5个研究背景和意义示例,教你写计算机局部搜索论文

今天分享的是关于局部搜索的5篇计算机毕业论文范文, 如果你的论文涉及到局部搜索等主题,本文能够帮助到你

一种求解车间调度问题的混合算法

这是一篇关于组合优化,车间调度问题,局部搜索的论文, 主要内容为车间调度问题(JSP)是经典的组合优化问题之一,它考虑给定n个工件、m个机器,寻求使总流程时间最小的调度。本文提出了一种求解车间调度问题的混合算法GSS。这个算法混合了遗传算法和局部搜索方法。针对对算法效率有极大影响的局部搜索,设计了一种名为逐块搜索算法的局部搜索方法。针对局部搜索可能造成遗传算法种群多样性下降的问题,利用了Zorbrist标识改进了交叉过程。逐块搜索算法在基于关键块的局部搜索方法基础上进行改进。关键块是给定调度中决定了总流程时间的部分工序。基于关键块的局部搜索方法,搜索关键块上的变换,寻找合适的变换以改善解。其检索的邻域是几个关键块上的变换的并集。一般的全邻域搜索的方式,每次迭代需要计算更新大量数据。针对此问题,本文改进搜索方式为逐个关键块搜索,找到合适变换则放弃搜索剩余关键块。与搜索相关的一些运算也设计成随搜索逐块进行的方式。利用局部搜索对后代进行改良,加大了后代落入同一局部最优的可能,从而造成种群多样性的下降,影响算法的效率。本文使用Zorbrist标识,改进交叉过程,使得交叉后代尽可能与最近搜索过的解不同,以保证种群多样性,使搜索覆盖更大的范围。通过实验,验证了本文算法GSS的效率。

基于蚁群算法的WebGIS车辆路径优化系统设计与开发

这是一篇关于车辆路径问题,蚁群算法,WebGIS,局部搜索,领域驱动设计的论文, 主要内容为随着中国物流行业的蓬勃发展,物流在不断凸显其对我国经济发展的基础性作用的同时也带来了巨大的挑战。在当前物流行业的粗放发展模式下,物流成本过高的问题已经成为物流行业优势转化过程中的重要瓶颈问题。同时对于如今的物流企业而言,如何有效降低物流成本已经成为企业发展至关重要的战略决策。而车辆路径优化作为企业物流体系转型升级的重要环节之一,对提高物流配送效率、降低物流配送成本都起着至关重要的作用。因此为进一步支撑供应链物流配送全链路高效流通,提出可靠、完善的车辆路径优化方案已经迫在眉睫。本文在分析了国内外车辆路径优化问题研究现状综述的基础上,首先建立了满足约束的带时间窗的车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW)数学模型,其次设计了一种基于蚁群系统和局部增强搜索策略的蚁群算法求解该模型,并通过测试数据集检验了算法的可行性和有效性。最后结合WebGIS技术设计并开发了一套基于蚁群算法的车辆路径优化系统。本文的主要工作和成果如下:(1)在国内外研究现状综述的基础上,介绍了物流配送和车辆路径问题的研究背景和意义;介绍了车辆路径问题、求解该问题算法的相关理论知识以及系统开发涉及到的前后端、数据库技术。(2)针对带时间窗的车辆路径问题,建立了满足实际路网静态约束以及配送时间窗约束的VRPTW数学模型,引入了动态更新信息素挥发以及转移规则参数策略,设计了一种基于蚁群系统和局部增强搜索策略的改进蚁群算法,通过与标准测试数据集对比验证了算法在较短时间内可以得出满意解。最后将算法应用到本开发系统实际案例中,验证了算法在解决具有较大规模的实际车辆路径问题的有效性。(3)对物流配送系统的业务和功能需求进行分析,给出了系统总体架构、核心流程链路、系统功能模块、领域模型等设计方案,并进行了数据库表关系和表字段的详细设计。基于ArcGIS平台,并结合上述算法,采用React、SSM、Tair等框架设计并实现了包含基础数据、订单管理、配送计划、配送监控、结算以及报表六个功能模块的车辆路径优化系统。最后系统运行测试情况验证了有效性。

基于免疫遗传算法的Job Shop调度问题研究

这是一篇关于Job Shop调度问题,免疫遗传算法,自适应,局部搜索的论文, 主要内容为Job Shop调度是计算机集成制造系统(CIMS)工程中的一个重要组成部分,它对企业的生产管理和控制系统有着重要的影响。同时,Job Shop调度问题(Job Shop schedulingproblem,JSP)又是一个典型的NP Hard问题,是组合优化问题中最难求解的问题之一。将优化方法的理论研究引入到Job Shop生产调度领域中,改进算法性能、拓宽算法应用领域,完善算法体系,是一个同时具有理论意义和应用价值的课题。本文分析总结了一些现有的调度算法,针对它们的不足,基于免疫理论和遗传算法,设计了一种新颖的自适应混合免疫遗传算法SIGA(Self-adaptive Hybrid Immune GeneticAlgorithm)。为了更有效地求解JSP,基于SIGA提出了改进的调度算法SIGAⅡ。本文的主要工作如下: 1.针对传统免疫遗传算法存在过早收敛及后期搜索效率低的问题,提出一种基于浓度的自适应混合免疫遗传算法(SIGA),该算法有效融合多种群遗传算法与模拟退火算法的优点,同时在算法中引入生物免疫系统中抗体多样性的维持机制,提出了基于浓度的自适应交叉变异算子和选择策略,通过仿真实验,证明了算法的有效性; 2.将该算法应用于求解JSP,给出了一种基于免疫遗传算法的求解方法,以及染色体的编码方法和相应的免疫遗传操作,针对Job Shop调度问题的特殊复杂性,本文将转换瓶颈算法(Shifting Bottleneck)和禁忌算法(Tabu)两者相结合,提出了一种瓶颈禁忌算法(STA),并将瓶颈禁忌算法引入SIGA中,提出改进的自适应混合免疫遗传算法(SIGAⅡ),加强算法在求解JSP的局部搜索能力,从而进一步提高算法的性能。 3.通过对JSP中的经典Benchmarks算例问题进行仿真实验,系统地分析了一些关键参数和算子对算法性能的影响,结果证明改进的自适应混合免疫遗传算法优于其他四种算法,具有更好的全局收敛性能。最后将SIGAⅡ应用于实际的生产调度,满足企业的生产需求,验证算法的实用性。

基于免疫遗传算法的Job Shop调度问题研究

新型生物地理学优化算法及其应用研究

这是一篇关于生物地理学优化算法,惯性权重策略,小概率扰动,作业车间调度,局部搜索,非均匀变异,多层感知器的论文, 主要内容为生物地理学优化算法(BBO)是一种模拟生态系统中物种地理分布和迁移的新型启发式算法,具有实现简单、鲁棒性强、搜索机制独特等特点,与其它智能算法相比,BBO算法具有良好的收敛性和稳定性,受到越来越多专家和学者的关注。作为一种新的智能优化算法,尽管现在对于BBO算法理论的完善、算法的改进以及工程问题的实际应用等方面已经有了大量的研究,但是仍然还有一些不足。因此本文将在现有的这些研究内容上,为进一步提高基本BBO算法的搜索能力和开发能力,研究了新型混合差分进化生物地理学优化算法以及基于局部搜索和非均匀变异的改进生物地理学优化算法,并对所提算法的实际应用做了一定的探索工作。具体研究内容如下:首先,研究了一种混合差分进化的改进BBO算法(Hybrid differential biogeography-based optimization algorithm,HDBBO)。针对差分进化生物地理学优化算法在收敛开始阶段速度慢的问题做出了改进,通过将BBO算法的利用性与DE算法的搜索性有效的结合,同时采用精英保留机制保留适应度较高的个体,并引入惯性权重策略调节变异操作在混合迁移操作中所占的比重,以提高算法的全局搜索能力,同时增加了小概率扰动了以防止算法随着迭代的进行陷入局部最优解,通过不同特征的测试函数的仿真以及作业车间调度问题的实验,结果表明所提方法具有更好地优化性能。其次,提出了一种基于局部搜索和非均匀变异的改进BBO算法(Improved biogeography-based optimization algorithm,IMBBO)。针对基本BBO算法需要大量迭代才能达到全局最优、收敛速度慢、易出现早熟收敛等缺点,将线性迁移模型替换为更接近自然规律的双曲余切模型,然后为了增强算法的全局搜索能力将局部搜索策略加入到BBO算法迁移操作中,同时为了避免算法在迭代后期陷入局部最优解而使用非均匀变异算子代替基本变异算子,以提高算法的收敛精度。最后,将改进的IMBBO算法应用于训练多层感知器,以验证所提算法的优化性能。针对多层感知器模型训练普遍存在的局部最优和对初值敏感等问题,将引入多层感知器输入数据的特征向量并进行优化,通过对虹膜和乳腺癌两个分类问题模型的训练结果可得知,IMBBO算法相对于几种对比算法具有更高的分类准确率。综上,本文对于BBO算法理论改进的研究对于推广其实际工程应用具有非常重要的作用。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码项目助手，原文地址：https://m.bishedaima.com/lunwen/53260.html