作业车间调度问题是将多台机器安排处理多个工件的组合优化问题，使最大完工时间达到最小。应用传统萤火虫算法求解时，萤火虫个体到达最优解附近时，相对吸引力逐渐增强，导致局部搜索能力减弱，造成求解结果在最优解附近震荡，进而使求解精度下降。为改善解的质量，本文在萤火虫算法迭代过程中引入精英选择策略，保护进化过程中的优秀个体，避免最优解丢失；为提高算法收敛速度与求解精度，对萤火虫位置更新方法引入基于种群规模和迭代次数的动态自适应惯性权重；同时对每一代萤火虫种群最优个体引入禁忌搜索算法，提高局部搜索能力。仿真结果表明本文所提出改进算法在解决作业车间调度问题上的有效性与实用价值。

为了解决传统遗传算法中易早熟和陷入局部最优，造成收敛慢，效率低的问题，提出了一种改进的遗传算法GBLSA(Genetic Based on Link-State Algorithm)。对遗传算法的基本算子进行改进，其中将链路状态算法强大的寻优能力融入交叉算子中，保证个体逐代进化。引入与遗传代数相关的自适应概率，提高了遗传算法的搜索效率和收敛速度。仿真实验表明，与传统遗传算法和TSPLIB标准值相比，提出的方法得到的结果路径更优，效率更高。

IWOA改进鲸鱼算法解决柔性车间调度问题双目标，求解低碳车间调度问题的改进鲸鱼算法，已运行。GLR部分有点问题，CSHLD那个是没问题的，欢迎指正

本文将前馈控制引入到了智能车系统的控制中，有效地改善了系统的实时性，提高了系统的反应速度[1]；并且根据智能车系统的特点，对数字PID算法进行了改进，引入了微分先行和不完全微分环节，改善了系统的动态特性；同时，利用模糊控制具有对参数变化不敏感和鲁棒性强的特点[2]，本文将模糊算法与PID算法相结合，有效地提高了智能车的适应性和鲁棒性，改善了系统的控制性能

几种改进遗传算法的性能比较

改进遗传算法的C++实现。种群初始化采用联赛竞争，保证种群基因优良；轮盘赌选择略有改进；交叉变异概率自适应，相比固定的概率效果提升极为明显。变异步长自适应，避免固定步长找不到最优解的风险。用复杂变态多峰函数测试效果十分不错，相比二进制编码遗传算法精度优势明显。

研究针对遗传算法（GA）提出了一种新的变异算子，并将其应用于动态环境下移动机器人的路径规划问题。移动机器人的路径规划在障碍物环境中发现从起始节点到目标节点的可行路径。 通过利用其强大的优化能力，遗传算法已被广泛用于生成最优路径。虽然简单遗传算法或其他改进的变异算子中的常规随机变异算子会导致不可行路径，但所提出的变异算子不会并且避免早熟收敛。为了证明所提出的方法的成功，它被应用于两种不同的动态环境，并且与之前在文献中改进的GA研究进行了比较。与所提出的变异算子相比，遗传算法寻找最优路径的次数要多得多，并且比其他方法收敛得更快。

从键盘输入主串s以及子串t1和t2。编写程序，将主串s中所有t1子串替换为t2子串，输出替换后得到的串以及t1被替换的次数。要求子串查找采用改进KMP算法。 实验目的：掌握KMP算法。

采用遗传算法，对分布式电源进行选址定容计算，考虑环境因素

基于改进萤火虫算法的LSTM预测模型，韩宪斌，亓峰，本文针对LSTM神经网络预测时存在的收敛慢、超参数调整困难等缺陷，提出了通过萤火虫算法优化神经网络结构以提高流量预测性能的模��