以某纺织企业的产品运输流程和企业生产、销售对产品运输的具体需求为例,建立以总运输费用最低为目标函数,以每个生产地每种产品的生产量、每个销售地每种产品的销售量,以及每种产品的单位运价为约束条件的多种产品运输模型.设计具有全局优化、收敛速度快的遗传算法,并对该模型进行优化求解.通过与传统算法的比较,说明采用遗传算法求出的运输总费用优于用内点算法计算出的结果,即对于大规模的多产品运输问题,采用遗传算法优化性能更好,不易陷入局部最优,且其收敛速度也优于内点算法.

NSGA-Ⅱ（实数编码） gen=500 ， pop=500 ，n=12，var-domain=[0,1]，fun=3； Convergence metric ????

GA遗传优化算法的matlab仿真，matlab2021a运行仿真 % 调用 my_ga 进行计算 % 求解问题的参数个数 10 % 自定义适应度函数名 my_fitness % 种群规模 100 % 每一代中保持不变的数目 50 (即交叉率0.5) % 变异概率 0.1 (1/10的个体发生变异) % 最大演化代数 10000 10000代 % 最小目标值 1.0e-6 个体适应度函数值 < 0.000001结束

PSO粒子群优化算法的改进仿真matlab2021a测试，带有收缩因子的微粒群算法

基于混合粒子群的TSP搜索算法：粒子群优化算法结合遗传算法的交叉变异算子应用于TSP问题中，能够取得不错的效果。

%程序名称：求解约束优化问题的改进粒子群优化算法 %程序功能：求解带各种约束条件的优化问题 %输入条件：各种初始条件，以及设定参数 %输出数值：最优解位置以及函数极小值

%初始化参数 popnum=200; gen=600; xmin=0;%变量取值范围 xmax=1; m=2;%目标函数个数 n=30;%决策变量数目 hc=20;%交叉变异参数 hm=20; %产生初始种群 initpop=rand(popnum,n)*(xmax-xmin)+xmin; init_value_pop=value_objective(initpop,m,n); %画图显示初始图 plot(init_value_pop(:,n+1),init_value_pop(:,n+m),'B+')

pm=0.3;%变异概率 pc=0.6;%交叉概率 % Obs.S=[];%障碍物各个顶点 Data.Obs(1).S=[1,4;2,4;2,1;1,1];%每个顶点存储按照顺时针顺序排列 Data.Obs(2).S=[3,6;4,6;4,3;3,3]; Data.Obs(3).S=[6,4;7,4;7,1;6,1]; Data.Obs(4).S=[8,10;9,10;9,5;8,5]; Data.Obs(5).S=[10,14;14,14;14,12;10,12]; Data.Obs(6).S=[14,8;18,8;18,6;14,6]; [Pop R k]=intpop(Data,Data.size,Data.length); %生成初始种群

应用粒子群优化(PSO)算法对电力系统的机组优化组合问题进行研究,介绍了算法原理,分析了算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并以常用的测试函数进行验证,建立了相应的数学模型,并以IEEE3机6节点电力系统为实例进行研究。分析结果表明,PSO算法较之常用的遗传算法和混沌优化等算法,在算法结构、计算时间、搜索区间控制以及收敛速度等方面具有较好的特性,验证了该方法的有效性。

用蚁群算法进行函数优化时，存在收敛速度慢且易于陷入局部最优解的问题。针对这一现状，提出了一种微粒群和蚂蚁算法相结合的混合连续优化算法，该算法引入微粒群优化操作进行全局搜索牵引，采用网格法进行细密度的蚂蚁局部搜索，从而能很好地应用于求解连续对象优化问题。对若干典型复杂连续函数的实验测试结果表明，该混合算法跳出局部最优解的能力较强，能较快地收敛到全局最优解，并能适于高维空间的优化问题。与最新的有关研究成果相比，该算法不仅寻优精度高，而且收敛速度大幅提高，效果十分令人满意。