求解约束优化问题的一种新的进化算法

分析了现有的约束优化进化算法的一些不足之处，提出了一种处理约束优化问题的新算法。新算法将多目标优化思想与全局搜索和局部搜索机制有机地结合起来；在全局搜索过程中，作为一种小生态遗传算法，排挤操作利用Pareto优劣关系比较个体并接受具有相似性的父代个体和予代个体中的优胜者；在局部搜索过程中，首先对局部群体中的个体赋予Pareto强度，然后根据Pareto强度选择个体。通过一个复杂高维多峰测试函数验证了新算法的有效性。     

融合粒子群优化的蚁群算法对TSP问题的应用研究

提出了一种融合粒子群优化的蚁群算法来求解旅行商问题（TSP）。使用粒子群算法对蚁群算法的参数（β,ρ,q0）进行优化来得到这三个参数的最佳组合值,并且运用蚁群系统算法（ACS）寻找最短路径。新算法克服了参数选择对算法性能的影响,具有很强的全局搜索能力。对旅行商问题的仿真实验结果表明：与传统蚁群算法相比,新算法体现了较高的性能,取得了不错的效果。     

基于单纯形局部搜索的自适应差分进化算法

针对标准的差分进化（DE）算法在高维复杂的函数优化中易早熟收敛,进而导致搜索精度低甚至优化失败的问题,提出一种基于单纯形局部搜索的自适应的差分进化算法（SSADE）．将DE算法的快速全局搜索能力与单纯形的强局部寻优能力有机结合起来,进一步提高了解的精度．参数自适应变化有效地维持了种群的多样性,自适应的变异策略扩大了个体的搜索范围,增强了算法寻优效果,仿真实验验证了新混合算法的有效性．     

RBF网络参数优化方法及其在开关磁阻电机建模中的应用

 基于全局搜索的进化算法——粒子群算法（QPSO）和一种局部搜索算法——结构化的非线性参数优化方法（SNPOM）,提出了一种混合的优化算法估计RBF神经网络中的参数——网络中心、线性参数、非线性参数,初始化一定数目的种群作为SNPOM的初始值,得到其适应值,通过选择、交叉、替换策略更新种群,完成网络中心初始值的寻优。再用SNPOM方法进一步优化,以提高SNPOM算法的全局搜索能力。仿真结果表明,混合优化方法比单独采用SNPOM法更优,且优于其他算法。并针对开关磁阻电机（SRM）高度非线性的开发重点和难点,用RBF网络进行SRM建模,将QPSO-SNPOM算法应用于RBF模型参数优化中,仿真实验结果表明,该算法较SNPOM算法精度更高、泛化能力更强,较遗传混合算法更快,训练后的RBF模型完全满足开关磁阻电机特性。     

一种求解昂贵黑箱优化问题的多代理辅助进化算法

【目的】提出一种求解昂贵黑箱优化问题的多代理辅助进化算法。【方法】对进化采样辅助优化算法进行改进，将全局搜索中每代的进化操作进行10次，以降低求解的不稳定性；并对全局搜索与局部搜索的转换采用自适应距离准则判断，从而提高求解的精度。【结果】得到了新的昂贵黑箱优化问题的多代理辅助进化算法。【结论】使用22个测试问题对新算法的数值结果进行评估，结果表明新算法与进化采样辅助优化算法相比优势明显。     

基于混合粒子群算法的沥青转运车螺旋搅料器模型及仿真

 为解决沥青转运车螺旋搅料器搅拌特性建模困难的问题,运用人工智能理论建立了以螺距、叶片半径为输入,沥青混合料的离析率为输出的神经网络模型。为克服BP算法与粒子群算法（PSO）的缺陷,将L-M算法与PSO算法相融合的混合粒子群算法PSOLM应用于该神经网络模型的学习算法中。为避免PSOLM算法在全局最优值附近的搜索过程变慢,采用一种从PSO搜索到L-M搜索的启发式算法。仿真试验结果表明,与BP算法、PSOBP算法相比,该算法不仅对螺旋搅料器模型的精度和建模的效率有显著的提高,而且改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,避免了PSO算法早熟现象的出现,为螺旋搅料器搅拌特性的建模提供一条新的有效解决途径。     

热轧带钢调度问题的混合并行策略

在分析热扎带钢生产调度特征的基础上给出了其数学规划模型，并提出了一种基于并行策略的混合启发式算法，该算法分为三个阶段：引领域知识，对预选池中的任务进行分类、排序，生成初始解；用基本遗传算法（GA）对其进行优化，得到较好的初始解；由以单个板坯交换和板坯组交换为核心的禁忌搜索（TS）进一步优化，得到最后的优化结果，与启发式算法、改进的遗传算法比较，该算法在求解的有效性和计算效率方面均具有较大的优势。     

离散变量结构优化设计的混沌遗传算法

利用混沌搜索的遍历性、随机性、规律性等特点，提出了一种求解离散变量结构优化设计的混沌搜索方法；将混沌搜索技术嵌入遗传算法，与基本遗传算子共同构成了一种离散变量结构优化设计的混合遗传算法一混沌遗传算法；通过自适应的退火因子和罚函数来处理约束条件，使算法逐渐收敛于全局可行最优解。计算结果表明，该方法有效地克服了基本遗传算法中的“早熟”现象，并具有更快的收敛速度。     

基于混沌优化算法的软硬件划分

针对软硬件协同设计中的关键问题——软硬件划分，提出一种基于混沌优化的划分算法．首先，使用有向无环图对嵌入式系统建模，得到软硬件划分优化系统的目标函数．然后，采用逻辑斯蒂映射产生混沌序列，并将此序列映射到划分系统的模型空间，利用混沌序列的遍历性，将粗搜索和细搜索相结合，分两阶段搜索模型空间目标函数的最优解，有效避免搜索过程陷入局部最小，并且使算法搜索时间大幅度降低．和模拟退火软硬件划分技术对比的实验结果表明，选取适当的算法参数，采用混沌优化算法能够以更快的搜索速度得到更好的软硬件划分结果．     

基于文化算法的新型Elman网络的过程建模方法

文化算法从微观（种群空间）和宏观（信念空间）两个层面上模拟文化的双重进化继承过程,为进化搜索机制和知识存储的结合提供一个构架。建立基于输入输出数据生产过程的统计模型时,参数估计是其中的关键,文化算法为此提供了有效途径。本文在Elman神经网络的基础上提出了一种新的改进型Elman网络模型——OAIF-Elman（Output-Add-Input Feedback Elman）网络来建立乙烯装置中裂解深度软测量模型,并结合文化算法来优化其网络权值。实验表明：文化算法比标准遗传算法搜索性能更优,搜索时间更快,同时也得到了满意的裂解深度模型。     

基于ACO及PSO的特征选择算法

在属性约简的进化算法中，算法时间存在复杂度高、搜索空间大等不足．为此文中引入最小冗余度的属性重要性后，提出一种基于蚁群优化（ACO）和粒子群优化（PSO）的进化特征选择算法，利用PSO算法的快速简洁等优点得到ACO的初始路径，以此减少迭代次数，加快算法的收敛速度；同时，利用蚂蚁之间的可并行性；采用分布式技术实现蚂蚁之间的并行搜索，改进了算法的效率．理论分析及实验结果表明，文中的算法是有效可行的。     

基于搜索空间划分和Sharing函数的粒子群优化算法

传统粒子群优化算法PSO（Particle Swarm Optimization）概念简单,适应性强,但存在早熟等问题.本文提出了新的基于搜索空间划分（Search Space Division）和Sharing函数的智能分布粒子群优化算法（SDSIR-PSO）.创新点包括：(1)保优的重布粒子算法；(2)引入Sharing函数阻止重分布的粒子陷入同一局部最优；(3)划分搜索空间，子空间中寻优，再优中选优，作全局最优.通过对典型测试函数的详细测试验证了新算法的有效性，在相同条件下较传统算法的解精度提高了8     

用于函数优化的小世界优化算法

借鉴小世界现象的有关机理，构造了不同的小世界优化算子，主要包括局域短连接搜索算子和随机长连接搜索算子．将优化过程视为在搜索空间（网络）中从候选解向最优解的信息传递过程，利用小世界现象有效信息传递的有关机理实现了一种新的优化算法一一小世界优化算法．通过对复杂函数的优化问题进行仿真试验，表明与相应遗传算法相比，新算法可以更好地保持解的多样性，能够有效地避免陷入局部极小值的问题，并在一定程度上克服了早熟和遗传算法欺骗问题，并且收敛速度快，因此具有解决复杂问题的潜力。     

网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法（grey wolf optimizer,GWO）优化支持向量回归（support vector regression,SVR）中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测. 以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析. 结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.     

基于改进果蝇算法的涡轴发动机状态变量模型建立方法

针对拟合法在航空发动机小偏差状态变量模型建立中受系统模态及模型阶次的限制，提出一种基于改进果蝇优化算法(MICFOA)建立小偏差状态变量模型的方法。首先，将该方法分为2个子过程：先优化系统矩阵和输入矩阵并找到最优结果，再对输出矩阵和传输矩阵优化；同时根据状态变量模型与非线性模型动态响应一致构造了不受变量值域影响的适应度函数。其次，在果蝇优化算法(FOA)中引入协同子种群策略和混沌映射策略来增强迭代寻优中种群多样性，引入自适应调整策略来平衡全局搜索与局部搜索的关系，避免算法早熟收敛。最后应用上述方法建立了涡轴发动机小偏差状态变量模型，并设计了LQ/H∞抗扰控制器。仿真结果表明：MICFOA相比FOA能提高5~10个数量级的精度，且所建模型与非线性模型吻合一致，具有良好的动静态性能。     

改进的粒子群算法及在结构优化中的应用

粒子群算法（PSO）是一种有效的演化算法。将免疫算法中浓度的概念引入粒子群算法中，提出了一种基于浓度概念的竞争排挤粒子群算法；并提出了基于样本方差的种群多样性指标，用以定量的描述种群多样性。这种改进的粒子群算法增加了粒子群的种群多样性，提高了算法的全局搜索能力。最后将本文的算法应用于梁结构和桁架结构优化设计，验证了算法的有效性。     

基于高斯扰动的反向蜉蝣优化算法

目的 解决蜉蝣优化算法收敛精度较低且易陷入局部最优解的不足。方法 将高斯扰动和混合反向学习策略与蜉蝣优化算法进行融合，提出一种基于高斯扰动的反向蜉蝣优化算法。该算法在雌雄蜉蝣种群中通过反向学习来扩大搜索空间，增加种群多样性；在迭代过程中对雄性蜉蝣的最优个体进行高斯扰动，防止算法陷入局部最优解。结果与结论将改进蜉蝣优化算法与其他7个对比算法在14个测试函数上进行数值实验，结果表明，改进蜉蝣优化算法具有更好的搜索能力和求解精度。     

一种改进的T-S模糊模型建模及优化方法

模糊建模是一种有效的非线性系统建模方法,因为非线性系统的复杂性,仍有很多问题难以处理。针对T-S模糊模型,提出了一种改进的建模及优化方法。首先,将快速搜索密度峰聚类和模糊C均值聚类(FCM)算法相结合,使用快速搜索密度峰聚类算法找到聚类个数和初始聚类中心后,再用FCM算法进行聚类;然后,通过最小二乘法辨识结论参数得到初始T-S模糊模型,使用改进的差分进化(DE)算法整体优化模型的结构和参数,获得最终的T-S模型;最后,选择代表性实例,使用MATLAB程序进行仿真分析和比较,验证了本文方法能有效提高T-S模糊模型的辨识精度和速度。     

基于主动禁忌搜索的配电网无功电压优化控制

提出将主动禁忌搜索（RTS）算法用于配电网无功电压优化控制问题的求解．首先根据已知的负荷预测曲线，用一种启发式方法为RTS提供可行初始解．在利用RTS算法的求解过程中，使用了反馈机制，可自动调节禁忌表长度，结合逃逸策略，可以使搜索有效地跳出局部极小点，更好地找到最优解．通过算例验证了该算法的有效性．与传统的禁忌搜索（TS）算法、遗传算法（GA）以及模拟退火（SA）算法进行了比较，算例结果表明，RTS算法求得的解质量更高，求解速度更快，比GA和SA算法至少提高了一倍．     

基于混合遗传算法的图像分割识别方法

本文基于遗传算法（GA）与共轭梯度法（CG），提出了一种混合算法，将其用于图像分割问题寻求最佳阈值，该方法具有遗传算法的全局搜索能力和共轭梯度法的强大局部搜索的特点。试验结果表明，新算法具有快速收敛性和全局最优性。