算法难度，通过在遗传进化过程中引进正态分布交叉算子（normal distribution crossover，NDX）和改进的自适应调整变异算子，实现了多个目标同时取优，保证Pareto最优解集快速、准确地获取。仿真实验使用UCI数据集，通过与其他常用的多目标优化算法对比，验证了改进的NSGA-Ⅱ算法精确度更高、收敛速度更快、稳定性更强。

GA是基于自然选择和遗传机制, 在计算机上模拟生物进化机制的搜索寻优算法。论述了遗传算法的遗传编码、遗传算子和评价函数, 并采用遗传算法实现商品调度。

针对现实配送过程中存在的时间参数模糊化与车辆容积限制问题，利用梯形模糊代数、有符号距离和区间数距离公式，构造出一种较高精度的提前/滞后惩罚函数，在此基础上给出了一种以最小化服务点提前/滞后惩罚、最小化配送总里程以及最小化配送车辆数量为目标的、具有模糊时间窗的有容积约束配送车辆调度问题模型。在问题求解方面，结合粒子群算法和遗传算法，引入遗传算法思想对粒子进行交叉、变异操作，给出了一种基于遗传操作的混合粒子群算法，以解决基本粒子群算法容易陷入局部最优的问题。仿真实验表明，该算法具有可行性和有效性。

: 受烟花爆炸现象的启发并结合遗传算法思想提出一种新的优化算法———带有遗传算子的烟花爆炸优化算法( GAFEO)。该算法主要模 拟烟花爆炸的方式对解空间进行基本的并行弥漫式爆炸搜索,引入自适应局部搜索策略和遗传算法中的交叉变异策略以改善算法的优化性能。 通过实验对 12 个常用高维测试函数进行优化计算,结果表明,与 PSO 算法以及其他新型算法相比, GAFEO 算法在寻优能力、寻优精度等方面 都具有较好的性能。