具有混沌搜索策略的蝙蝠优化算法及性能仿真

蝙蝠算法是受自然界中的蝙蝠通过回声定位进行搜寻、捕食行为的启发演变而来的一种新颖的仿生群智能优化算法.在分析基本算法仿生原理和局限性的基础上,提出一种改进蝙蝠局部搜索能力的优化算法,通过逻辑自映射函数产生混沌序列,引入到蝙蝠算法中对精英个体进行混沌优化,同时动态收缩搜索空间以加快收敛速度.改进算法有效结合了基本蝙蝠算法的全局优化能力和混沌算法的局部搜索能力,对经典函数的仿真测试表明,改进算法显著提高了优化性能,在寻优精度和全局收敛能力方面优于基本蝙蝠算法,是解决工程应用中复杂函数优化问题的一种有效方法.     

用具有混沌特性的神经网络解任务分配问题

利用由一对相互藉合的混沌吸引子作为神经元构造的混沌神经网络来解决任务分配问题。通过与传统Hopfield人工神经网络解决任务分配问题相比，混沌神经网络具有更强的全局搜索能力和寻优能力。实时分布处理系统任务分配问题实例仿结果表明，该网络解任务分配问题有效地避免了Hopfield人工神经网络极易陷入局部极小的缺陷，并具有更高的搜索效率。     

求解子集问题的鲶鱼效应蝙蝠蚁群优化

为求解子集问题,提出一种新的基于图的蚂蚁系统--鲶鱼效应蝙蝠蚁群优化(catfish bat algorithm ant colony optimization,CBA-ACO)。基于子集问题的构造图,利用路径概率转移公式进行路径搜索,采用等效路径信息素增强进行信息素更新;动态维护一定数量较好路径作为档案信息;使用混沌映射并结合鲶鱼效应对蝙蝠算法(bat algorithm,BA)进行改进,在全局最优解多次未更新时,利用档案信息初始化鲶鱼效应增强搜索,返回较好路径解;采用本轮迭代最优更新和增强搜索更新两种方式更新信息素,兼顾算法的收敛速度和搜索能力。对算法进行了描述并分析算法复杂度。结果表明,CBA-ACO具有更好的稳定性和获取较好解的能力。     

多星成像调度问题基于分解的优化算法

提出了一种求解多星成像调度问题的基于分解的优化算法,将问题分解为任务分配主问题与单星成像调度子问题.任务分配主问题生成不同卫星的任务分配方案,单星成像调度子问题则根据分配的任务进行优化,生成每颗卫星的成像调度方案.采用自适应的蚁群算法求解任务分配主问题,通过自适应参数调整策略及信息素平滑策略,实现全局搜索和快速收敛间的平衡.采用启发式算法及快速模拟退火算法求解单星成像调度子问题,通过综合多颗卫星的调度结果, 可以对任务分配方案进行评价,引导蚁群算法搜索优化的任务分配方案,最终得到多颗卫星的成像调度方案. 大规模测试算例验证了算法的效率.     

函数优化的量子蝙蝠算法

基于量子进化算法和蝙蝠算法,提出一种新型优化算法——量子蝙蝠算法。该算法采用量子位对蝙蝠的位置进行编码,用量子旋转门实现对蝙蝠最优位置的搜索,用量子非门实现蝙蝠的变异以避免早熟收敛。通过对典型复杂函数的实验和与其他算法的比较,结果表明,该算法能够有效避免局部最优,全局寻优能力强。     

混合粒子群算法在柔性工作车间调度中的应用

混沌是一种新颖的优化技术,具有随机性、遍历性的特点和易跳出局部极值的能力。为了提高粒子群优化算法(PSO)的性能,在PSO中引入混沌,优势互补,提出了一种混合PSO算法,并应用于柔性工作车间调度问题的求解。首先基于混沌对PSO的参数进行自适应优化,实现全局搜索与局部搜索间的有效平衡;然后,在PSO的搜索过程中引入混沌局部搜索策略,来提高解的精度和收敛速度。实验比较结果验证了该算法的全局搜索性能。     

基于混合自适应Memetic算法的贝叶斯网络结构学习

Memetic算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,具有较高的全局搜索能力,将其成功应用于贝叶斯网络的结构学习。该算法在基本的遗传算法操作算子中,引入粒子群算法的基本思想,同时利用混沌的遍历性和云自适应的快速收敛性,提出了一种云自适应的混沌变异搜索进行局部搜索,实现全局优化,跳出局部最优。实验证明该算法在贝叶斯网络结构学习中具有很好的效果。     

具有混沌搜索策略的萤火虫优化算法

萤火虫算法是一种新颖的仿生群智能优化算法,分析了算法的仿生原理和局限,提出一种改进萤火虫局部搜索能力的优化算法。通过逻辑自映射函数产生混沌序列,引入到萤火虫算法中对精英个体进行混沌优化,同时动态收缩搜索空间以加快收敛速度。改进算法有效结合了基本萤火虫算法的局部搜索能力和混沌算法全局优化能力,对典型函数的仿真测试表明,改进算法显著提高了优化性能,在收敛速度和寻优精度方面优于基本萤火虫算法,适合复杂函数优化问题。     

基于混沌遗传算法的自动化生产单元调度方法

针对遗传算法在求解一类带时间窗口的自动化生产单元调度问题时易出现冗余迭代、收敛缓慢等问题,将混沌搜索技术引入至遗传算法中,通过将混沌初始化、混沌扰动与遗传算法的基本操作相结合,利用混沌运动搜索精度高、遍历性好的特点来提高遗传算法的收敛速度和优化质量.本文在给出自动化生产单元调度问题的数学模型的基础上,着重讨论了混沌遗传调度算法的设计,包括编码方式、混沌初始化、交叉操作、混沌变异操作和适应度函数的计算等.最后以自动化电镀生产线为例对提出的算法进行了验证,为此类调度问题提供了有效的算法.     

混沌差分文化算法及其仿真应用研究

针时差分进化算法(DE)全局寻优能力差,无法有效的求解工程中复杂的高维非线性优化问题等缺点,提出一种混沌差分文化算法(CDECA).该算法模型将DE嵌入文化算法的框架作为主群体空间的进化过程,同时,引入具有较强局部搜索性能的混沌搜索来进行信念空间的进化,并通过设计一组联系操作实现文化算法模型中两个空间的互相影响互相促进,提高算法的寻优效率.几个典型测试函数的测试结果表明CDECA的搜索能力优于DE,将其应用于某大型水库的优化调度,也取得满意的效果.     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

双混沌神经网络及其在优化问题中的应用

分析了三种现有的混沌神经网络模型的优化性能,针对目前混沌神经网络收敛率不高和搜索时间较长的问题提出了一种双混沌神经网络。它不同于以往的混沌神经网络改进方法,不是延长退火时间或改变混沌程度来提高网络性能,而是通过混沌迭代搜索使混沌神经网络在有限步内找到全局最优解的初值来提高收敛率与收敛速度。这种方法能使混沌神经网络在应用中具有更好的全局优化能力,并且可以缩短混沌神经网络的搜索时间,对旅行商问题求解的仿真对比和函数优化问题的仿真,说明了新方法比现有方法具有更好的收敛率和更短的搜索时间。     

基于灵敏度分析的系统可靠性稳健分配优化方法

在系统可靠性分配中,考虑单元可靠度的不确定性已是可靠性分配的现实需要.为了提高系统可靠性分配优化的质量,将稳健理论引入可靠性分配中,提出基于单元可靠性灵敏度的系统可靠性稳健分配方法.将单元可靠性灵敏度溶入系统可靠性分配模型之中,建立系统可靠性稳健分配模型.在此基础上,采用粒子群-序列二次规划算法对该模型进行优化设计,该混合算法既保持了粒子群算法全局收敛的特点,又补充了序列二次规划法精确求解的能力,因此该混合算法可以快速获取全局最优解.通过对发动机曲柄连杆机构进行可靠性稳健分配设计,验证了可靠性稳健分配模型的合理性和混合算法的寻优能力.对结果分析表明,所提方法可以较好解决单元可靠度不确定时的可靠性分配问题,混合算法具有较强的全局搜索能力,分配优化结果具有较强的稳健性.     

Chaotic migration-based pseudo parallel genetic algorithm and its application in inventory optimization

1.INTRODUCTION Geneticalgorithm(GA)isacomputationmodelsimulat ingevolutionprocessofcreatures.Inspiteofitsremark ableprogress,thetroublecausedbyprematureduring evolutionhasbroughtdifficultyforGAapplications.A sortofmulti populationGAishighlyregardedformaking thebestofparallelstructureandgroupevolvementofGA witheasyimplementation[1].ButPGAhasahighrequest forhardwareenvironmentofmultiprocessorsuchlike Transputernetwork,MIMD,SIMDorLAN[2,3].For thoseoptimizationproblemsoflowerrequestf…     

基于改进搜索策略的混合蜂群算法

针对人工蜂群算法搜索效率低、易陷入局部最优和精度低等缺点,提出混合蜂群（hybrid bee colony, HBC)算法。将人工蜂群（artificial bee colony, ABC）算法局部收敛性与模拟退火（simulated annealing, SA）算法全局收敛性结合,为ABC算法提供了一种新机制。根据SA算法中Metropolis接受准则, 通过调整温度依概率确定全局最优解的替代值,并利用全局最优解的替代值和个体极值来改进ABC算法的引领蜂搜索模式。其次,改进侦察蜂搜索方式,根据迭代次数非线性减小侦察蜂搜索范围和以一定概率反向搜索更新方式,能够有效地提高算法的全局搜索能力,并加快算法的后期收敛速度。通过对8个复杂函数仿真测试,结果表明,HBC算法在搜索性能和精度方面均有明显提高。     

一种改进的原子搜索算法

原子搜索算法(atom search algorithm,ASO)是模仿自然界中原子运动而提出的一种新型优化算法,针对ASO在求解复杂函数时存在易早熟及收敛速度慢的问题,提出了一种改进ASO算法(improved atomic search algorithm,IASO).I ASO加入了原子个体历史最优解产生的约束力...     

雷达海杂波反演大气波导的改进回溯搜索算法

了克服基本回溯搜索算法在大气波导反演问题中出现的收敛速度慢、容易陷入局部最优的缺点,提出一种基于反向学习机制和正交交叉机制的改进回溯搜索优化算法。该算法利用反向学习机制来选择较好的初始化种群,而正交交叉机制用来帮助算法加强全局搜索能力,避免算法陷入局部最优,从而提高算法的精度。通过常见测试函数的优化问题以及大气波导的反演问题来检验算法的性能。结果表明,所提算法具有较高的精度和较快收敛速度。     

基于动态分级策略的改进正余弦算法

针对正余弦算法存在易陷入局部最优、求解精度不高、收敛速度较慢等问题, 提出一种基于动态分级策略的改进正余弦算法。首先, 引入拉丁超立方抽样法, 将搜索空间均匀划分, 使初始种群覆盖整个搜索空间, 以保持初始种群的多样性。其次, 采用动态分级策略, 根据适应度值的排序情况, 将种群动态划分为好中差3个等级, 并应用破坏策略与精英引导方法对其进行扰动, 以提高算法的收敛精度, 增强跳出局部最优的能力。最后, 引入反向学习方法, 设计了动态反向学习全局搜索策略, 以提高算法的收敛速度,同时对改进算法在复杂度、收敛性和稳定性方面进行性能测试, 选取15个标准测试函数在低维和高维状态下进行仿真实验分析, 并与粒子群算法、回溯搜索算法和其他改进正余弦算法进行比较。仿真分析结果表明, 所提算法有效地提高了算法的收敛性和稳定性。     

基于改进局部搜索遗传算法的目标分配决策

为满足舰载武器目标分配需求,对传统的局部搜索遗传算法进行了改进,并用其求解目标分配问题的最优解。构造了适合于目标分配问题的染色体;设计了搜索性能较好且能够保留优秀基因的交叉操作方法;将局部搜索机制引入标准遗传算法,提高了目标分配算法的收敛速度;把模拟退火算法引入局部搜索问题,在一定程度上避免了局部最优问题;将贪婪算法应用于局部搜索提高了最优分配方案的搜索效率。仿真计算表明,改进局部搜索遗传算法的目标分配性能优于已有算法。