基于蚁群优化的混合智能算法研究

为了解决混合蚁群优化算法存在的问题,研究了当前求解组合优化问题性能表现最好的迭代局部搜索算法,并分析了其关键技术——局部搜索和扰动;通过将局部搜索和扰动分别用于增强蚂蚁系统算法的开发能力和探索能力,提出了一种基于蚁群优化的混合智能算法。求解TSP的实验表明,该混合智能算法保持了其开发能力和探索能力间的平衡,并实现了在合理的计算时间内对蚁群优化算法较高质量的改进。     

改进的粒子群优化算法在可靠性问题中的应用

提出了一种改进的粒子群优化(IPSO)算法以解决可靠性问题.IPSO算法使用3种策略来改进粒子群优化算法(PSO)的速度更新步骤,这有利于提高算法对解空间的开发能力.另外,一种动态调整的惯性权重被引入到速度更新中以平衡IPSO算法的全局搜索和局部搜索.实验结果表明,在解决可靠性问题上,IPSO算法比其他两种粒子群优化算法具有更强的收敛性和稳定性.IPSO算法是解决可靠性问题的一个有效的选择.     

新型灰狼优化算法在函数优化中的应用

针对灰狼优化算法在求解连续函数优化问题时精度不高、易出现早熟收敛等缺陷,提出一种改进的灰狼优化算法.该算法在初始种群个体时采用混沌序列方法,为算法全局搜索的多样性奠定基础.根据个体适应度值将种群分为两个子种群,分别执行不同的搜索方式,以平衡算法的开采能力和勘探能力.选取几个标准测试函数对算法性能进行测试,测试结果表明,与其他群智能优化算法相比,该算法在求解精度和收敛速度方面均具有较强的竞争力.     

求解随机型双边装配线平衡问题的混合回溯搜索优化算法

针对现实生产中普遍存在的操作时间为随机的双边装配线平衡问题,提出一种混合回溯搜索优化算法。该算法将变邻域搜索算法的局部搜索能力融入到回溯搜索优化算法的全局搜索中,从而实现广度搜索和深度搜索的平衡。运用基于随机键的编码将用于求解连续问题的回溯搜索优化算法应用于离散组合优化问题,同时提出一种基于均衡双边负载的边选择策略和减少工位空闲时间的任务选择策略的解码方法,并将该方法同另外4种解码方法进行对比,以验证其优越性。标杆算例测试表明,所提出的算法具有可行性和有效性。     

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.     

一种拟随机初始化模拟退火粒子群算法

针对粒子群优化算法在求解高维问题时易出现的早熟收敛、停滞现象,提出一种拟随机初始化模拟退火粒子群算法.采用Hammersley方法对算法进行初始化,可以提高算法在高维搜索空间的搜索能力,进一步将模拟退火思想引入到粒子群优化算法中,结合粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳特性,使算法具有跳出局部最优从而实现全局最优的能力.分别在5个经典测试函数上测试算法的性能,仿真实验结果表明,提出的算法有效克服了传统粒子群优化算法在求解高维空间优化问题时易出现的停滞现象,在进化后期仍保持较强的搜索能力,提高了传统粒子群优化算法在高维空间的全局寻优能力.     

基于自适应头狼的灰狼优化算法

灰狼优化算法一种模拟灰狼捕食行为的元启发式优化算法.由于灰狼算法在种群迭代更新中始终靠近最优解,所以易陷入局部最优.提出了一种基于自适应头狼的灰狼优化算法,并在个体迭代更新中选择合适的头狼个数进行个体更新,这使得算法能够平衡开发和勘探能力.通过对20个基准函数优化问题的仿真实验表明,改进后的算法与原始灰狼优化算法相比,其全局搜索能力有显著提高.     

求解函数优化和特征选择的改进金豺狼优化算法

针对基本金豺狼优化算法(Golden Jackal Optimization, GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点,提出一种改进GJO算法(I-GJO)。在改进算法中,设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子,以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略,从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性,选取6个基准函数优化问题进行数值实验,并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明,I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题,对16个基准数据集的数值结果显示,改进算法能有效去除冗余特征和提高分类精度。     

改进的人工蜂群算法

人工蜂群算法是一种新兴的群智能优化算法,以其独特的寻优机制被广泛应用。然而,该算法存在着"早熟"收敛和进化后期搜索能力较差的缺点,针对这一问题,采用反向学习的种群初始化方法,并引入受差分进化算法思想启发的搜索方程,提出了一个改进的人工蜂群算法(简记为DEABC)。通过5个测试函数的仿真实验并与其他算法比较,结果表明DEABC算法具有更好的优化效率和优化性能。     

一种保证全局收敛的认知优化算法

文章针对传统社会认知优化算法全局收敛慢的问题,提出了一种保证全局收敛的认知优化算法。该算法应用Tent映射初始化知识库,提高初始解的质量;邻域搜索过程采用混沌搜索,增强算法跳出局部最优解的能力;通过增加混沌库来提高搜索的遍历性,实现和知识库协同寻优,从而构建为一种新的混沌混合认知优化算法;同时以Solis和Wets提出的随机算法收敛定理为基础,给出了该算法的全局收敛性证明。标准测试函数的仿真优化结果表明,该混合算法对非线性规划问题具有较强的求解能力,算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准认知优化算法。     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题。针对粒子群优化算法在算法后期易陷入局部最优的缺点，本文提出禁忌粒子群优化算法（TPS0），在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布，后期引入禁忌搜索算法，记录已经达到的局部最优解，在下一次搜索中，不再或者有选择地搜索这些点，从而跳出局部最优点，并且在搜索过程中允许接受劣解，充分利用禁忌搜索的记忆能力及较强的爬山能力，大大提高了获得全局最优解的概率。该算法综合了粒子群优化算法的快速性、随机性和全局收敛性以及禁忌搜索局部寻优的能力。在确保全局收敛性的基础上，能够快速搜索到高质量的优化解。该方法用于几何约束求解的性能明显高于标准粒子群算法，算法具有良好的优化性能和时间性能。     

一种改进的动态惯性权重粒子群优化算法

针对粒子群算法在寻优过程中容易陷入局部最优,以及难以平衡求精和求泛的能力,提出一种动态惯性权重粒子群优化算法。该算法同时考虑到粒子的进化速度和集聚程度对算法寻优的影响,当粒子集聚程度较高时,增大惯性权值,提高算法的全局搜索能力。为平衡算法全局和局部寻优能力,当进化速度较快时,提高局部搜索能力,以免错过较好的位置。将此算法用于优化4个经典测试函数,实验表明:此算法不仅可以平衡局部和全局的搜索能力,还能提高算法的搜索效率和精度。     

一种改进的人工蜂群算法

人工蜂群算法是一种模拟蜜蜂群智能搜索行为的随机优化算法,已被成功用于解决许多优化问题。该文针对基本人工蜂群算法在收敛速度和局部寻优方面存在的缺点,提出了一种具有平衡能力的改进算法。此算法在观察蜂阶段引入惯性权重,使用随着迭代次数动态变化的惯性权重因子来平衡种群的局部搜索和全局探测能力,防止算法陷入局部最优和加快寻优速度;在侦察蜂阶段(scout bees),则利用正弦函数搜索操作,正弦函数服从均匀分布,能很好地搜索全部范围,以提高种群多样性。通过对5个基准测试函数进行仿真实验,并与原算法进行比较,结果表明,改进的算法在收敛速度和搜索精度上基本优于人工蜂群算法。     

一种解多目标优化问题的基于分解的人工蜂群算法

在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至少保留一个解来保持解的分布性,其次提出一个基于分解的选择策略和2个基于信息交换的搜索策略来提高人工蜂群算法的搜索能力,并采用一个基于高斯分布的搜索策略来增强人工蜂群算法的搜索效率。为验证所提算法的性能,与8种同类算法在10个测试问题上进行比较。结果表明,本文所提算法得到的解集具有更好的收敛性能和分布性能。     

结合模式搜索法的混合MIMIC算法

分布估计算法是一种全局寻优能力较强而局部求精能力较弱的优化算法,为增强分布估计算法的局部寻优能力,将局部求精能力强,收敛速度快的模式搜索法引入到分布估计算法中,提出一种结合模式搜索法的混合MIMIC算法(PS-MIMIC).通过测试函数测试算法性能,并与标准MIMIC算法结果进行比较,结果表明该算法在解决优化问题时具有良好的性能,可以较快的寻找到最优值。     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

基于混沌粒子群算法的结构可靠性优化设计

针对基本粒子群算法的早熟问题,充分运用混沌优化与粒子群优化的搜索特性,动态收缩搜索区域,将混沌粒子群算法应用到结构可靠性优化理论,建立结构系统可靠度约束下最小化结构质量的优化模型,提出基于混沌粒子群算法的结构可靠性优化设计方法.利用该优化方法进行框架结构优化设计.研究结果表明:运用所提出的可靠性优化设计所得结果显著优于运用基本粒子群算法和最佳矢量型算法所得结果;该方法易于实现,稳定性好,具有较好的工程实用价值和较强的开发能力.     

一种自适应混合变异的引力搜索算法

【目的】针对引力搜索算法在求解优化问题时易陷入局部极值问题,提出了一种自适应混合变异的引力搜索算法。【方法】采用动态调整粒子速度和位置的更新公式,提高算法搜索精度。引入变异算子,对最优粒子进行高斯变异,对非最优粒子进行自适应t分布变异。【结果】提高算法在求解函数优化问题时的全局探索能力和局部开发能力。【结论】用9个标准测试函数的仿真实验,与标准GSA及改进算法进行比较,结果表明所提出算法具有较强的收敛精度和鲁棒性。     

基于混合蜂群算法的柔性作业车间调度优化

针对柔性作业车间调度求解问题,提出一种新型混合蜂群智能优化算法.该算法采用独特的编码方式和位置更新策略来避免不合法解的产生,在蜂群算法的基础上增加了有利于局部搜索的混沌算子提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了该算法的有效性和优越性.