随着以智能制造主导的第四次工业革命的兴起，在传统制造系统中可以进行联合优化决策。制造系统的整合优化影响着生产的效率和成本，如何对生产过程进行调度安排和对设备进行预防性维护成为当下各企业生产制造的重点研究对象。 近几年各种智能计算方法逐渐被引入到作业调度问题中，如遗传算法、模拟退火算法、启发式算法等。如何有效的安排各工件的加工顺序将直接关系到生产效率和生产成本,这是本文所要解决的问题之一。 java 本文以单台机器为例，利用遗传算法进行方案设计，将遗传算法应用到作业调度中去。在满足交货要求和生产要求的情况下，利用遗传算法对制造系统进行单机调度，从而完成制造系统的最优的调度计划和设备维护计划。通过编程实现最优的作业调度。

将认知无线电中的动态频谱分配技术应用在无线传感网中，针对工作在ISM（industrial，scientific and medical）频段的无线传感网面临的频谱资源紧缺问题，提出一种基于改进自适应遗传算法的动态频谱分配方案。该算法以图论着色模型为基础，以最大带宽收益和最小切换频率为目标函数，在交叉和变异过程中采用自适应交叉概率和变异概率代替固定的交叉概率和变异概率。仿真结果表明，与传统遗传算法和颜色敏感图论着色算法相比，该算法可以实现提高频谱利用率、降低能量消耗的预期目标。

针对带模糊需求与模糊时间窗的车辆路径问 题，以总行驶距离、车辆使用数最小化，以及平均客 户满意度最大化为目标，构建基于可信性测度理论 的多目标模糊机会约束模型。改进了交叉算子，在 引入局部优化算法及擂台法则的基础上设计了适合 求解多目标车辆路径问题的混合遗传算法，运行一 次程序可以得到两个或多个 Pareto 非支配解，决策 者可以根据最少车辆数及满意度最大化做出抉择。

矩形排样问题 遗传算法解决方案 矩形排样问题 遗传算法解决多集装箱内货物规划等类似问题，注释齐全，保证可正常运行

https://blog.csdn.net/qq_43276566/article/details/129402447 基于遗传算法的CVRP建模求解-Python代码

遗传算法，用于Matlab调试，实现源代码，可修改、调试

共享单车再平衡问题（BRP）是单一商品旅行商问题（1- PDTSP）的扩展，是一类NP难问题。针对已有算法求解速度慢，不利于实现实时调度优化的缺点，提出一种求解BRP的非代际遗传算法。基于个体搜索机制保留优异个体，设计线路交叉算子和k点破坏修复变异算子，引入破坏修复机制，当算法收敛变慢时自动生成新个体进入种群以避免陷入局部最优解。应用BRP标准算例测试表明：在小规模算例上该算法均能找到最优解，平均CPU消耗为3.8s;在中等规模与大规模算例上，该算法找到9个算例的最优解，并且其运算速度相较于分支定界算法和线路破坏与修复启发式算法提升77%以上。

根据第二代非支配排序遗传算法（NSGA Ⅱ）的不足之处，提出了一种新的多目标遗传算法——非支配排序均匀遗传算法（NSUGA）。新算法采用了多父本多点交叉方式，同时将均匀设计的思想用于算法的交叉操作；新算法还对拥挤距离的计算过程和算法的终止条件进行了改进。通过两个多目标优化测试函数的仿真计算对比，显示NSUGA算法在求解精度、计算效率和避免算法陷于局部最优解方面均优于NSGA II算法。

4.1 电子病历实体关系抽取任务 电子病历命名实体关系抽取主要研究从电子病 历中抽取疾病、症状、检查和治疗这几类实体间的 关系. 这些实体关系体现了患者健康状况信息和针 对患者的医疗处置措施, 也体现了医生的专业知识. 如下面的例子: 1) 头 CT 检查显示腔隙性脑梗死 (检查 “头 CT” 证实了疾病 “腔隙性脑梗死”); 2) 患者彩超结果汇报轻度脂肪肝、慢性胆囊炎, 给予饮食指导, 继续治疗方案 (“彩超” 证实了 “轻度 脂肪肝” 和 “慢性胆囊炎”, “饮食指导” 施加于 “轻 度脂肪肝” 和 “慢性胆囊炎”). 电子病历实体关系抽取任务在命名实体识别基 础上展开, 对病历文本中同一个语句中的两个命名 实体赋予预定义的关系类型, 因而该任务转化为分 类问题, 通常采用基于机器学习的方法实现, 评价指 标采用精确度、召回率和 F 值. 目前电子病历实体 关系只限于一个句子范围内两个实体之间的关系. Uzuner 首先对医疗实体关系抽取进行了开创 性的研究, 详细定义了六大类医疗实体关系: 当前疾 病和治疗的关系、可能的疾病和治疗的关系、疾病 (包括当前的和可能的) 和检查的关系、疾病和症状 的关系、当前症状和治疗的关系、可能的症状和治 疗的关系[3]. 如果已经定义了修饰识别任务, 实现了 疾病和症状的修饰识别, 那么在关系抽取时, 可以不 考虑修饰的影响, 直接抽取实体间的关系, 然后借助 实体的修饰, 可以得到文献 [3] 定义的上述各类关 系. 所以, 在 I2B2 2010 评测中, 实体关系的定义没 有考虑修饰的因素. I2B2 2010 首次对电子病历命 名实体关系进行了系统的分类[12], 这些关系包括医 疗问题和医疗问题之间的关系、医疗问题和检查之 间的关系、医疗问题和治疗之间的关系. 这三类关系 以医疗问题为中心, 反映了电子病历面向医疗问题 的信息组织方式. 这三类关系只限于一个句子范围 内两个实体之间的关系. 表 5 详细列出了医疗问题、 检查和治疗这三类实体间的关系. 针对中文电子病历特点, 医疗问题被拆分为疾 病和症状,那么在定义实体关系时,也应作相应调整. 主要体现在两方面: 1) 医疗问题和治疗 (或检查) 的 关系转变为疾病和治疗的关系以及症状与治疗的 关系, 医疗问题和检查的关系也转变为疾病和检查 的关系以及症状和检查的关系; 2) 医疗问题之间的 关系替换为疾病和症状的关系 (疾病导致了症状)、 疾病和疾病的关系 (疾病导致了另一个疾病)、症状 和症状的关系 (症状伴随另一个症状). 自动抽取这几类实体间的关系可以构造患者健 康状况的简明摘要, 医生可以预先快速浏览病人的 信息, 后续再关注特定的细节. 除了可以用作医疗研 表 4 疾病和症状的修饰识别方法总结 Table 4 Summarization of methods for assertion classification 作者 方法 用到的资源 数据 评价 (F 值) Chapman 等[13] (NegEx) 规则 正则表达式规则 出院小结 0.853 Mutalik 等[105] (Negfinder) 规则 正则表达式规则、句法规则 自建语料 0.965 Sohn 等[106] (DepNeg) 规则 依存规则 I2B2 2010 评测数据 0.838 Harkema 等[107] (ConText) 规则 正则表达式规则、触发词 6 种类型的病历文本 0.76∼ 0.93 Uzuner 等[108] SVM / 三个机构的病历 0.35∼ 0.98 Grouin 等[110] SVM NegEx I2B2 2010 评测数据 0.931 Jiang 等[97] SVM MedLEE I2B2 2010 评测数据 0.931 de Bruijn 等[99] SVM cTAKES I2B2 2010 评测数据 0.936 Clark 等[111] CRF、最大熵 语义分类词典、状态规则 I2B2 2010 评测数据 0.934

LSTM是关于遗传算法优化lstm算法的层数和全连接层数及每层神经元的个数 本文的主要内容如下： 1.本文章是对lstm网络的优化，优化的参数主要有：lstm层的层数，lstm隐藏层的神经元个数，dense层的层数，dense层的神经元个数 2.本文章利用的是遗传算法进行优化，其中编码形式并未采用2进制编码，只是将2数组之间的元素交换位置。 3.本文的lstm和dense的层数都在1-3的范围内，因为3层的网络足以拟合非线性数据 4.程序主要分为2部分，第一部分是lstm网络的设计，第二部分是遗传算法的优化。 # 这里将生成一个8维的2进制数，并转换层成bool类型，true表示该位置交叉，False表示不交叉 cross_points = np.random.randint(0, 2, size=DNA_size_max).astype(np.bool) # 用True、False表示是否置换 # 这一部分主要是对针对不做变异的部分 for i, point in