基于免疫蛙跳算法的梯级水库群优化调度

针对混洗蛙跳算法存在的问题,结合克隆选择算法和混洗蛙跳算法各自优势,提出了一种免疫蛙跳算法(ISFLA),并将其应用于梯级水库群优化调度中. ISFLA将克隆选择算法嵌入到混洗蛙跳算法框架中,对整个群体循环进行分组进化与混合,在混合之后构造子群体执行克隆选择操作, 以提高算法的局部搜索能力.通过实际工程验证了该算法的可行性与高效性,从而为梯级水库群发电调度问题的求解提供了一种新的途径.     

基于差分进化的混合蛙跳算法

为高效处理3D视线跟踪技术中的非线性优化问题,使系统满足实时准确及稳定性需求,以差分进化(differential evolution, DE)为核心,结合混合蛙跳算法(shuffled frog leaping algorithm, SFLA)及Nelder-Mead单纯形法算法思想,提出了一种新型混合算法,即DE-SFL-NM混合算法。利用无穷乘积的性质对DE-SFL-NM进行了收敛性分析,并得出依概率收敛结论。使用包含单、多模态的10个基准测试函数的数值实验结果进行比较,验证了该算法在收敛速度、求解精度及鲁棒性能方面的有效性和进步性。同时,应用DE-SFL-NM快速且精准地求解了3D视线跟踪系统中的角膜曲率中心。     

梯级水库联合运行水位控制方式研究

梯级水库联合运行的水库水位控制方式是充分发挥梯级水库综合经济效益的重要课题,尤其是对具有较强调节能力的大型梯级水库,联合运行的梯级水库蓄水水位,消落水位控制方式的合理性和有效性决定了梯级电站综合效益的好坏.本文以雅砻江下游梯级水库为例,建立了梯级水库群优化调度模型,提出并采用二重逐步优化计算方法,探讨了蓄水起始时间,最低运行水位的确定等水位控制方式中的两个关键性问题,并以该成果为基础,得到了不同来水频率下的优化水库水位控制方式,所得结论可为雅砻江下游梯级水库实际运行中调度方案的制定提供参考.     

基于均匀自组织映射遗传算法的梯级水库优化调度

针对遗传算法中初始解分布不均以及易早熟等问题,采用均匀设计方法来生成均匀分布的初始解以及自组织映射算法通过高低维空间映射来改变个体基因从而增强局部搜索能力,提出了均匀自组织映射遗传算法,弥补了传统遗传算法中初始解的生成过于随机以及进化过程中易陷入局部解的不足,并将此改进算法在梯级水库的长期优化调度中进行了应用.通过实例计算表明,与遗传算法以及标准粒子群算法相比,此方法拥有更好的全局寻优能力,与动态规划算法结果相近,并且有着较快的计算速度,从而验证了此方法用于处理梯级水库的长期优化调度问题的可行性与合理性.     

基于递阶遗传算法的最小加权完工时间并行机调度

针对最小化加权完工时间的等同和非等同并行多机调度一类问题,提出了一种递阶遗传算法.该算法根据问题的特点,采用一种染色体递阶编码方案,此编码与调度方案一一对应.计算结果表明,递阶遗传算法是有效的,能适用于大规模等同和非等同并行多机调度问题,通过与Cheng所作编码的遗传算法比较,用递阶遗传算法优化并行机调度操作简单并且收敛速度快.     

基于学习机制的退火并行遗传算法应用研究

本文综合并行遗传算法(PGA)和模拟退火算法(SA)的优点,提出一种新的退火并行混合优化策略(PGASA).该算法克服了并行遗传算法局部搜索能力弱的缺点,在子种群的搜索中引入SA作为GA种群的变异算子,增强和补充了PGA的局部进化能力;同时将机器学习原理引入到混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度.针对车间调度中的典型问题进行了仿真,结果证明了新算法的有效性.     

梯级水库短期发电优化调度的协进化粒子群算法应用研究

针对传统优化算法在求解高维、复杂的梯级水库短期发电优化调度时多约束条件难以处理、 计算机时长、易陷入局部最优解等缺陷, 提出了基于协进化的粒子群优化算法, 并建立了相应罚因子的评价机制, 在此基础上对协进化粒子群优化算法进行了改进. 通过实际算例验证了该方法的合理性和可靠性, 从而为高维、复杂梯级水库发电优化调度提供了一种新的求解途径.     

黄河上游梯级水库水沙调节优化调度

本文从黄河的实际情况出发,考虑了上游发电、下游减淤和其它综合利用要求,将上、中、下游联系起来,应用随机动态规划法,研究了黄河上游梯级水库水沙调节优化调度问题,探讨了利用上游水库调整中、下游水沙关系以减少下游河道泥沙淤积的可能性与合理性,从而得出了一些有实际意义的结论。在求解径流具有时空相关的梯级水库的优化调度问题时,提出了协调保证出力分解逼近算法。此方法既能克服求解过程中的“维数灾”,又便于反映梯级水库入流之间的空间相关关系。在处理发电可靠性时,提出了随机约束与罚函数相结合的方法,有助于克服现有方法的某些缺点。     

匹配场反演后验概率分析

构造了一种基于并行优化算法的后验概率分析算法，用于对匹配场反演结果进行定量的概率分析。应用并行优化算法的强收敛特性，解决了统计计算中常出现的收敛标准难以确定的问题；应用优化算法高度并行、种群个体收敛高度一致的特性，较好的解决了高维统计计算中样本数量与计算时间、样本数量与样本质量之间难以协调的问题。匹配场反演仿真算例表明，该算法能有效对反演结果进行概率分析。     

解特殊工艺约束双目标调度问题的新遗传算法

针对特殊工艺约束下非一致并行多机双目标调度问题,设计了一个双目标调度模型(BOSP).进而基于遗传算法和免疫理论的思想,提出了新的遗传算法(IGA).算法的编码采用了向量组编码方法,能有效地反映实际调度方案;免疫算子的引入,保证了种群的多样性和种群的质量,加快了算法收敛速度.仿真结果表明,算法是有效的,免疫算法的引入,使算法能较好地收敛到最优解,优于没有引入免疫算子的遗传算法,并能适用于解实际的此类调度问题.     

Novel multi-objective optimization algorithm

Many multi-objective evolutionary algorithms （MOEAs） can converge to the Pareto optimal front and work well on two or three objectives, but they deteriorate when faced with manyobjective problems. Indicator-based MOEAs, which adopt various indicators to evaluate the fitness values （instead of the Paretodominance relation to select candidate solutions）, have been regarded as promising schemes that yield more satisfactory results than well-known algorithms, such as non-dominated sort- ing genetic algorithm （NSGA-II） and strength Pareto evolutionary algorithm （SPEA2）. However, they can suffer from having a slow convergence speed. This paper proposes a new indicatorbased multi-objective optimization algorithm, namely, the multi- objective shuffled frog leaping algorithm based on the ε indicator （ε-MOSFLA）. This algorithm adopts a memetic meta-heuristic, namely, the SFLA, which is characterized by the powerful capability of global search and quick convergence as an evolutionary strategy and a simple and effective E-indicator as a fitness assignment scheme to conduct the search procedure. Experimental results, in comparison with other representative indicator-based MOEAs and traditional Pareto-based MOEAs on several standard test problems with up to 50 objectives, show that ε-MOSFLA is the best algorithm for solving many-objective optimization problems in terms of the solution quality as well as the speed of convergence.     

磨矿过程参数自整定PID解耦控制器的设计

根据磨矿过程的数学模型,提出一种改进混合蛙跳算法优化的PID控制器对磨矿过程进行解耦控制。解耦后形成两个单输入单输出通道,使得磨机给矿的速率直接控制磨机排矿率,泵池给水的速率直接控制磨机粒度。一种新的蛙跳规则被提曲用来增强SFLA的局部搜索能力,该规则主要通过模拟青蛙的感知和运动的不确定性来动态随机地调整青蛙的局部搜索...     

Membrane-inspired quantum shuffled frog leaping algorithm for spectrum allocation

To solve discrete optimization difficulty of the spectrum allocation problem,a membrane-inspired quantum shuffled frog leaping(MQSFL) algorithm is proposed.The proposed MQSFL algorithm applies the theory of membrane computing and quantum computing to the shuffled frog leaping algorithm,which is an effective discrete optimization algorithm.Then the proposed MQSFL algorithm is used to solve the spectrum allocation problem of cognitive radio systems.By hybridizing the quantum frog colony optimization and membrane computing,the quantum state and observation state of the quantum frogs can be well evolved within the membrane structure.The novel spectrum allocation algorithm can search the global optimal solution within a reasonable computation time.Simulation results for three utility functions of a cognitive radio system are provided to show that the MQSFL spectrum allocation method is superior to some previous spectrum allocation algorithms based on intelligence computing.     

自适应分组量子衍生蛙跳算法

为提高传统蛙跳算法的优化能力,基于组内平均目标函数值实施动态分组,采用多量子比特概率幅实施个体编码,基于组内最优蛙和组间最优蛙确定旋转角度,采用基于张量积构造的多比特量子旋转门实施组内最差蛙的更新.标准函数极值优化的实验结果表明,该算法的单步迭代时间较长但优化能力较传统蛙跳算法约有两个数量级的提高,从而表明提出的分组策略和编码方法切实能够提高传统蛙跳算法的优化能力.     

A ε-indicator-based shuffled frog leaping algorithm for many-objective optimization problems

Many-objective optimization problems take challenges to multi-objective evolutionary algorithms.A number of nondominated solutions in population cause a difficult selection towards the Pareto front.To tackle this issue,a series of indicatorbased multi-objective evolutionary algorithms(MOEAs)have been proposed to guide the evolution progress and shown promising performance.This paper proposes an indicator-based manyobjective evolutionary algorithm calledε-indicator-based shuffled frog leaping algorithm(ε-MaOSFLA),which adopts the shuffled frog leaping algorithm as an evolutionary strategy and a simple and effectiveε-indicator as a fitness assignment scheme to press the population towards the Pareto front.Compared with four stateof-the-art MOEAs on several standard test problems with up to 50 objectives,the experimental results show thatε-MaOSFLA outperforms the competitors.     

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.     

求解零空闲置换流水车间调度问题的离散烟花算法

针对以最小化最大完工时间为目标的零空闲置换流水线调度问题,提出了一种带有局部搜索的离散烟花算法.首先,结合调度问题的置换特征,定义了基于工件序列的编码方式;其次,结合反转和交换等操作重新定义了爆炸算子和变异算子;再次,开发了基于插入邻域的局部搜索策略,以增强烟花算法的局部搜索能力;最后,采用实验设计探讨了关键参数对算法性能的影响.基于Taillard基准问题的对比分析结果表明:所提方法在寻优精度、稳定性等指标上优于标准烟花算法、离散萤火虫算法、离散蛙跳算法、离散粒子群算法和遗传算法,且不劣于结合变邻域搜索的粒子群优化、混合离散粒子群优化、杂草优化等算法.