面向高维特征故障数据的进化软子空间聚类算法

针对复杂机械设备故障诊断中特征量众多且对各种故障敏感程度不同的现象,提出了采用软子空间聚类算法来实现故障的识别方法。同时,针对传统软子空间聚类易陷入局部最优,目标函数设计受限制的缺点,又提出了采用进化计算实现聚类的方法。利用同类样本在相关特征维上方差小的假设,新的目标函数能更好地评价聚类结果的质量。在该算法中,通过设计类中心和权重值的混合编码以及聚类导向搜索算子,使算法更适于聚类问题的优化,而且设计的修复算子可有效地去除不合理的聚类结果。采用5组UCI数据集、2组轴承滚珠故障数据集和3组往复式压缩机气阀故障数据集对算法进行了测试,结果表明:该算法明显好于几种的软子空间聚类算法,在Rand指标上最多可高出0.226 6,并且对2组不同工况下一级缸气阀故障可实现100%的故障识别。     

求解约束优化问题的萤火虫算法及其工程应用

针对基本萤火虫算法存在收敛速度慢、易陷入局部最优等缺点,提出一种改进的萤火虫算法用于求解约束优化问题。该算法首先利用混沌序列初始化萤火虫的位置,引入动态随机局部搜索以加快算法的收敛速度;为了避免算法陷入局部最优,对当前全局最优解进行多样性变异操作。对几个数值优化和工程优化问题进行实验。研究结果表明:与其他启发计算法相比,该算法具有较强的寻优性能。     

基于云模型和K-means聚类的蝙蝠优化算法

为了改善蝙蝠算法在函数优化中稳定性差,易陷入局部最优的问题,利用云模型随机性和稳定倾向性的特点,提出了一种蝙蝠优化算法,根据个体适应度值,利用K-means聚类算法把种群划分为三个区域,分别采用不同的频率生成策略,使算法既能稳定的控制搜索空间范围,又能避开局部最优解,同基本的蝙蝠算法比较,仿真结果表明,该算法在函数优化问题中具有较高的精度和较快的搜索速度.     

基于单增量和全局维度学习策略的萤火虫算法

萤火虫算法的搜索过程较依赖于最优萤火虫，而最优萤火虫并不进行有导向的寻优移动，算法易陷入局部最优.为此，提出了一种基于单增量和全局维度学习策略的萤火虫算法.在萤火虫个体移动时，该算法并不叠加萤火虫个体的当前位置，而是将累加的位置增量作为新的搜索方向，用于更新萤火虫的位置.该算法大大降低了萤火虫当前位置对搜索过程的影响，有利于算法更快的跳出当前局部最优，进行更大范围的寻优；其次，对最优萤火虫进行一定次数的单维度学习，将学习后的萤火虫引导种群进化.在基准测试函数上的实验结果表明，该算法优于其他几种改进的群智能优化算法，具有良好的跳出局部最优的能力.     

基于生物地理学模糊C均值聚类的图像分割算法

提出了一种基于模糊C均值算法和生物地理学优化算法的混合聚类算法(BBO-FCM).该算法结合了生物地理学优化算法的全局搜索和FCM算法快速局部搜索的特点,利用生物地理中的迁移算子来进行各解之间的信息共享,从而有效地克服了FCM对初始值敏感、易陷入局部最优等问题.将BBO-FCM算法用于图像分割,实验表明,新算法的聚类效果评价指数更好,聚类效果明显优于原始的FCM算法.     

基于萤火虫群算法的网络入侵优化检测算法

针对模糊C 均值聚类法因对初始聚类中心敏感且容易陷入局部极小值而导致无法在网络入侵检测中获得精确分类结果的问题, 提出了基于萤火虫群优化（GSO: Glowworm Swarm Optimization)算法的网络入侵检测方法。采用标记样本得到初始聚类中心, 运用萤火虫群优化实现对聚类中心的优化。结果显示该方法有效。     

一种噪声启发式聚类算法

启发式聚类算法的搜索空间中布满了局部极小值"陷阱",从而使得算法容易过早收敛而无法获得高质量聚类结果.文章给出了一种噪声启发式聚类算法NHCA (Noising Heuristic Clustering Algorithm),该算法在搜索空间中增加一组由强至弱的噪声来扩大启发式搜索的局部范围,以保持搜索空间的多样性,达到避免局部极小值影响和提高聚类质量的目的.大量实验结果表明,噪声法对提高启发式聚类算法质量是十分有效的.     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于PSO-FCM算法的同调发电机识别

针对同调动态等值法中的同调发电机分群问题,提出了基于粒子群优化(PSO)的模糊c均值聚类(FCM)算法来识别同调发电机.该算法将聚类中心数作为粒子进行编码,利用粒子群优化的并行性和全局搜索能力,通过不断更新粒子的速度和位置实现寻优,克服了模糊c均值聚类对初值的依赖和易陷入局部极值的缺点.文中还构造了聚类有效性函数来进行聚类效果的评价.IEEE10机39节点系统仿真表明,该算法具有快速、准确、简单、易实现的特点,有效解决了同调发电机的识别问题,可用于电力系统不同运行方式下同调发电机的分群.     

烟花搜索导向的多路启发式聚类算法

启发式聚类算法具有收敛速度快、易实现等优点,但初始解敏感,严重影响了聚类算法的质量。针对这一问题,提出了一种烟花搜索导向的多路启发式聚类算法。该算法通过多次调用经典启发式聚类算法,产生多个局部最优解;在搜索空间中以多个局部最优解为搜索起点,采用烟花搜索进行多路搜索;基于信息熵浓度设计烟花选择算子确定搜索方向;再经过变异、映射、偏移算子变换局部最优中心点,以发现质量更好的搜索起点;直至算法收敛获得新的搜索起点;最终以新的搜索起点调用经典启发式聚类算法获得高质量聚类结果。实验结果表明,烟花搜索导向的多路启发式聚类算法在不同数据集上的聚类质量明显高于对比其他聚类算法的聚类质量。     

运用改进的萤火虫算法求解TFT-LCD单元装配调度问题

针对薄膜晶体管液晶显示器(TFT-LCD)液晶板组装制造阶段(Cell)生产调度的复杂性,且在考虑了各种约束条件的前提下,以最小化工件最大完工时间和加权延迟最小为调度目标,建立了TFT-LCD单元装配作业调度数学模型。运用加入混沌搜索的萤火虫算法解决作业车间调度问题,克服了标准萤火虫算法容易陷入局部最优、优化速度慢以及计算量大等困难,并与其他算法比较,仿真结果表明了改进的萤火虫算法求解TFT-LCD单元装配作业调度问题的合理性和优越性。最后,建立了具有学习效应和遗忘效应的TFT-LCD单元装配作业调度模型,分析了不同的学习因子和遗忘率对所求目标函数的影响。     

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过三种策略对萤火虫算法进行了改进：首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。本文基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。     

模糊C-均值聚类算法的改进研究

模糊C-均值聚类算法通过迭代的爬山技术来寻找问题的最优解,是一种局部搜索算法,容易受初始值的影响而陷入局部极小值.遗传算法是一种应用广泛的全局优化算法,是一种与求解问题无关的算法模式,能够有效解决模糊C-均值聚类算法对初始化敏感的问题,利用改进后的遗传算法能更好地解决聚类问题.     

一种改进的混合蝙蝠算法

为解决基本蝙蝠算法中存在的易陷入局部最优且求解精度不足的问题,提出一种改进的混合蝙蝠算法,引入了分组迭代模式和多种速度迭代公式加强了全局搜索能力,更新了种群领域搜索公式的基础上引用了t分布作为种群最优解的领域搜索方式,补足了蝙蝠算法的局部搜索能力,避免了算法陷入局部最优解。通过多个标准测试函数的实验验证改进的混合蝙蝠算法能有效解决基本蝙蝠算法中出现的问题。     

非线性约束规划快速收敛的共轭投影变尺度法

本文讨论非线性等式约束规划问题，给出了问题的一种共轭投影变尺度算法．方法利用变尺度法，梯度投影法及共轭方向法相结合的思想直接给出主搜索方向和辅助方向显式表达式，以罚函数为效益函数，不需解任何二次子规划．在较温和的假设下，算法具有全局收敛性和超线性收敛性．     

求解航天器最优交会问题的改进和声搜索算法

针对航天器最优交会问题,基于C-W模型建立一种燃料时间混合指标,并提出一种改进和声搜索(AHS)算法进行求解.在AHS算法中,提出一种全局均匀学习操作,利用了当前全局最优和声的指导作用,取代了原始和声搜索算法的基音调整操作,增强全局搜索和局部搜索的平衡,并对参数PAR进行了有效的动态调整,以更好适应算法的搜索进程.利用几个最优交会实例对AHS算法的有效性进行了测试,数值结果表明AHS算法能够取得满意的结果,并且优于其他算法.     

带容量约束的多车调度暂态混沌神经网络算法

带容量约束的多车调度问题是典型的NP-hard问题,利用模糊C均值聚类算法的相似性分类原理及混沌神经网络的全局搜索能力和高搜索效率,提出了一种快速且易于实现的新的混合启发式算法.该算法分为用模糊C均值聚类算法将所有客户按车容量要求装车和用暂态混沌神经网络方法对每条路线排序两个阶段.实例计算以及与其他算法比较表明,该算法是一种求解多车调度问题的可行且高效的方法.     

基于萤火虫算法的学习遗忘效应BFSP问题研究

对于以最小化最大完工时间为目标的阻塞流水车间调度问题(BFSP),现有研究较少同时考虑学习效应及遗忘效应对生产调度的影响,为此构建了BFSP问题的学习遗忘调度模型,结合基于Pairwise的局部搜索策略,应用萤火虫算法对小批量生产时的学习遗忘效应BFSP问题进行求解.对Car类问题及其学习遗忘调度模型的大量仿真测试,表明了改进萤火虫算法求解该类问题的可行性和有效性.同时,证明了学习效应能够降低最大完工时间,从而提高生产效率;而遗忘效应会使得学习效果减弱,从而导致最大完工时间的增加,学习效应和遗忘效应在生产调度中的影响是客观存在且不可忽略的.     

改进模拟退火算法在旅游路线定制中的应用

旅游路线定制已成为提高旅行体验的重要举措之一,为解决新游客在陌生城市旅游时的路线定制问题,在考虑景点距离、旅游消费和游客出行时间等约束条件下,建立了以旅游效用值为目标函数的旅游路线定制模型。为了避免模拟退火算法出现冗余迭代,陷入局部最优,提出一种改进模拟退火算法来求解旅游路线定制模型。该改进算法通过混沌寻优确定初始温度避免迭代冗余;通过对当前最优解进行混沌扰动来动态控制搜索步长,跳出局部最优;并用方差判定准则来作为搜索停止条件。最后,以广西桂林市的旅游景点为例对改进算法进行了验证。实验结果表明,该改进算法不仅加快了模型的运行速度,而且更容易寻得全局最优解,为游客提供了更准确合理的旅游路线。     

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。