一种混合拟态物理学优化算法

在拟态物理学优化算法中,群体中所有个体都采用相同的作用力规则来产生后代,所有个体均表现出相同的搜索特征,使算法的种群多样性较差。借鉴物理学中不同环境下个体之间的物理规则不同,且遵循的运动规律亦不同,为算法迭代过程中不同的优化个体制定了不同的作用力规则,采用随机选择策略为不同个体动态分配不同的作用力规则,以增加种群多样性。然后用仿真实验验证了该混合拟态物理学优化算法的有效性。     

混合精英学习的分组APO算法

为解决APO算法只遵循一种运动规则,过程单一,多样性较差,易使算法陷入局部最优的不足,借鉴精英学习策略,提出了分组精英学习策略对APO算法改进。该算法对种群个体进行分组,组内个体单独进化若干代,按适应值排序后选择最好的若干个体作为精英个体,精英个体即为组间个体,进行组间搜索,同时组内个体围绕各自精英个体局部精细搜索寻优,并引入反向学习和种群多样性指标动态调整各组个体的运动趋势,使个体间相似程度增大,寻找潜在的较好解,同时对组内组间不同个体遵循不同的作用力规则,有效地保持种群多样性,通过14个测试函数与APO算法比较,实验结果表明,该算法是有效的,在种群多样性与解的精度上较优。     

拟态物理学优化算法在分布式电源选址定容中的应用

分布式电源接入点位置和容量的大小直接影响电网的安全性和经济性。文中建立了1个使配电网有功损耗最小的分布式电源选址定容优化模型。模型中考虑了电源接入容量和接入点对系统潮流、节点电压、线路负载及网络损耗的影响,并进行了相应的约束,以保证电网的安全稳定运行。采用拟态物理学优化(APO)方法对其求解,将接入容量、接入点、节点电压等拟态为物理学中的个体质量,每个个体根据自己的质量、速度及其他个体的引/(斥)力作用不断调整自己的运动和位置,通过全局最好、最差和自身适应值不断更新其质量,最终整个群体所经历的最好位置即为全局最优解,从而得到分布式电源的最佳接入位置和容量。最后采用标准IEEE-33辐射配电系统进行计算分析,并与粒子群(PSO)算法进行比较。APO算法的有功损耗减少更为显著,其平均电压和最低电压均好于粒子群算法的,验证了所提出的模型和方法是可行和有效的。     

一种混合一维搜索的矢量拟态物理学算法

针对约束优化问题,首先引入收缩系数,使得越界个体沿着速度方向回到问题空间,并且保持搜索方向不变。然后利用违反约束量函数来判断个体是否在可行域内,用一维搜索的方法保证个体在迭代过程始终都在可行域内。最后利用矢量拟态物理学优化算法搜索目标问题的最优解。通过对10个典型约束优化测试函数的仿真测试,并与类电磁算法比较发现,本算法在最优适应值的精度上优于类电磁算法,方差的结果也说明了算法的稳定性,这表明该算法是简单有效的。     

基于蚁群优化的模糊Sarsa学习算法

提出了一种基于蚁群优化的模糊Sarsa学习(ACO-FSL)算法,在该算法中,首先把模糊系统按照模糊规则进行划分,对于每条模糊规则,有若干个候选动作可被选择,动作选择的概率依赖于实时的值函数;然后在每个动作选择的同时根据蚁群优化的思想定义变化的学习率,这样既缩小了搜索空间,又提高了学习效率.整个模糊推理模块被看作是蚂蚁...     

基于前向PD控制的拟态物理学优化算法研究

针对拟态物理学算法局部搜索能力弱的缺陷,提出一种在拟态物理学算法模型中前向引入PD控制器的改进算法,通过对APO算法的位置迭代公式化简后进行z变换,并前向引入PD控制器,再通过z反变换,并化简得到位置的迭代公式和速度的迭代公式,从而得出APO的改进模型APO-PD,最后通过低维和高维的函数性能测试说明了改进的APO算法的有效性。     

基于APO的群机器人目标搜索仿真系统设计

针对群机器人目标搜索问题,采用拟态物理学优化算法作为群机器人的建模工具,参考优化个体间的引斥力规则建立机器人间的作用力规则,参考优化个体的质量函数构造有关机器人感知强度的虚拟质量函数,建立群机器人目标搜索模型。根据模型参数较多,要求查看群机器人搜索过程的特点,开发了基于拟态物理学优化算法的群机器人目标搜索仿真系统,实现了参数的灵活定制,动态演示群机器人搜索过程以及生成实验结果报表等功能。     

约束差分免疫克隆算法及其在汽油调合优化中的应用

针对约束多目标优化问题,提出了一种新型的约束多目标优化算法。该算法采用了一种新型约束处理方式,先通过约束违反门限截取种群再依据约束与目标函数值针对不同情况实现对个体的优劣划分。本算法将差分进化与免疫克隆机制相融合,既利用了差分进化从全局角度进行搜索的特点,又利用了免疫克隆机制从优秀个体出发进行局部再寻优搜索的优点,扩大了算法搜索的广度与深度。测试结果表明该算法相比快速非支配排序遗传算法(NSGA-II)具有非常优秀的收敛性与分布性。将提出的算法应用于实际的汽油调合优化中,进一步验证了算法的有效性,可有效减少成本,提高产品质量。     

基于子种群的改进人工蜂群算法

针对人工蜂群算法以及现有改进算法的不足,提出了一种基于子种群的改进人工蜂群算法.此算法利用个体适应值与种群适应值平均值的比较,将种群划分为两个子种群,每个子种群采用不同的搜索方式,有效地平衡了不同搜索方式的探索和开发能力.此外,采用分段Logistic方程的初始化方法产生初始解,提高算法的收敛速度.与基本蜂群算法和其他改进蜂群算法进行比较,数值仿真结果表明,所提算法在处理复杂数值优化问题时具有更好的寻优精度和收敛速度.     

PSO优化算法的微粒寻优过程移动规律研究

为了更好地扩展和应用粒子群优化(PSO)算法,明确其寻优过程中微粒的移动规律十分必要.基于PSO算法简化模型,建立了围绕平衡点振动的微粒寻优过程的运动学方程,然后给出参数选择与微粒运动的振动角频率和振幅之间的关系,进而给出了基本粒子群优化算法的微粒寻优运动规律.仿真实验表明,(1)简化PSO模型中粒子的寻优运动规律为:粒子以当前最佳适应值为平衡点进行围绕振动;(2)基本PSO模型中粒子的寻优运动规律为:粒子以随机的角频率和振幅围绕平衡点进行振动.这两条规律填补对微粒寻优过程移动规律认识的空白,有利于推广和改进PSO算法,以便使得其适合解决实际优化问题.     

PSO优化算法的微粒寻优过程移动规律研究简

为了更好地扩展和应用粒子群优化(PSO)算法,明确其寻优过程中微粒的移动规律十分必要.基于PSO算法简化模型,建立了围绕平衡点振动的微粒寻优过程的运动学方程,然后给出参数选择与微粒运动的振动角频率和振幅之间的关系,进而给出了基本粒子群优化算法的微粒寻优运动规律.仿真实验表明,(1)简化PSO模型中粒子的寻优运动规律为:粒子以当前最佳适应值为平衡点进行围绕振动;(2)基本PSO模型中粒子的寻优运动规律为:粒子以随机的角频率和振幅围绕平衡点进行振动.这两条规律填补对微粒寻优过程移动规律认识的空白,有利于推广和改进PSO算法,以便使得其适合解决实际优化问题.     

人工免疫C-均值聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制，提出了一种人工免疫C-均值混合聚类算法．该算法采用了新的克隆选择方法，通过亲和度排序和个体浓度定义了个体的选择概率，从而可确定个体的适应值评价函数，以评价和选择个体．算法还集成了一种C-均值搜索算子，用于加快收敛速度．在聚类数目已知的情况下，所提算法能够得到给定数据集下的全局最优划分，与基于遗传算法的聚类方法比较，它具有更快的收敛速度和更高的收敛精度，并可扩展到性能指标能够表示为优化聚类中心函数的聚类模型之中．仿真结果表明，所提算法是有效性的．     

一种改进的自适应微粒群优化算法

为了提高微粒群算法(PSO)优化高维目标的性能,提出了个体惯性权重自适应调整微粒群算法(PSO-IIW).PSO-IIW中微粒拥有个体的惯性权重以满足不同微粒对全局和局部搜索能力的不同需求,此权重在对微粒每次进化后的适应值进行评价的基础上被自适应地调整,以加快其收敛速度并逃离局部最优.用该方法与其他两种不同微粒群优化算法对3个经典函数在80,120和160维数进行仿真的结果进行比较,证明在解决高维度目标时可以有效提高微粒群算法的性能.     

基于个体决策机制的粒子群算法及应用

作为一种智能优化算法,粒子群算法中的粒子有不同的生活经验,因此每个粒子会做出不同的个体决策,但是这种决策机制在粒子群算法中并没有体现出来,因此本文通过引入个体决策机制的理论和方法通过个体历史适应值信息来改进粒子群算法。改进的粒子群算法应用到非线性方程组求解问题中,仿真结果表明它具有较大的优势。     

基于精英个体划分的变步长萤火虫算法的特征选择方法

针对标准萤火虫算法(firefly algorithm,FA)收敛速度慢及其在解空间内的搜索易陷入局部最优的缺陷,充分考虑萤火虫算法在寻优过程中其种群内个体的差异性,提出一种基于精英萤火虫个体划分的变步长策略,改进后的FA在算法迭代中对每代目标值较好的精英萤火虫个体随机增大其移动步长,而对每代目标值较差的非精英个体则线性减小其步长。为适用于特征选择问题,又对FA中萤火虫的编码和位置移动进行了离散化定义,给出了基于所提改进型离散FA(binary firefly algorithm,BFA)的包装式特征选择方法流程。在UCI分类数据集上对比测试了所提改进型BFA与其他算法在优化特征选择方面的性能。测试结果表明,基于所提改进型BFA优化特征选择的效果较好,验证了所提改进策略可有效提升FA的优化能力。     

一种混沌粒子群算法及其仿真研究

分析了基本粒子群优化(PSO)算法易于发生早熟收敛的原因,在此基础上提出了一种混沌粒子群优化(CPSO)算法根据个体适应值自适应调整粒子的位置分布,既保证了收敛速度又兼顾了全局收敛性,仿真结果表明该算法比基本粒子群算法有更优的性能。     

独立分量分析和遗传算法相结合的运动想象频带优化

对结合独立分量分析(independent component analysis,简称ICA)和遗传算法(genetic algorithm,简称GA)的运动想象脑电(motor imagery electroencephalogram,简称MI-EEG)特征检测及其优化方法开展研究.设计了基于ICA的MI-EEG分类算法.在此基础上,针对不同受试个体,用GA算法对运动想象诱发的事件相关去同步(event-related desynchronization,简称ERD)频段进行优化选择,用以改善运动想象脑-机接口(brain-computer interface,简称BCI)系统的识别率.实验结果表明,基于ICA的GA算法特征优化方法具有较好的可靠性和实用性,可用于在线BCI的设计与实现.     

一种混沌粒子群算法及其仿真研究

分析了基本粒子群优化(PSO)算法易于发生早熟收敛的原因,在此基础上提出了一种混沌粒子群优化(CPSO)算法根据个体适应值自适应调整粒子的位置分布,既保证了收敛速度又兼顾了全局收敛性,仿真结果表明该算法比基本粒子群算法有更优的性能.     

基于邻域搜索的粒子群动态优化算法

常规的粒子群优化(particle swarm optimization,PSO)算法在求解动态环境下优化问题时,由于其收敛性而失去对最优解的跟踪能力。为了更好地增加种群的多样性,以保证算法更好地追踪动态环境下最优解的变化,文章提出一种基于邻域搜索的粒子群动态优化算法(neighborhood search particle swarm optimization,NSPSO)。在每一演化代中对个体依适应值从大到小排序,并对排序后的个体按从大到小的顺序以一定的比例分配Leader、Follower、Scouter 3种不同的角色,不同角色的个体采用不同的更新策略,使得算法在维持一定开发能力的同时维持较强的探索能力。通过对移动峰问题的实验发现NSPSO算法具有较小的离线误差,且离线误差受变化强度的影响均小于其他用于比较的算法,从而验证了NSPSO算法能够有效地跟踪动态环境下最优解的变化。     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.