带有全局交叉的修正和声搜索算法

为增强和声搜索算法的全局搜索能力,提出一种带有全局交叉的修正和声搜索(MHSgc)算法.MHSgc算法采用多和声记忆库协同创作,应用邻域学习策略进行调整,取代原有的基音调整,从而增加了种群多样性.同时,提出一种全局交叉操作,并融合到MHSgc算法中,防止算法陷入局部最小.针对几个标准函数进行了实验仿真,数值结果表明,上述算法优于文献报道的8种智能算法(HS,IHS,GHS,NGHS,EHS,ITHS,MPSO,RMDE),具有较好的优化潜力.     

改进的新颖全局和声搜索算法

为了提高和声搜索算法的寻优性能,提出了改进的新颖全局和声搜索(INGHS)算法.通过差分向量范数定义和声记忆库多样性,以和声记忆库的多样性信息为指导实现位置动态更新,并结合变异操作更新和声记忆库.算法采用动态位置更新策略产生新和声,在寻优早期具有较好的全局搜索性能,在寻优后期具有较好的局部搜索性能,提高了算法跳出局部最优的能力.利用7个标准测试函数对所提算法与目前已知文献中优秀的改进HS算法进行性能测试,测试结果表明所提算法具有较好的寻优性能.     

一种改进的自适应和声搜索优化算法

在传统和声搜索优化算法的基础上,提出一种自适应双子和声搜索优化算法。通过建立主辅两个和声库正反双向进行迭代搜索,并对和声算法中的音调调整概率和音调微调带宽两个重要参数进行自适应调整,提高了算法的动态适应性以及局部搜索和全局搜索的协调能力。通过构造两组搜索方向各异、相互协同的主、辅和声,充分利用了搜索域内的隐含信息,扩展搜索范围,从而实现了全局最优。在试验中分别对3个复杂函数进行测试,结果表明该算法具有较好的全局搜索能力和收敛速度,在一定程度上提高了最优值的搜索能力,达到了预期效果。     

一种新型快速的直接随机优化算法

 针对常用优化算法求解时实时性较差且易陷于局部最优解的问题, 提出一种新型快速的直接随机优化算法(DROA). 该算法直接利用随机搜索过程寻找最优解, 减少了额外计算, 降低了计算复杂度; 其搜索过程分为全局搜索和局部搜索两个阶段, 各阶段选用不同的调节参数公式和搜索方式. 先将递增参数的3个随机优化模块串接构造全局优化子, 并将多个全局优化子并行搜索构造全局优化器以获得全局最优解; 再将多个局部优化模块串接在一起运行构造局部优化器使优化解更精确. 测试结果表明, 该方法快速高效, 优于目前的全局优化算法.     

一种随机调整控制参数的鲸鱼优化算法

针对标准鲸鱼优化算法在处理复杂优化问题时出现搜索精度低和易出现早熟收敛等缺点,提出一种随机调整控制参数的改进鲸鱼优化算法(EWOA)。受粒子群优化算法中惯性权重的启发,利用随机分布的方式调整控制参数,以平衡鲸鱼优化算法的全局搜索和局部搜索能力。对当前最优个体执行服从正态分布的变异扰动,以避免算法出现早熟收敛现象。此外,采取佳点集方法替代随机方法产生初始个体以提高算法的全局收敛速度。6个标准测试函数的仿真实验结果表明EWOA能有效处理高维复杂优化问题。     

一种改进的DY-型共轭梯度法的全局收敛性

利用张秀军等人提出的一种新型线搜索条件对新的DY-型共轭梯度法进行了研究.根据这一新型线搜索条件,提出了一个求解非线性无约束优化问题的算法,并证明了算法的全局收敛性.     

星际转移发射机会搜索方法

针对星际探测任务发射机会搜索中,等高线图法计算量大和基于遗传算法的搜索方法难以得到精确最优解的问题,提出了一种混合搜索方法.该方法根据探测任务要求,定义待搜索目标函数,并确定搜索域;结合Lam-bert定理与Gauss算法对该问题进行降维;采用全局-局部混合搜索方法求解,解决了传统方法计算量大、计算效率低、求解最优解困难的问题.以1627 Ivar小行星的交会任务为例验证了该方法,其结果表明,采用混合搜索方法可以快速获得最优的星际转移发射机会.     

一种新的非线性共轭梯度法的全局收敛性

Dai Yu hong在文献[1]中提出了一种新的βk计算公式，并在标准wolfe线搜索条件下得到算法的全局收敛结果。本文对该算法中的线搜索进行了推广，提出了一种新的非线性共轭梯度算法并证明了其全局收敛性。     

共享历史最优信息搜索的粒子群算法

传统粒子群算法运行机理是通过粒子群全局最优和自身经验最优来搜索最优位置,不断迭代进化,以此趋近最优解,但该算法共享信息的局限性使其容易陷入局部最优.针对传统粒子群算法的不足,提出了共享历史最优搜索信息的粒子群算法.该粒子群体在搜索过程中,共享算法本次运行的种群个体历史最优信息、当前全局最优信息,及前几次运行过程中的种群个体历史最佳信息.通过5个经典函数的仿真实验测试,验证了该算法具有较强的全局搜索能力和收敛性.     

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.     

和声搜索算法在聚类分析中的应用

提出了一种改进的和声搜索算法并应用到聚类分析中.首先,将状态反馈机制引入到和声搜索算法中,通过判断和声记忆库中"最优"和声和"最差"和声之间的差异,来动态调整和声记忆库考虑概率和移动步长,使算法能够快速地收敛到全局最优解.通过更新和声向量中精度变量对应的聚类中心来最小化目标函数值,获得数据样本的最优划分.其次,提出了一种数据样本真实聚类中心数的确定方法,当输入样本数大于真实聚类中心数时,通过计算能够自动地确定数据样本真实聚类中心数目.最后,应用4种性能指标来比较所提算法与蚁群聚类算法和原始和声搜索聚类算法的性能.结果表明,所提算法的性能优于另两种算法.     

基于改进的和声搜索算法的特征基因选择

针对基因表达谱高维、小样本、高噪声及高冗余等特点,提出一种基于改进的和声搜索算法的特征基因选择方法。首先,采用Kruskal-Wallis算法对原始基因进行初选,降低和声算法搜索空间维数,保证和声搜索算法的优化精度和收敛速度;然后,针对和声搜索算法易陷入局部最优问题,对当前种群中最优、最差和声分别进行进化;同时融合教与学优化算法中个体更新方式,设计一种改进的和声搜索算法实现特征基因选择。仿真实验结果表明,方法在优化精度、时间效率和稳定性等方面优于HS、IHS、EHS和GHS等算法。     

基于启发式规则与和声搜索的配电网重构算法

提出一种基于启发式规则与和声搜索算法的配电网经济性重构方法.首先,根据配电网重构网络拓扑要求及和声搜索算法的特点,采用基于重构环解的和声向量编码方式,通过构建重构环特殊支路组、设定支路断开原则避免不可行解的产生;然后,以网损最小为目标分析初始网络,利用启发式规则将各重构环搜索范围压缩到最有可能的有效解范围之中;最后,利用和声搜索算法在有效解范围中全局寻优.该方法显著减少了候选解数目,能够快速搜索到全局最优解,且搜索性能不随网络规模的扩大而变差.IEEE典型算例的仿真结果验证了本文方法的正确性和有效性.     

给定时间有向通信网络多无人机最优集结控制

为解决给定时间的多无人机最优集结问题，通过分布式优化的方法研究了能够使多无人机在权重不平衡有向通讯网络下按照给定时间范围内完成最优集结的控制算法。每架无人机都有其相应的局部目标函数，全局目标函数就是每架无人机所具有的局部目标函数之和，算法的目的就是通过分布式控制的方式，找到满足全局目标函数的最优集结点，文章中采用了时域映射的思想，将原本的给定时间下的集结问题转变为无限时域下的集结问题，并通过拉普拉斯零特征值下的左特征向量克服权重不均衡有向网络的不平衡性。结合凸分析理论和李雅普诺夫稳定性理论，验证了算法能够收敛到最优的解。仿真结果表明：不同出发点的无人机，在算法的控制下，均可以在给定时间内到达最优的集结点。     

Hybrid Discrete Harmony Search Algorithm for Flow Shop Scheduling with Limited Buffers

The flow shop scheduling problem with limited buffers （ LBFSP） widely exists in manufacturing systems. A hybrid discrete harmony search algorithm is proposed for the problem to minimize total flow time. The algorithm presents a novel discrete improvisation and a differential evolution scheme with the jobpermutation-based representation. Moreover, the discrete harmony search is hybridized with the problem-dependent local search based on insert neighborhood to balance the global exploration and local exploitation. In addition. an orthogonal experiment design is employed to provide a receipt for turning the adjustable parameters of the algorithm. Comparisons based on the Taillard benchmarks indicate the superiority of the proposed algorithm in terms of effectiveness and efficiency.     

融合和声搜索的混沌粒子群优化算法及工业应用

针对粒子群算法在优化过程中容易出现"早熟"现象,提出一种融合和声搜索及混沌的改进混合粒子群优化算法。混沌粒子群算法运行稳定,具有较好的鲁棒性和适应性。和声搜索算法是一种模拟乐队调音获得完美和声过程的元启发优化算法,具有较强的全局搜索性能。通过对4个标准函数的测试比较,结果表明:改进的融合和声搜索的混沌粒子群优化算法(chaos particle swarm optimization algorithm with harmony search,CPSO-HS)跳出局部最优位置能力强,收敛速度快,稳定性高。改进的CPSO-HS算法已成功应用于重油热解模型的参数估计。     

基于和声搜索算法的应急资源筹集优化

在应急资源调度过程中,资源的筹集问题是其解决的核心问题之一,在应急点较多的情况下,采用穷举法等传统方法求解速度较慢,不能满足应急资源快速准确调度的需要.和声搜索算法是一种启发式全局搜索算法,在许多优化问题得到很好的应用.本文将采用和声搜索算法对此类问题进行求解,并通过实验结果验证其可行性和高效性.