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.     

基于改进PSO算法的实时故障监测诊断测试集优化

针对基于相关性模型的复杂系统实时故障诊断问题,引入一种改进的多目标离散粒子群优化算法对测试集进行优化选择,以提高诊断系统效率,降低测试成本。基于现有粒子群优化算法,将粒子速度更新和位置更新的意义与测试选择相联系,提出了新的速度和位置更新公式;针对测试集故障检测数、故障隔离数、测试个数及成本等多个指标,分别设计了故障监测测试集和诊断测试集的多目标适应度函数,并给出最优解的多目标更新方法。仿真结果表明：改进算法收敛速度快,计算精度高,可为实时监测诊断系统测试集优化选择提供有效指导。     

基于改进离散微粒群优化算法的混流装配线多目标排序

产品投产排序是混流装配线有效运作的关键,它是标准微粒群算法无法直接应用的离散空间问题.提出改进离散微粒群优化算法来解决混流装配线多目标排序问题.提出了适应离散编码的粒子位置编码方式,有效避免了不可行解的产生,提高算法效率.引入了动态参数及自适应逃逸机制增强了粒子的多样性和搜索性能.分析了装配线参数变化对目标函数和相应投产序列的影响,并确定出了能够获得最优解的合理参数范围.提出评价指标对改进离散微粒群优化算法与基本离散微粒群优化算法进行了对比,对实际混流装配线的仿真实验表明提出的改进微粒群优化算法可以直接应用于离散排序问题,是一种高效的混流装配线排序算法.改进微粒群优化算法与遗传算法的仿真实验对比显示了提出方法在混流装配线排序问题中的优越性.     

双目标优化问题的类电磁算法

为方便决策，双目标优化问题就是要从最优解集中求出一组分布均匀且数量多的Pareto最优解。针对这一特点，定义了种群的均匀度和序值，来度量种群中解的分布和质量，将双目标优化问题转化为以均匀度为目标函数，序值为约束条件的单目标优化问题；设计了双目标优化问题粒子的电荷和受力的计算公式，提出了一种新的类电磁算法求解问题。用标准的Benchmark函数进行了仿真实验，结果表明，新算法对双目标优化问题的求解是非常有效的。     

具有信息指导的自适应退火进化规划

为克服标准进化规划算法变异操作的盲目性和易陷入局部最优的问题,提出具有信息指导的自适应退火进化规划算法。算法充分利用目标函数和变量的变化信息,记录下一步的搜索方向,个体的变异方差采用自适应的形式,随进化代数的增加而减小变异幅度,并在新一代种群的生成中采用退火概率的选择方式,既保证了算法的多样性,又可较好地避免算法陷入局部最优解。通过仿真实验表明,该算法收敛速度较快,特别对于变量数目较多的优化问题,更显示出其优越性,具有解决大规模问题的潜力。     

求解混合变量约束优化问题的改进粒子群算法

针对工程设计中混合变量约束优化问题,提出一种基于模拟退火的粒子群算法。通过引入模拟退火算法,重新生成停止进化粒子的位置,增强了全局搜索能力。鉴于最优解位于可行域边界的特点,结合一种自适应保持群体中不可行解比例的策略,采用个体比较准则处理约束。同时结合混合变量优化问题的特点,通过转换函数,使算法真正在离散空间中进行搜索,保证了解的可行性。仿真结果表明:该算法能够快速准确地找到最优解,具有较好的稳定性。     

一种基于相位比较的量子遗传算法

针对量子遗传算法不适于连续函数优化的问题,提出了一种改进的量子遗传算法。该算法直接将量子染色体与当前最优解相比较来确定旋转门的旋转角,种群中各个体以不同速率向最优解进化以同时实现全局搜索与局部搜索,引入变异操作以防止算法早熟收敛。对该算法及其全局收敛性进行了分析后,将其用于函数极值求解与PID控制器的参数优化,并与遗传算法和量子遗传算法进行比较。仿真结果表明该算法具有较好的寻优性能。     

基于离散人工蜂群算法的认知无线电频谱分配

针对二进制粒子群优化算法在认知无线电频谱分配中容易陷入局部最优等问题,将人工蜂群算法引入到认知无线电频谱分配中,提出了基于离散人工蜂群算法的认知无线电频谱分配方法。针对一种认知无线电网络模型,将离散人工蜂群算法中的蜜源位置离散化,与模型中的可用频谱矩阵相结合产生分配矩阵,对目标函数进行优化,并且使用了一种新的比例公平性目标函数评价该算法的性能;通过仿真比较了本文算法与二进制粒子群优化算法的频谱分配方法的性能,同时在使用电视频段的认知无线电系统进行了验证,结果表明本文算法的高效性和优越性。     

基于自适应变异概率二进制PSO的球磨制粉系统控制

研究了一种新型自适应变异概率二进制粒子群算法。提出的自适应变异策略通过以一定的概率进行动态比特转换帮助算法更好地保持种群多样性和搜索新解,从而有效防止算法早熟。最终将提出的自适应变异概率二进制粒子群算法（adaptive mutation based pobability binary PSO,APBPSO）用于球磨制粉系统这一复杂多变量对象的PID控制器优化设计中以验证算法性能。多变量控制器分别采用了三种多目标优化目标函数,仿真结果表明提出APBPSO能有效避免陷入局部最优,其对控制器优化性能优于粒子群优化算法、离散二进制粒子群优化算法及基本的概率二进制粒子群优化算法。     

非线性盲源分离的多目标进化算法

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,求解其全局最优解非常困难的问题。设计了多目标进化算法来求解代价函数的全局最优解,提出了非线性盲源分离的多目标进化算法。该多目标进化算法根据带权极小极大策略构造了一个同进化代数有关的变适应值函数,使种群中的容许解逐渐增多和保持个体的多样性,避免算法陷于局部最优。数值仿真表明算法是有效的。     

面向混合变量和任意时间优化的蚁群算法

针对现实问题中优化模型复杂、变量类型混合、求解难问题,通过构建面向混合变量的蚁群优化信息素模型和设计蚂蚁随机解构建方法,提出能够充分有效处理混合连续、有序或无序离散变量的蚁群优化算法。进一步考虑现实问题中目标函数评估次数未知或昂贵优化场景,设计面向任意时间优化的算法参数评估指标,自动化配置算法同时提高解的质量和优化执行效率,生成了面向混合变量和任意时间优化的蚁群算法。最后在标准工程优化问题中进行测试,通过与文献结果的比较,验证了新蚁群算法的高效性和鲁棒性。     

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。     

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.     

多目标连续小推力深空探测器轨道全局优化

以燃料消耗量最小和飞越小行星最多为性能指标,对多目标连续小推力深空探测器轨道优化,给出了一种组合优化算法。该组合优化算法由全局优化和局部优化组成。全局优化为粗略设计,首先,利用动态规划法全局优化来确定探测系列,即确定从地球出发依次探索的各个小行星以及时间节点;利用静态参数优化算法(即穷举法),在一个大的搜索空间内全面搜索每段飞行轨道的发射窗口,同时,得到每段轨道次优飞行轨道及次优的控制律。然后利用共轭梯度法局部优化来求解每段轨道两点边值问题,获得最优的飞行轨道及最优的控制律。     

遗传算法在离散变量优化问题中的应用研究

针对实际应用中大量存在的离散变量优化设计问题,研究了利用一般连续变量方法进行离散变量优化设计的不足。结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。基于线性搜索思想提出离散引导算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优。通过对两个实际离散变量优化设计问题的应用研究,验证了本方法解决离散变量优化设计问题的有效性。     

求解N-车探险问题的离散水波优化算法

N-车探险问题是一类NP-hard离散优化问题，针对该问题，首次提出一种融合局部搜索的离散水波优化算法。结合该问题等价于置换排序的特性，设计基于置换序列的编码方式；利用反转、移动、交换等操作重新定义传播、折射和碎浪算子；开发基于插入邻域的局部搜索策略，以增强水波优化算法的局部搜索能力。最后，利用实验设计探讨关键参数对算法性能的影响。基于14个标准问题的测试结果表明：所提方法的寻优精度、稳定性等整体优于标准水波优化算法、粒子群算法、烟花算法和启发式算法H1~H4；与离散水波优化算法相比，基于禁忌搜索的变邻域搜索算法用至少66.6倍的计算时间得到了最大相对偏差比为0.017的寻优精度。结果表明，离散水波优化算法能在较短时间内获得较满意的解。     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

基于分布式免疫进化算法的函数优化

针对遗传算法在寻优过程和多峰值函数求解中出现的“早熟”问题以及免疫算法收敛速度较慢问题,将免疫算法和进化算法进行优势融合,并结合改进的进化算法的并行模型,提出一种新的算法--分布式免疫进化算法（distributed immune evolutionary algorithm,DIEA）。新算法主要包括记忆种群进化模块和子种群进化模块两个部分,子种群的主要功能是找出各个区间的局部最优解;主种群主要是进行全局搜索,寻找全局最优解。仿真实验表明,该算法具有很高的全局寻优能力和很快的收敛速度,适合求解复杂多峰函数优化问题。     

基于自适应ε的约束优化算法

针对目前约束优化算法易陷入局部最优和鲁棒性不好等缺点,提出基于自适应ε的约束优化算法。首先,通过改进的个体比较准则,充分利用优秀不可行个体的有效信息,加大对搜索空间的探索力度,从而提高种群多样性;其次,提出自适应ε调整策略,平衡目标函数和约束违反度之间的关系,进而更加合理地进行个体比较。对13个标准测试函数的对比实验表明,本文算法不仅能够以较高精度收敛到全局最优解,而且鲁棒性较好。