基于用户偏好的IIFS-SEA服务评估方法

提出了一种基于区间直觉模糊集的服务评估方法 (IIFS-SEA),使用区间直觉模糊数解决用户偏好的模糊性和不确定性问题.通过残缺区间直觉判断矩阵解决用户偏好的不完整性问题,利用平均年龄法及不确定动态直觉模糊加权平均算子解决用户偏好发生动态变化的问题,基于得分函数计算出服务非功能属性的权值,以实现服务评估.仿真实验表明该方法能够提高服务评估的准确性与有效性.     

基于组合进化算法的混沌系统控制与同步

混沌系统控制与同步可通过优化方法设计控制律引导混沌系统轨道来实现.构造适当的适应度函数,将混沌系统的控制与同步问题转化为一个多维的数值优化问题,然后提出一种新的组合进化算法来求解该优化问题.该算法利用佳点集方法初始化种群个体以保证其均匀分布在搜索空间中.在迭代过程中,组合不同进化算子以产生若干个新的子代个体以保持种群的多样性.以典型的Hénon混沌系统为例进行仿真实验,结果表明了该方法是解决混沌系统控制与同步的一种有效方法.     

双目标区间值规划的免疫遗传算法

探讨求解双目标区间值规划的免疫遗传算法。算法设计中,利用个体间的支配关系,将种群划分为优质、劣质种群,并沿着不同进化方式产生优质和多样个体;利用新拥挤模型,剔除种群中冗余个体,确保进化种群中个体分布的均匀性。数值比较实验表明,该算法在获解质量和解分布方面有一定优势。     

基于基因表达式编程的终端区飞机优化排序模型设计

终端区飞机排序是空中交通流量管制部门关注的热点问题,通过研究基因表达式编程在终端区飞机排序中的应用,设计了可回溯基因表达式编程的优化排序算法。该算法在染色体进化时使用改进的操作算子——最大区间约束倒置操作符,解决进化中出现的无效解和无用解问题;在种群繁衍时采用了回溯进化技术,为较优种群更好地保存,对回溯栈的操作改进为不...     

使用人工生命模型解决时变优化问题

针对传统的进化算法因群体基因型多样性的丢失,难以跟踪系统极值点状态突变的问题,提出一种使用种群比较规则解决时变优化问题的人工生命模型(TOAL:Time-varying Optimization using Artificial Life).在此模型中,由于不规定全局进化方向,通过个体之间的相互作用反映系统的进化,从而避免了多样性丢失.该方法将人工生命方法应用到时变优化问题上,使用自行提出的种群比较规则,能够在一定程序上解决时变优化问题.通过一个典型例子的模拟实验表明,TOAL算法与传统遗传算法相比,整体性能的平均适应度可从0.86提高到0.96.     

基于动态双种群粒子群算法的柔性工作车间调度

针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO).DPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息.该算法提高了全局寻优能力,有效地避免了早熟收敛的发生.将以DPSO算法为基础的排序算法和启发式分配算法(HA)相结合形成了解决柔性工作车间调度问题的新方法(DPSO-HA).通过对算例的研究和与其他方法的比较表明,该方法是有效可行的.     

基于混合蛙跳算法的聚类问题研究

混合蛙跳算法(SFLA)是一种基于子群——种群进化模式的群智能优化算法,通过自身特有的分组算子实现不同解的合理分布,能够有效跳出局部最优;局部位置更新算子只对最差解进行更新,加快了算法的收敛速度。针对传统算法在解决聚类问题时存在聚类精度低和算法收敛速度较慢等缺点,本文提出了运用混合蛙跳算法来解决聚类问题,通过采用基于图像二维空间像素特征提取的方法构造青蛙个体解,设计青蛙进化的目标函数和青蛙位置更新策略,并通过数字,图形等验证了该算法解决聚类问题的有效性.     

基于全排序与混沌多样性的高维目标进化算法

当前大部分多目标进化算法采用Pareto排序为种群个体指定适应度值;然而随着优化目标个数增加,种群中非支配个体的比例越来越大,造成上述算法的搜索能力迅速下降。针对高维(4个以上)目标优化问题,提出了一种全排序方法;该排序方法与Pareto排序具有一致性,并且能够对非支配解进行比较;因此基于全排序的多目标进化算法不受目标个数增加的影响。为了提高算法的优化效果,设计了一个混沌映射算子,用来周期性地初始化种群,以保证种群的多样性与均匀分布。最后,采用标准测试问题对所提算法与著名的非支配快速排序遗传算法(NSGA2)进行了实验比较。结果表明在高维目标优化问题中,所提算法无论在收敛精度,还是算法运行效率上都高于NSGA2算法。     

一种求解约束优化问题的改进差分进化算法

针对原始差分进化算法在求解约束全局优化问题时存在陷入局部最优的缺陷,提出一种改进的差分进化算法.该算法在保留原始差分进化算法全局搜索能力的基础上,采用基于规则的方法进行约束处理和种群个体的比较及选择,并利用种群相似度和最优变异操作改善种群进行全局范围搜索的多样性,提高算法跳出局部最优的能力.数值实验表明,该算法稳定性较好,目标函数评价次数较少,收敛速度较快,全局寻优能力较强,不仅能有效求解连续变量约束优化问题,也适用于离散变量或混合变量优化问题.     

多种进化算法混合解决约束工程优化问题研究

针对单一进化算法不适合解决所有优化问题的情况,提出了一种混合多种进化算法解决约束工程优化问题的算法.该算法混合了差分进化、粒子群优化和共生生物搜索等3种算法,首先利用差分进化算法产生和选择最优种群,然后利用粒子群优化算法寻找每一个最优解并进行更新,最后利用共生生物搜索算法对所有种群进行共生互动更新,选择出最优种群以进行...