一种多目标优化问题的混合优化算法

利用分布估计算法(EDA)的全局搜索性能及差分进化(DE)算法的局部优化能力,提出了一种多目标优化问题的混合智能求解方法DE-EDA.DE-EDA的子代个体由两部分构成,一部分按差分进化算法生成,另一部分则是通过对分布估计算法的概率模型进行随机采样生成.利用模拟退火技术在线调整尺度因子Pr,即在进化的初期选择较大的Pr,以保证EDA起主导作用,由EDA引导DE搜索向Pareto前端,增加全局搜索能力,然后在进化的过程中逐渐降低Pr,使得DE逐渐占据主导作用,确保解精确收敛到Pareto前端.通过4组基准函数来测试算法性能,并与NSGA-Ⅱ和DE算法进行实验比较,结果表明该方法不仅解的多样性和分布性好,而且能够有效提高种群进化的收敛速度,是一种求解多目标优化问题的有效方法.     

资金约束下基于自适应差分进化算法的联合采购模型及其应用

针对贴近库存管理实践的联合采购问题研究不足的事实,分析了有资金约束的联合采购决策模型,该模型属于NP-hard问题,目前缺乏稳定快速的全局优化求解算法。本文设计了一种高效的自适应差分进化求解算法,通过与另一种求解此问题高效的遗传算法得到的结果进行对比分析,发现改进的差分进化算法不仅稳定可靠、全局收敛能力强,而且可以获得总成本更低的采购策略。算例分析结果同时表明,随着联合采购物品品种的增加,本文设计的算法在成本节约方面的潜力就越大。此方法具有广泛适用性和较强的应用价值,已在核电站备件库存管理应用中产生了良好的经济效益。     

求解连续空间优化问题的量子差分混合优化算法

借鉴量子计算的相关原理和差分进化思想,提出一种用于连续空间优化问题的量子差分混合优化算法。算法的核心是构造由决策向量的分量和量子位概率幅为等位基因的实数编码染色体;采用依据染色体的具体形式设计的互补变异进化部分优秀个体,以加快算法的收敛速度;利用差分进化思想进化部分随机选取个体,以保持算法的全局搜索能力和鲁棒性。对Benchmark函数测试表明,该算法具有寻优能力强、搜索精度高和稳定性好的特点。应用该算法求解路基沉降预测模型参数估计问题,能够有效提高实测沉降数据的拟合精度.     

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.     

求解大规模优化问题的改进鲸鱼优化算法

提出一种基于非线性收敛因子的改进鲸鱼优化算法(简记为IWOA)用于求解大规模复杂优化问题.为算法全局搜索奠定基础,在搜索空间中利用对立学习策略进行初始化鲸鱼个体位置;设计一种随进化迭代次数非线性变化的收敛因子更新公式以协调WOA算法的探索和开发能力;对当前最优鲸鱼个体执行多样性变异操作以减少算法陷入局部最优的概率.选取15个大规模(200维、500维和1000维)标准测试函数进行数值实验,结果表明,IWOA在求解精度和收敛速度方面明显优于其他对比算法.     

改进差分进化算法求解武器目标分配问题

针对武器目标分配问题求解收敛速度慢、搜索效率低、寻优精度差的问题, 提出一种基于改进差分进化算法的武器目标分配方法。首先, 建立多约束条件下武器目标分配优化模型, 将动态武器目标分配问题离散为静态武器目标分配问题处理。其次, 采用随机邻域变异策略平衡差分进化算法全局探索和局部开发能力, 采用基于历史存档的自适应参数整定方法, 根据“精英”信息动态更新算法参数。最后, 通过与5种变种差分进化算法的对比实验, 验证了所提方法寻优精度高、收敛速度快、鲁棒性强的优点。     

一般两层非线性规划问题的模拟退火全局优化

提出了一种基于模拟退火算法求解一般两层非线性规划问题的全局优化策略.采用模拟退火算法è求解上层问题,用精确惩罚函数处理约束,保证了算法稳定迅速地收敛于全局最优解.为了提高算法的效率,对标准模拟退火算法采取了一些改进措施.下层的非线性规划问题则采用可变容差单纯型算法完成求解.所设计的组合算法思路清晰,编程简单,数值计算结果表明,该算法有着良好的全局收敛可靠性和较高的收敛速度,是求解一般两层非线性规划问题的一种有效算法.     

快速约束多目标进化算法及其收敛性

针对进化算法收敛速度缓慢、容易陷早熟的问题,提出了约束多目标优化问题的一种新的快速进化算法. 设计了能够从可行解空间和不可行解空间同时搜索的交叉算子,将约束条件和目标结合在一起,引入一种新的偏序关系用于比较个体之间的优劣,提出一种新的Niche值计算方法作为维持种群均匀性的主要动力,并采用已搜索解集避免了算法的重复搜索. 在此基础上, 设计了具有全局搜索能力的进化算法, 并证明了算法的收敛性. 仿真结果表明,与同类进化算法相比, 该算法能够快速收敛到Pareto前沿,并能很好地维持种群的多样性.     

运用ADE算法进行Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.首先利用DE算法对Wiener模型参数进行辨识,分析了算法中变异率F对辨识过程中的全局并行搜索能力和收敛速度的影响;其次运用一种自适应变异差分进化算法(ADE)进行Wiener模型参数辨识,该算法在初期变异率较高,种群具有多样性,避免过早收敛于局部最优解;在进化过程中,变异率逐渐变小,优良个体得以保留,避免最优解遭到破坏.运用ADE算法对Wiener模型的数值仿真结果表明了ADE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.与一般的DE算法相比较,ADE算法辨识到全局最优解的精度和概率有较大提高,对算法参数的敏感性降低.     

基于动态进化算法的多阶段备件供应优化决策

由于实际备件保障工作中备件需求以间歇性需求为主,备件供应通常为多阶段的动态优化。针对以上问题,构建了多阶段备件供应数学模型。为求解动态优化模型,提出了一种元启发式动态进化算法。首先,在经典差分进化算法中增加了环境变化检测算子和环境变化响应策略,使得差分进化算法能够解决环境变化的动态优化问题。其次,提出了自适应莱维飞行策略,使得算法在环境发生变化时仍能保持良好的全局搜索能力和局部寻优能力。算例表明,所提出的动态自适应差分算法能够求得模型的最优可行解,且算法的分布性和收敛性均得到了很大的提升。     

复合最优模型微粒群优化算法研究及应用

针对微粒群算法全局最优(Gbest)模型收敛速度快、局部搜索能力强、鲁棒性差,局部最优(Lbest)模型全局搜索能力强、鲁棒性好、收敛速度慢的特点,提出了一种结合全局最优和局部最优两基本模型特点的复合最优模型微粒群优化算法。用4个Benchmarks函数进行了测试,实验结果表明,与微粒群算法的两种基本模型相比,该复合模型算法能有效提高算法的收敛速度及全局搜索能力。最后将算法应用于一个非线性系统模型的辨识,辨识结果验证了该算法的有效性。     

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。     

Multiobjective Imperialist Competitive Algorithm for Solving Nonlinear Constrained Optimization Problems

Nonlinear constrained optimization problem(NCOP) has been arisen in a diverse range of sciences such as portfolio, economic management, airspace engineering and intelligence system etc.In this paper, a new multiobjective imperialist competitive algorithm for solving NCOP is proposed.First, we review some existing excellent algorithms for solving NOCP; then, the nonlinear constrained optimization problem is transformed into a biobjective optimization problem. Second, in order to improve the diversity of evolution country swarm, and help the evolution country swarm to approach or land into the feasible region of the search space, three kinds of different methods of colony moving toward their relevant imperialist are given. Thirdly, the new operator for exchanging position of the imperialist and colony is given similar as a recombination operator in genetic algorithm to enrich the exploration and exploitation abilities of the proposed algorithm. Fourth, a local search method is also presented in order to accelerate the convergence speed. At last, the new approach is tested on thirteen well-known NP-hard nonlinear constrained optimization functions, and the experiment evidences suggest that the proposed method is robust, efficient, and generic when solving nonlinear constrained optimization problem. Compared with some other state-of-the-art algorithms, the proposed algorithm has remarkable advantages in terms of the best, mean, and worst objective function value and the standard deviations.     

一种求解约束优化问题的连续域蚁群算法

借鉴蚁群优化算法和粒子群优化算法的思想,提出了一种用于求解约束优化问题的连续域蚁群算法.将搜索域中的任意一点看成食物源,使用多组蚁群进行寻优,每一组蚁群代表问题的一个解,在每一迭代中首先在所有蚁群中选则一组种子蚁群,然后在该组蚁群的信息素密度分布函数下进行采样,生成子代蚁群,最后进行蚁群选择,从而使各组蚁群不断向适应度值较高的搜索区域移动,最终收敛到最优解.对基准测试函数G01-G12的求解结果表明,该方法具有较快的收敛速度和较好的全局寻优能力.     

基于模糊机会约束双层规划的动态火力分配建模与实现

针对现有动态火力分配模型未考虑不确定因素及复杂约束的问题,引入不确定规划理论,建立了基于模糊机会约束双层规划的动态火力分配模型.首先,以最大化效费比和尽早拦截分别作为模型的上下层目标函数,并考虑复杂战场环境下的模型约束.在此基础上,构建了一种针对双层多约束动态火力分配问题的递阶结构粒子编码方案,并将带审敛因子的离散变邻域粒子群算法及带怀疑因子及斥力因子的粒子群算法有效结合,利用模糊模拟技术,提出一种分层递阶的混合模糊粒子群算法.仿真实例表明,该算法具有更强的全局寻优能力和更快的收敛速度,能够满足大规模动态火力分配问题对时效性的高要求.     

A Dwindling Filter Line Search Algorithm for Nonlinear Equality Constrained Optimization

This paper proposes a dwindling filter line search algorithm for nonlinear equality constrained optimization. A dwindling filter, which is a modification of the traditional filter, is employed in the algorithm. The envelope of the dwindling filter becomes thinner and thinner as the step size approaches zero. This new algorithm has more flexibility for the acceptance of the trial step and requires less computational costs compared with traditional filter algorithm. The global and local convergence of the proposed algorithm are given under some reasonable conditions. The numerical experiments are reported to show the effectiveness of the dwindling filter algorithm.     

An Active-Set Projected Trust Region Algorithm for Box Constrained Optimization Problems

An active-set projected trust region algorithm is proposed for box constrained optimization problems, where the given algorithm is designed by three steps. First, the projected gradient direction which normally has better numerical performance is introduced. Second, the projected trust region direction that often possesses good convergence is defined, where the matrix of trust region subproblem is updated by limited memory strategy. Third, in order to get both good numerical performance and convergence, the authors define the final search which is the convex combination of the projected gradient direction and the projected trust region direction. Under suitable conditions, the global convergence of the given algorithm is established. Numerical results show that the presented method is competitive to other similar methods.     

基于Volterra级数的全解耦RLS自适应辨识算法

针对非线性系统辨识问题,提出了一种基于Volterra级数模型的非线性系统的全解耦RLS自适应辨识算法。按照Volterra伪线性组合结构,采用RLS自适应辨识和约束优化理论,导出了具有分块对角形输入相关矩阵的全解耦Volterra标准方程,据此设计了一种基于Volterra级数模型的全解耦的RLS自适应辨识算法。该算法与部分解耦的RLS自适应算法相比,显著提高了辨识过程的收敛速度和精度。仿真结果验证了该方法的有效性。     

Adaptive immune-genetic algorithm for global optimization to multivariable function

An adaptive immune-genetic algorithm(AIGA)is proposed to avoid premature convergence and guarantee the diversity of the population.Rapid immune response (secondary response),adaptive mutation and density operators in the AIGA are emphatically designed to improve the searching ability,greatly increase the converging speed,and decrease locating the local maxima due to the premature convergence.The simulation results obtained from the global optimization to four multivariable and multi-extreme functions show that AIGA converges rapidly,guarantees the diversity,stability and good searching ability.     

物种生灭算法

根据生物进化史中已被发现的物种大爆发和大灭绝现象,提出了智能优化算法——物种生灭算法,并对寻优机制进行了详细的描述。该算法借鉴了物种灾变进化理论的思想,通过对物种执行大爆发和大灭绝操作实现寻优,通过引入主支转移和新老物种的衍生能力收缩等策略,达到平衡算法全局寻优能力与局部寻优能力的目的。仿真结果表明该算法具有实现简单、收敛速度快、运行效率高、寻优精度好等优点。