一种改进的人工鱼群算法及其应用

人工鱼群算法是一种收敛速度快、全局优化能力强的新型群智能算法。然而,在基本鱼群算法的应用中发现:在迭代前期,算法具有较强的搜索能力;但在运行后期,其搜索能力减弱,易陷入局部极值,且搜索到的最优解精度不高。针对上述弱点,提出对可视域和步长采用自适应变化策略,引入变异算子策略,通过消亡操作对部分个体进行重新初始化或变异,对基本鱼群算法进行改进,并以函数优化和多维变量的非线性优化问题为例进行了实验研究。结果表明:改进后的人工鱼群算法具有较好的优化效果。     

基于改进人工鱼群算法的梯级水库群优化调度

分析了人工鱼群算法存在的问题, 提出一种改进人工鱼群算法, 并将其用于梯级水库群的优化调度. 其改进思想是采用动态调整人工鱼视野和步长的方法, 较好地平衡了人工鱼群算法的全局搜索能力和局部搜索能力的矛盾; 在此基础上, 针对算法局部更新策略引起的更新操作前后个体空间位置变化较大, 降低收敛速度这一问题, 在局部更新时采用了阈值选择的策略. 通过实例验证了该改进算法的有效性, 并对改进算法的阈值参数进行了率定.     

多峰函数优化的免疫人工鱼群网络算法

针对人工鱼群算法(artificial fish swarm algorithm, AFSA)多峰寻优能力不足的问题,提出了一种免疫人工鱼群网络算法。应用改进的觅食行为,提升了算法的局部寻优能力;采用免疫网络调节机理,保持了人工鱼群多样性,不〖JP2〗断探寻新的局部峰值;执行模式搜索法（pattern search method, PSM）,完成精英人工鱼群的精细搜索。仿真实验结果表明,该算法具有较强全局优化能力和局部优化能力,且搜索到每个最优解都达到了理想值。     

基于变邻域分布估计算法的数传资源配置优化

分析了地面站数传资源分配中的影响因素, 建立了问题的约束优化模型, 提出了变邻域搜索与分布估计相结合的优化算法. 算法在概率模型和种群个体两个层次分别设计了邻域结构, 以提高算法的全局搜索能力和局部优化能力, 并避免优化过程陷入局部极值. 构建了变邻域分布估计算法的优化流程, 推导证明了算法的收敛性. 利用仿真算例分别对算法性能及控制参数选择进行了分析, 实验结果表明, 算法能够有效地解决数传资源配置优化问题, 且求解精度较高.     

针对FJSP的新型邻域搜索算法及其应用

针对柔性作业车间调度问题提出两种新颖的邻域搜索方法：极值优化邻域和扩展的关键块邻域,并将其结合形成搜索范围广、寻优能力强的复合邻域;以复合邻域为基础,构造改进的遗传算法,使之兼具广阔的全局搜索能力和深刻的局部搜索能力。另外,算法采用较新颖的两级编码方式,使得对于工序排序编码和机器分配编码两部分可采用相同或相近的遗传算子进行运算,提高运算效率。对算例的测试结果及与其他算法的比较验证了本文算法的有效性。     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

带时间窗可回程取货车辆路径问题的元胞鱼群算法

在研究带时间窗可回程取货车辆路径问题数据模型的基础上,将人工鱼群算法的仿生学原理与元胞自动机的邻域邻域模型和状态迁移规则相结合设计了元胞鱼群算法.算法通过在每次迭代后进行元胞空间的信息交换,并利用交换序方法对鱼群算法进行重构,改善了对解空间的搜索性能.仿真实验结果表明,元胞鱼群算法有良好的寻优能力,具有一定的工程应用价值.     

改进人工鱼群算法在外汇预测和投资组合中的应用

人工鱼群算法具有良好的全局搜索能力和自适应能力,在解决投资组合问题上有较好的应用前景.本文通过改进人工鱼群算法,分别对汇率预测和外汇投资组合双目标优化两部分进行研究.首先利用基于平均距离视野的人工鱼群优化的支持向量回归机算法对汇率进行短期预测,提高了外汇预期收益率的准确性.然后建立外汇投资组合双目标模型,通过借鉴带精英策略的快速非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)的思想,提出基于Pareto排序理论的双目标非支配排序人工鱼群算法(non-dominated sorting artificial fish swarm algorithm,NSAFSA).实证分析表明该算法在求解外汇投资组合方案时,获得的Pareto前沿比NSGA-II的结果分布更均匀,多样性更好.最后对NSAFSA算法进一步改进,通过两次剪枝策略提高了解的质量,并给出了可供选择的最优外汇投资组合方案.研究结果表明人工鱼群算法可以对汇率预测和外汇投资组合提供重要参考,在外汇市场中具有较大的应用潜力.     

煤矿物资配送车辆路径问题的人工鱼群算法

对郑州煤电物资供销公司危险品运送的车辆路径问题进行了分析,建立了相应的数学模型,运用人工鱼群算法求解出运费最小的方案。该算法首先初始化一个鱼群,并在初始化的过程中给出了一种修复算子,使鱼群中每条鱼当前的状态代表一种可行的配送方案,然后执行本文设计的随机行为、觅食行为、聚群行为和追尾行为进行全局寻优。最后,把该算法与扫描算法、遗传算法求解进行比较,证明了人工鱼群算法求解车辆路径问题的有效性;同时,该算法也拓展了求解VRP问题的算法空间。     

求解非线性双层规划问题的混合变邻域粒子群算法

针对非线性双层规划难以获得全局最优的问题,汲取粒子群算法的快速搜索能力及变邻域搜索算法的全局搜索优势,提出了求解非线性双层规划问题的混合变邻域粒子群算法.首先利用Kuhn-Tucker条件,将非线性双层规划转化为一个单层规划问题,然后由粒子群算法得到一个较优的群体,通过审敛因子判断陷入局部最优的粒子,并进一步利用变邻域搜索算法的全局搜索能力对陷入局部最优的粒子进行优化,从而得到全局最优.测试函数的仿真实验对比分析证明了该算法的有效性.     

"逆群"协作粒群方法及在函数优化中的应用

为提高不同粒子群之间的协作性能,减小粒子群局部收敛现象,提出了一种"逆群"协作粒子群方法,利用不同动作特性的两个群之间的相互协作,来提高粒群算法的性能.在此方法中,一个粒子群追随较好的位置,另一个群是远离较差的位置,与传统的粒子协作方法不同,在粒子飞翔的过程中,两群不仅交换较好的信息,同时也交换较差的信息,通过充分利用这两种信息,两群共同完成任务的求解.在完成算法设计的基础上,对两个群的运动特性和算法的收敛性进行分析,通过函数的优化实验验证了方法的有效性.     

汇率调整对外向型企业的影响

采用计算机建模的方法，定量分析汇率调整对外向型企业的影响。分析过程主要是利用基于主体的计算机模拟方法，结合经济学相关理论，通过建立反映外向型企业与汇率关系的模型，并在模型的基础上比较汇率不变，汇率小幅上调，汇率大幅上调这3种情况下的运行结果，对比分析关于汇率改革的3种决策对外向型企业的影响，从而得出保持汇率稳定最有利于我国外向型企业的发展的结论。     

一种基于多主体仿真的制度有效性分析方法研究

分析了仿真技术在制度有效性分析方面的研究现状。介绍了复杂适应系统理论由来及特性。指出了复杂适应系统及其仿真模型在制度有效性分析方面的优势。提出了基于复杂适应系统模型的制度有效性仿真分析方法。最后展示了一个实际应用。     

用群体智能原则控制群机器人搜索

用群机器人搜索定位矿难幸存者,可为人工施救提供决策参考.群机器人系统的建模基于个体有限感知和局部交互等群体智能原则,将机器人抽象为封闭2维空间的运动粒子,机器人与控制器综合抽象为一阶惯性环节.给出了机器人的感知函数、邻域结构及初始化区域的定义,以此为基础进行虚拟多agent搜索.针对机器人的最大运动速度和质量惯性等约束,交替施加螺旋控制以发现信号线索;施加扩展微粒群控制进行目标搜索.通过改变通信距离和感知范围进行了仿真实验,结果表明了控制策略的有效性.     

无人机集群任务规划方法研究综述

无人机集群以其高度的灵活性、广泛的适应性、可控的经济性,拥有越来越广泛的应用潜力,受到国内外的高度关注。任务规划是无人机集群应用的顶层规划，是根据任务环境态势、任务需求、自身特性等要求进行的综合调度，从而建立无人机与任务的合理映射关系，维持机间合理协同合作关系。本文从基于逻辑与规则的自上而下式任务规划和基于集群智能涌现的自下而上式任务规划两个方面,对无人机集群任务规划技术现状进行了全面的总结,分析了当前无人机集群任务规划技术研究应当关注的若干发展方向。本文的工作对于全面了解无人机集群任务规划技术现状具有重要参考意义。     

空间轨迹问题的粒子群仿真研究

空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性.     

基于Nelder-Mead单纯形法的改进量子行为粒子群算法

针对PSO算法搜索精度较低,并且在复杂多模态函数优化中,容易陷入局部极值的问题,提出了一种改进的量子行为粒子群优化算法。研究了该算法的基本原理、给出了算法流程并采用正交试验的方式获得了一套通用性较强的算法参数。并以CEC’13的28个测试函数作为测试集,采用Wilcoxon符号秩检验将NM-QPSO算法分别与PSO算法和QPSO算法的误差进行比较试验。试验表明:NM-QPSO算法在统计意义上优于传统的PSO算法和QPSO算法,并且在高维函数优化中,具有显著优势。     

微分进化微粒群算法及其控制

通过对微粒群优化算法的分析,提出了一种用微分方程组描述的微粒群优化算法——微分进化微粒群优化(DEPSO)算法,并利用传递函数对DEPSO算法的收敛性进行分析.在此基础上,通过引入PID控制器以控制DEPSO算法的动态进化行为,以增强微粒产生的多样性,从而改进微粒群优化算法的全局收敛性.仿真结果表明了此方法的有效性.     

一种基于分子动理论的改进粒子群优化算法

提出了一种新颖的基于分子动理论的粒子群优化算法(MMY-PSO).类比于物理学中质心的概念本文定义了群质心,MMT-PSO把种群中的每个粒子类比成分子,根据粒子与种群目前的质心之间的距离远近,粒子与质心间的分子作用力控制粒子的飞行方向以决定其是朝着群质心的方向飞行还是远离它,从而有效地协调了种群的多样性,使算法能够有效地平衡全局和局部搜索.通过解决典型的多峰、高维函数优化问题来证实算法的有效性,实验结果表明MMT-PSO比标准PSO具有更高的性能.     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。