基于自适应ε的约束优化算法

针对目前约束优化算法易陷入局部最优和鲁棒性不好等缺点,提出基于自适应ε的约束优化算法。首先,通过改进的个体比较准则,充分利用优秀不可行个体的有效信息,加大对搜索空间的探索力度,从而提高种群多样性;其次,提出自适应ε调整策略,平衡目标函数和约束违反度之间的关系,进而更加合理地进行个体比较。对13个标准测试函数的对比实验表明,本文算法不仅能够以较高精度收敛到全局最优解,而且鲁棒性较好。     

求解带约束函数优化的两级自适应遗传算法

针对带约束的非线性函数优化问题 ,提出一个两级自适应遗传算法。根据待优化函数和约束构造拉格朗日对偶函数 ,在下级对给定的拉格朗日乘子 ,用遗传算法搜索变量的最优解 ;在上级针对拉格朗日对偶函数 ,用遗传算法搜索拉格朗日乘子的最优解。采用自适应的方法 ,根据个体的适配值和种群的适配值统计特性确定交叉概率和变异概率。计算结果表明 ,该算法是有效的。     

求解混合变量约束优化问题的改进粒子群算法

针对工程设计中混合变量约束优化问题,提出一种基于模拟退火的粒子群算法。通过引入模拟退火算法,重新生成停止进化粒子的位置,增强了全局搜索能力。鉴于最优解位于可行域边界的特点,结合一种自适应保持群体中不可行解比例的策略,采用个体比较准则处理约束。同时结合混合变量优化问题的特点,通过转换函数,使算法真正在离散空间中进行搜索,保证了解的可行性。仿真结果表明:该算法能够快速准确地找到最优解,具有较好的稳定性。     

基于粒子群算法的多目标车辆调度模型求解

车辆调度问题是具有复杂约束条件的组合优化问题,在理论上属NP-hard问题.考虑车辆数目最少和车辆运行时间最短,建立了具有时间约束的多目标车辆调度模型.并采用粒子群算法（PSO）求解车辆调度问题,以寻求最优车辆调度方案.在实例中通过运用粒子群算法和遗传算法进行比较分析,结果表明,PSO算法简单可行,在优化性能、收敛速度及鲁棒性等方面优于遗传算法,能较好地解决组合优化问题.     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

自适应协同优化方法研究

针对一致性约束条件造成协同优化方法计算困难的问题,研究提出了一种自适应协同优化方法.首先将设计变量空间划分为三类区域,分析了每个区域内一致性约束松弛量与系统可行域和学科一致性的关系,并在此基础上提出了三种一致性约束松弛量的确定方法.然后基于上述方法,给出了自适应协同优化的算法流程,对比分析了相对于标准协同优化算法流程的改进之处.最后采用自适应协同优化方法对两个典型MDO算例进行优化,证明了该方法具有较好的鲁棒性和收敛速度.     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

求解约束优化的模拟退火PSO算法

针对有约束最优化问题,提出了基于模拟退火的粒子群优化(particle swarm optimization simulated annealing, PSO SA)算法。该算法利用模拟退火算法以一定概率接受较差点的概率突跳特性,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性原则进行约束处理,并在模拟退火算法产生新粒子的过程中保留最优不可行解的信息,弥补了可行性原则处理最优点位于约束边界附近时存在的不足。4个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解.     

基于变换的线性约束降秩自适应波束形成算法

在分析直接形式的线性约束降秩自适应波束形成算法存在缺陷的基础上,提出了基于变换的线性约束降秩自适应波束形成算法,解决了直接形式的线性约束降秩自适应波束形成算法在特定干扰角度上数值稳定性下降和约束零点损失问题。提出了线性约束正交投影算法,基于变换的线性约束正交投影算法可得到和其它降秩方法相同的性能,但降低了计算复杂度。通过计算机仿真验证了算法的有效性。     

基于并行单星约束的导航抗干扰研究

在全球定位系统中使用空时自适应处理算法可以增强接收机的抗干扰性能,为防止算法对卫星信号的衰减,可通过约束条件对卫星信号进行保护,传统的单星约束可以保证每颗卫星输出信噪比最大,但运算量很大。虽然多星约束可以使所有卫星的综合输出性能最优,且减少了运算量,但无法保证单颗卫星的输出信噪比性能。对空时自适应处理算法进行了合理简化,提出了并行单星约束算法,与多星约束相比,所提算法不仅运算量更小,还可保证每颗卫星输出信噪比最大。仿真结果表明,所提算法在对干扰信号进行抑制的同时,有效地实现了对多颗卫星信号的保护。     

含风电电力系统动态经济调度的差分纵横交叉优化

由于风电具有随机性和波动性的特点，大规模风电并网使得电力系统经济调度更加复杂。结合参数自适应差分算法（ADE ）和纵横交叉优化算法（CSO ）各自的优点，提出一种自适应差分纵横交叉（ADE-CSO ）混合智能优化算法。为了满足负荷平衡等式约束和机组功率爬坡约束，提出一种启发式约束处理方法。在接入风电的5 机系统上对ADE-CSO 算法进行仿真，并与4 种其他智能优化算法进行比较。实验结果表明，提出的算法具有良好的优化性能和全局收敛性能，是一种求解含风电场电力系统动态经济调度的有效方法。     

控制系统最速响应鲁棒性设计

为了简化实际中控制系统鲁棒性的设计,提出一种有约束多目标最优化的鲁棒性时域设计方法。该法先对名义值系统进行设计,把自动驾驶仪的上升时间转化为目标函数,将系统超调量、稳态误差等性能指标转化为约束条件,采用有约束最优化方法设计名义值系统的控制器;然后考虑系统的鲁棒性,将参数的波动范围转化为对象族,采用优化方法设计出对象族的控制器,即考虑了系统的鲁棒性,通过仿真证明该算法是可行的。     

基于佳点集的约束优化进化算法

结合数论中佳点集理论和多目标优化技术,提出了一种求解约束优化问题的新算法.该算法首先把约束优化问题转化为两个目标的多目标优化问题;接着结合佳点集理论重新设计了交叉算子,新的交叉算子能够生成具有代表性的子代个体以更好地搜索空间;采用BGA变异算子增加子代个体的多样性;最后根据当前子代群体的进化信息,利用联赛选择算子或Pareto优超关系选择优胜个体进入下代群体,通过4个标准测试函数验证了算法的有效性.     

基于全局最优和差分变异的头脑风暴优化算法

针对头脑风暴优化(brain storm optimization,BSO)算法的选择操作中仅部分个体更新追随全局最优和变异操作中步长不能自适应的问题,采用追随全局最优策略以充分利用全局最优信息,并用差分变异代替原来的高斯变异以自适应调节变异步长,提出了基于全局最优和差分变异的BSO (global-best diff...     

基于PSO-ABC的混合算法求解复杂约束优化问题

为了改善粒子群优化（particle swarm optimization, PSO)算法在处理复杂约束优化问题时的求解效果,提出了一种基于粒子群和人工蜂群的混合优化(particle swarm optimization artificial bee colony,PSO-ABC)算法。在采用可行性规则进行约束处理的基础上,将PSO种群分为可行子群和不可行子群,并在ABC算法从粒子种群中选择蜜源时,保留部分较优的可行解信息和约束违反程度较低的不可行解信息,弥补了联赛选择算子在处理最优点位于约束边界附近的问题时存在的不足。同时,使用禁忌表存储局部极值,减小了PSO算法陷入局部最优的危险。针对4个标准测试实例的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

基于ε-约束方法的增广Lagrangian多目标协同进化算法

介绍了一种利用协同进化算法求解多目标优化问题的算法。这种算法首先采用ε- 约束方法对多目标优化问题进行处理 ,使其转化为一个单目标带约束的优化问题 ;然后 ,采用增广Lagrangian方法把这个单目标约束优化问题转化成一个存在鞍点的二人零和博弈问题 ;最后 ,利用协同进化的思想 ,用两个种群分别表示目标函数和约束这两个局中人 ,对这个二人零和博弈问题求解。进化过程中的选择、重组和变异算子均采用简单遗传算法(SGA)的机制。通过对两个实验测试问题的研究可以看出 ,这种算法比其它同类进化算法所得的结果要精确、稳定。     

解决约束优化问题的一种改进PSO研究

为有效求解约束优化问题,提出一种改进粒子群算法（ICPSO）。该算法在处理约束时不引入惩罚因子,而是根据目标函数值和粒子违背约束奈件程度。并根据种群中介体的可行性,采用三种不同的交叉操作对粒子自身最优位置进行操作,同时对全局最优粒子采取变异操作以产生新的学习样本,引导种群的飞行,提升种群跳曲局部最优解的能力。最后,引入一种混合粒子速度更新策略,提升种群向最优解飞行的概率。标准测试函数的仿真结果表明ICPSO是可行的,有效的。     

求解DRS多目标优化问题的新颖ε-支配进化算法

首先分析ORS(dominance resistant solutions)多目标优化问题的特点,证明基于Pareto-支配关系的多目标优化问题算法求解该类问题很难收敛.然后,提出一种新的基于ε-支配关系的进化算法-ε-支配进化算法(EDMOEA),给出该算法框架和详细流程.最后,将ε-支配进化算法和NSGA-Ⅱ算法应用于求解一组典型的DRS多目标优化问题和常用的多目标优化测试问题,基于算法的收敛性和Pareto最优解集分布性进行评价和比较分析,表明ε-支配进化算法的有效性.     

带硬时间窗的战场物资配送车辆路径优化

针对战场物资配送中带硬时间窗车辆路径问题的多重模糊性,基于模糊可信性理论建立了多目标模糊期望值模型,提出了一种改进的约束多目标粒子群优化算法。算法采用基于相位空间思想的实数编码方式,提出了带优秀不可行解动态记忆机制的非支配解构造方法,基于自适应栅格和拥挤距离的混合多样性策略维护非支配解集,改进了个体向导更新方式,提高了算法的收敛性能,同时引入局部搜索和变异算子避免算法早熟。仿真实验表明了模型的合理性和算法的有效性。     

最大熵DFP算法及其在水环境优化问题中的应用

为了提高求解约束优化问题的精度,将最大熵原理与DFP无约束优化方法相结合,将复杂的带约束的优化问题转化成无约束优化问题,建立了求解约束水环境优化问题的最大熵DFP算法(MEDFP).MEDFP算法不仅可以得到最优解,而且由收敛极小点处的Lagrange乘子可判断约束对该点的松紧程度.数值分析和在水环境优化问题中的应用结果表明,该算法精度高、收敛快、实用性强,好于模糊非线性规划方法,随机优化方法、模式搜索方法和LINGO方法,是处理带约束水环境优化问题的一种有效方法.