【路径规划】基于遗传算法求解多中心vrp问题matlab源码

【布局优化】基于遗传算法求解公交排班问题matlab源码.md

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。

电力系统经济调度问题是电力系统中的一个重要的研究课题,针对该问题,提出一种改进粒子群优化(ODPSO)算法.改进算法在搜索前期,采用广义的反向学习策略,使算法能够快速地靠近较优的搜索区域,从而提高收敛速度;在搜索后期,借鉴差分进化算法的进化机制设计改进的变异和交叉策略,对当前种群的最优粒子进行更新,从而提高种群的多样性,进而协助算法获得全局最优解.为了验证改进粒子群优化算法的有效性,对CEC2006提出的22个基准约束测试函数进行仿真,结果表明改进算法相比其他算法在寻优精度和稳定性上更具优势.最后,将改进算法应用于考虑机组爬坡速率约束、机组禁行区域约束以及电力平衡约束的两个电力系统经济调度问题,取得了令人满意的结果.

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

蚁群算法求解二维格栅问题效果尚可，小规模格栅地图不如A星算法，但是适用性强，某些地图使用A星算法得到的结果不如蚁群算法，可以尝试用其他方法进行优化。 蚁群系统(Ant System或Ant Colony System)是由意大利学者Dorigo、Maniezzo等人于20世纪90年代首先提出来的。他们在研究蚂蚁觅食的过程中，发现单个蚂蚁的行为比较简单，但是蚁群整体却可以体现一些智能的行为。例如蚁群可以在不同的环境下，寻找最短到达食物源的路径。这是因为蚁群内的蚂蚁可以通过某种信息机制实现信息的传递。后又经进一步研究发现，蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质，蚁群内的蚂蚁对“信息素”具有感知能力，它们会沿着“信息素”浓度较高路径行走，而每只路过的蚂蚁都会在路上留下“信息素”，这就形成一种类似正反馈的机制，这样经过一段时间后，整个蚁群就会沿着最短路径到达食物源了。

考虑随机客户的配送区域划分与配送路径集成优化建模及求解算法，雷洪涛，，本文研究了在典型物流系统配送区域上，考虑随机出现客户点的配送保障区域划分与配送路径集成优化问题。针对所提出的问题，总结了

matlab不运行一段代码二维运动学求解器 在华沙动力与航空工程学院WUT为多体动力学课程创建的二维运动学求解器项目。 这款软件是用OOP Matlab编写的，具有易于将来开发的思想。 它是在具有学术许可的MATLAB R2016a软件中创建的。 如何开始？ 要了解此小工具箱的用法基础，请在MATLAB中运行脚本example_1.m example_1 该软件的核心类是求解器类。 要开始创建机制，请始终对其进行初始化： solver = kinSolver.solver(); 为了获得接地元素，肯定会需要建立并连接其余的机制，请使用功能Solver.getGround（） ： ground = solver.getGround(); 要熟悉该软件的使用，请研究example_1.m或example_2.m-您将很快获得灵感！ 到目前为止，尚无任何常用格式的文档，但应尽快创建。 如果您需要了解该软件在更深层次上的工作方式，请不要犹豫地检入代码-每个类，函数和选定的代码块都以恒定的方式进行描述。 代码或体系结构可能并不完美-它只是从一个有趣的自由式编程会话开始！

针对不确定多目标柔性作业车间调度问题,将工序加工时间采用区间数表示,以区间最大完工时间和区间机器总负荷为优化目标,构建多目标区间柔性作业车间调度模型,并设计一种多目标进化优化算法对该模型进行求解.算法采用混合策略生成初始化种群,并采用贪婪插入法对染色体进行解码,通过基于可能度的占优关系评价个体性能,将区间目标归一化结合拥挤距离反映优化解的分布情况.实验结果验证了所提出算法的有效性.

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果