基于多目标萤火虫膜算法的学习效应生产调度问题

针对复杂的生产环境,建立基于学习效应的多目标置换流水车间调度问题模型。设计嵌套有萤火虫算法的膜算法,改进其邻域搜索策略,对构建的模型进行寻优求解。利用Car类基准测试问题测试萤火虫膜算法的性能,并通过与萤火虫算法和粒子群算法的对比,验证了萤火虫膜算法在求解置换流水车间调度问题中的可行性和有效性。利用膜算法求解得到的不同学习率下置换流水车间调度问题的最大完工时间及总流经时间,构建Pareto最优解集,分析不同学习效应因子对多目标置换流水车间调度问题的影响程度。     

基于多目标萤火虫膜算法的学习效应生产调度问题北大核心CSCDCSSCI

针对复杂的生产环境,建立基于学习效应的多目标置换流水车间调度问题模型。设计嵌套有萤火虫算法的膜算法,改进其邻域搜索策略,对构建的模型进行寻优求解。利用Car类基准测试问题测试萤火虫膜算法的性能,并通过与萤火虫算法和粒子群算法的对比,验证了萤火虫膜算法在求解置换流水车间调度问题中的可行性和有效性。利用膜算法求解得到的不同学习率下置换流水车间调度问题的最大完工时间及总流经时间,构建Pareto最优解集,分析不同学习效应因子对多目标置换流水车间调度问题的影响程度。     

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。     

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.     

基于记忆曲线的ACO在柔性作业车间的调度优化

为克服蚁群算法存在收敛速度慢、容易陷入局部最优解的问题,通过研究记忆曲线模型和蚁群算法信息素更新规则的特点,提出了一种基于生物记忆曲线模型的信息素更新规则对蚁群算法进行改进,并通过实验确定改进后的蚁群算法各参数的合理取值。以最短加工时间为目标函数,建立柔性作业车间调度的目标函数,结合实际算例借助MATLAB求解。通过与其他改进蚁群算法的对比,对6个Job-Shop Benchmark的基准问题进行仿真,通过仿真结果发现,无论是最优解的质量还是求解速度上改进的蚁群算法较基本蚁群算法都有较大提升。最终得出本文提出的基于生物记忆曲线模型的信息素更新规则具有良好的求解能力和收敛能力。     

求解零空闲置换流水车间调度问题的离散萤火虫算法

针对最小化最大完工时间的零空闲置换流水车间调度问题,提出了一种离散型萤火虫优化算法。基于萤火虫算法优化机理,采用基于工件序列的个体编码方式,重新定义了个体间距离的概念和位置更新公式,并结合交换、插入和逆序操作的局部搜索策略来提高算法性能。通过典型算例对算法进行了仿真测试和对比,结果表明了所提算法的可行性和有效性,扩展了传统萤火虫算法的求解范围,是解决流水线生产调度问题的一种有效方法。     

基于模式搜索的类电磁算法求解约束优化问题

针对约束优化问题,提出了一种基于模式搜索的类电磁算法。引入了粒子的违反度函数,将约束优化问题转化为双目标无约束优化模型来求解;提出了双目标模型中粒子的电荷和受力的计算公式,引导不可行粒子转化为满足约束条件的粒子;为了提高算法的搜索能力,结合模式搜索算法改进种群中的粒子,为类电磁算法提供了有效的局部信息。与以往算法仿真结果相比,新算法具有性能好、较稳定的优点。     

基于ANN预报模型的快速学习算法

提出了一种基于预报模型的变目标函数的前向神经网络快速学习算法。首先推导出一种综合目标函数从而实现极值点附近收敛速度的提高，然后导出变目标函数的局部化递扒最小二乘算法，该方法与现有同类的算法相比，可以提高收敛速度和预报精度，适用于需快速学习的系统辨识和其他应用。系统辨识的仿真实例表明了算法的优良性能。     

一种有效的水下目标运动分析算法与仿真研究

研究了基于纯方位观测的水下目标运动分析(TMA)原理及方法,针对常用粒子滤波算法在水下目标运动分析中存在的后验概率选择问题及粒子退化现象,通过分析问题产生的原因,提出了一种基于改进粒子滤波算法的水下目标运动分析方法。该算法首先结合了扩展卡尔曼滤波与粒子滤波算法(EKF-PF)各自的优势,同时考虑到粒子退化现象,并将马尔科夫链蒙特卡洛方法(MCMC)应用于EKF-PF算法中。与传统粒子滤波算法相比较,该算法不仅提高了重要性密度函数准确度,同时还克服了粒子退化问题,而且对重采样带来的采样枯竭也有很好的抑制作用。通过仿真实验表明该算法有效,且估计精度有较大的提高。     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

求解大规模多背包问题的高级人工鱼群算法

针对复杂的大规模多背包问题,提出了一种基于高级人工鱼群算法的求解方法。为了解决人工鱼群算法收敛速度慢、求解精度低的问题,所提算法通过改进其初始化方法,优化人工鱼个体的行为选择方式和追尾行为来加快问题求解的收敛速度;同时引入了动态视野及步长和人工鱼调整策略来提高算法搜索的精度。仿真实验表明:与现有的算法相比,所提算法不仅能快速收敛,而且可以达到更高的精度,尤其是对于规模越大的多背包问题算法性能提升越明显。     

基于改进粒子群优化的非线性最小二乘估计

针对测量数据处理中非线性模型参数估计理论广泛使用的传统牛顿类算法对初值的敏感性问题,提出了一种求解非线性最小二乘估计的改进粒子群优化算法。该算法利用均匀设计方法在可行域内产生初始群体,无需未知参数θ的较好的近似作为迭代初值,而具有大范围收敛的性质;通过偏转、拉伸目标函数有效地抑制了粒子群优化算法易收敛到局部最优的缺陷。给出应用该方法到NLSE的具体步骤,通过仿真实验证明该算法的有效性。     

一种新颖的萤火虫算法求解PID控制器参数自整定问题

针对基本萤火虫算法存在自适应性不强、精度不高及收敛速度过慢等问题,提出一种新颖的萤火虫算法,即具有混沌搜索策略的自适应步长萤火虫算法。该算法通过引入协调因子,对搜索步长进行自动调节,解决了萤火虫步长过大或过小而带来的搜索精度低和收敛速度慢的问题,利用混沌搜索策略对精英个体进行训练和混沌优化,有效改善了萤火虫种群的多样性和自适应性。实验结果表明,改进后的算法在PID控制器参数自整定的应用中具有其他算法无法比拟的优势。     

萤火虫群算法优化高斯过程的网络安全态势预测

针对共轭梯度法获取高斯过程超参数存在迭代次数难以确定及预测不精准等问题,提出一种萤火虫群算法优化高斯过程的预测方法,并将其应用于网络安全态势预测研究。采用萤火虫群优化算法对高斯过程超参数进行智能寻优,建立基于高斯过程回归的网络安全态势预测模型。实验结果表明新方法的平均相对预测误差较共轭梯度法、粒子群优化算法和人工蜂群优化算法分别降低了近29.46%、10.37%和4.22%,且新方法收敛较快。另外,分析对比了3种单一类型和2种复合类型的协方差函数对高斯过程预测的影响,实验结果表明采用神经网络与有理二次的复合协方差函数(neural network and rational quadratic composite covariance function, NN-RQ)的平均相对预测误差较其他4类协方差函数降低了1.65%~7.51%。     

基于MQNM的双基地雷达目标定位改进算法

针对求解双基地雷达目标定位问题常用的Gauss-Newton法自身固有的缺点,如收敛精度和收敛速度依赖于迭代初值与真实值的接近程度和函数的非线性程度,进一步考虑了目标函数Hessian阵的二阶信息,结合MQNM法(修正拟牛顿法)提出了一种双基地雷达目标定位问题的优化改进算法。计算机仿真结果表明了该算法的可行性和有效性。     

对学习样本无误分类的对数型目标函数BP算法

提出了一种对学习样本无误分类的改进ＢＰ学习算法。该算法采用对数型目标函数，可以减少每次迭代的计算量。同时将输出节点分为正确分类节点和误分类节点两类。对于误分类节点，将其误差项加入到目标函数中，然后采用梯度下降算法进行学习。在学习过程中，对学习率μ（ｋ）采用动态优化确定方法，以加快算法收敛速度。为保证收敛后的网络对学习样本能够正确分类，算法终止条件要求对所有输入样本，无误分类输出节点。算例仿真表明了算法的有效性。     

一种新的优化方法:β算法

提出了一种新的求解全局最优问题的算法。该算法适合求解非线性、非凸、包含多个局部最优解的最优化问题,且对所求解的问题没有很强的前提条件,适用范围宽广,该算法利用了目标函数超曲面在可行域中的起伏,对可行域进行分割压缩,并最终收敛于某个全局最优解。最后通过实例与模拟退火算法进行了比较,检验了其优异的鲁棒性和收敛速度。     

基于FA-ER的装备保障资源供给能力评估方法

针对装备保障资源供给能力评估信息主观性和不确定性强、评估结果可信度低的问题,提出了一种基于萤火虫算法和证据推理(firefly algorithm-evidential reasoning, FA-ER)的评估方法。首先，通过直觉模糊熵处理不确定信息,确定初始权重范围。然后，基于后悔函数将证据推理方法的权重求解问题转化为非线性多目标优化问题。最后，采用萤火虫算法计算最优参数,确定最优评估模型并得到最终评估结果。算例分析结果表明,所提方法能够有效解决评估主观性强的问题,提高评估结果的准确度,对装备保障资源供给能力评估问题具有较好的适用性。     

基于改进小生境演化算法的多峰函数优化算法

传统演化算法在求解复杂多峰函数优化问题时经常会出现早熟、收敛速度慢等问题,特别是对于有多个最优解的函数,往往只能找到个别的最优解.针对这些问题,提出了一种基于膈离机制与排挤机制相结合的小生境演化算法.利用隔离机制增强引导进化能力,利用排挤机制保证种群的多样性,同时,采用反序交叉算子进一步加强局部寻优能力.实验表明,使用该改进小生境演化算法求解函数优化问题能更有效地克服传统演化算法存在的收敛速度慢和容易陷入局部最优解等缺点.     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。