蚁群算法论文：基于蚁群遗传算法的实验教学排课优化策略内容摘要：
索整个过程的。 种群中的每个个体是问题的一个解，称为“染色体”。 这些染色体在后续迭代中不断进化，称为遗传。 在每一代中用适应度来衡量染色体的好坏。 生成的下一代染色体称为后代，后代是由前一代染色体通过交叉或者变异运算形成的。 新一代形成中，根据适应度的大小选择、淘汰部分后代，从而保持种群大小的稳定性。 适应度高的染色体被选中的概率高，这样，经过若干代之后，算法收敛于最好的染色体，它很可能就成为问题的最优解或次优解。 在求解各种问 题的特殊性和复杂性上，蚁群算法、遗传算法都有各自的优点和缺陷。 蚁群算法的优缺点：其是一种正反馈机制、是一个增强型学习系统，融入了人类的智能，易于与其他优化算法融合。 但蚁群算法在解决大型优化问题时，在搜索空间和时间性能上容易产生矛盾，易于出现过早收敛于非全局最优解以及求解速度较慢。 遗传算法的优缺点：具有全局搜索能力，与问题领域无关；具有潜在的并行性，可进行多值比较，鲁棒性强；计算过程简单，能很好地解决开发最优解和探寻搜索空间的矛盾，具有可扩展性，易与其它算法结合。 但遗传算法对于系统中的反馈信息利用不够，当求解到一定范围时往往会做大量的无效迭代，求精确解效率低。 基于蚁群算法和遗传算法的融合，其基本思想是采用蚁群算法寻找最佳空间，采用遗传算法寻找空间中最好方案。 同时汲取两种算法的优点，克服各自的缺陷，优势互补。 从而在优化排课问题时，在时间效率上优于蚁群算法，在求精解效率上优于遗传算法。 （ 1）编码 采用 holland 的二进制编码方法，以矩阵 a 来表示一个染色体，每个染色体就是一个排课方案。 行值代表时间 p， 列值代表所有授课任务 d。 （ 2）适应度函数 适应度值按照实验教学排课的约束条件分为三类：基本适应度（用 fitness_b表示）主适应度（用 fitness_m 表示）和副适应度（用 fitness_s表示）。 基本适应度用来记录基。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。