基于动力学的多父体杂交算法

多父体杂交算法将种群中多个个体张成一个空间,然后在此空间中进行空间搜索,该算法具有很强的解搜索能力和较快的运行速度.动力学演化算法根据粒子群的统计物理特性,模拟粒子群在空间中的运动,提出了一种基于统计物理的粒子选择机制.数值实验表明,动力学演化算法是有效的.结合动力学演化算法的选择策略和多父体杂交算法的遗传操作,提出一种新的基于动力学的多父体杂交算法.该算法对多父体杂交算法中的替换策略进行改进,有效地提高了算法的求解能力,数值实验表明新算法可以很好的收敛,能够快速的找到问题的最优解.     

一种基于蜂王交配的求解复杂问题的演化算法

在对传统演化算法分析的基础上,提出了一种基于蜂王交配的求解复杂优化问题的演化算法(QMSGA).它的特点在于:模拟自然界中蜂王的交配方法,并引入均匀杂交和平均矢量偏差变异因子策略来达到种群分布的多样性,最终求出复杂优化问题的全局最优解.实验结果表明,对于求解复杂的多峰优化、陡峭函数优化等问题,该算法比传统的演化算法具有更好的精确度和收敛速度.     

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.     

一种基于子群杂交机制的粒子群算法求解旅行商问题

粒子群算法是在借鉴海鸥群落觅食行为基础上发展起来的仿生学优化算法，为求解复杂的组合优化问题提供了一种新的思路。本文提出一种结合粒子群算法结构和求解TSP问题蚁群算法特点的新算法，将多用于连续空间优化的粒子群成功扩展到TSP领域。算法通过杂交粒子选择机制，运用两种不同设计的杂交算子，成功模拟了自然界同物种不同种群间的协作与交流，将多子群策略和子群问杂交操作引入粒子群结构之中，增强算法的寻优能力。实验结果表明，该算法能有效地保证粒子问多样性差异，通过优化信息在子群间顺畅交流，有效地促进整个群落的进化收敛。该算法在解决TSP问题时．无论在收敛性和鲁棒性方面都优于一般的单群体、非杂交算法。是一种优秀的TSP问题解法。最终优化结果均达到TSPLIB中记录的已知最优解。     

基于BPSO的多故障最小候选集生成技术

多故障最小候选集生成是制定多故障诊断策略的首要步骤。利用二进制粒子群优化算法（binary particle swarm optimization, BPSO）生成多故障模糊组的最小候选集。首先，利用紧集表示法描述某或节点上的多故障模糊组，其最小候选集即多故障模糊组的最小碰集|然后，利用BPSO算法求解多故障模糊组的最小碰集，通过构造个体适应度和群体适应度双函数，解决BPSO算法求解最碰集的适应性问题，并保证了算法尽可能搜索冲突集的全部碰集|最后，通过某系统实例对算法的有效性进行了验证。事实表明，该方法能有效应用于多故障最小候选集问题的求解。     

求解卫星地面站调度问题的演化学习型蚁群算法

随着观测需求的日益增加,越来越多的卫星和地面站加入到对地观测系统中,迫切需要采用科学手段对卫星地面站资源进行合理分配。针对卫星地面站调度问题,构建了一种演化学习型蚁群算法。实验结果表明,该算法能有效求解卫星地面站调度问题。将蚁群优化模型和知识模型进行优势互补,可极大提高演化学习型蚁群算法的效率,为现有优化方法的改进提供了一种有益借鉴。     

基于改进MOPSO的多级系统备件配置优化研究

备件是装备保障的重要物质基础,合理规划备件的配置方案是提高装备保障效能的关键。针对多级保障系统备件配置优化的高维、非线性问题,构建了以备件保障度最大、保障费用最小为目标函数,以其他准则为约束条件的优化配置模型。面向优化模型求解的难题,在传统粒子群算法的基础上,提出了一种改进的粒子群求解算法,给出了该算法的设计思路和优化流程,采用基于准则的方法以及改进惯性权重等措施,以两个目标作为引导,在备件配置方案生成时可以避免长时间的无效搜索,提高了粒子群优化算法的求解效率,最后通过算例证明该方法的可行性和有效性。     

近空间多武器平台对地攻击多阶段模型及算法

针对近空间多武器平台对地攻击问题,综合考虑了作战资源、目标毁伤、己方损耗、飞行最短路径等四项关键战技指标,建立了多阶段优化控制模型,给出了相关的推理过程。为避免动态规划及序列规划的计算复杂性,通过设计合适的表达方法,使粒子与可行解对应,给出了改进的粒子群优化算法及算法详细步骤,并分析了改进的粒子群算法快速全局优化的特点,说明该算法能找到优化问题的全局最优解。最后对多阶段优化问题分别用改进的粒子群算法进行求解,仿真结果验证了模型的合理性和算法的有效性。     

多机协同电子战规划压制干扰布阵研究

针对电子战任务规划中的多机协同压制敌防空雷达网的干扰布阵问题,提出了航线规划安全区概念,基于数学形态学方法对安全区最小宽度进行求解,以安全区最小宽度和各部干扰机距敌方雷达网中心距离之和作为目标函数,构建了干扰布阵的多目标优化模型,采用多目标粒子群优化算法对模型进行求解,通过仿真实验对求解出的Pareto最优解集进行分析,得出了各部干扰机压制敌雷达网的最优干扰布阵方式,验证了所建多目标优化模型的正确性,同时也表明多目标粒子群优化算法在求解多机协同电子战干扰布阵问题是可行的、有效的     

用于多峰函数优化的免疫粒子群网络算法

针对多峰函数优化问题,借鉴粒子群优化特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。多峰函数优化的仿真结果表明,该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。     

基于进化粒子滤波的数据域直接跟踪方法

传统目标跟踪算法首先通过采样信号估计时延或多普勒等参数,然后利用这些参数构成的跟踪方程获得目标运动轨迹,这种两步跟踪模式存在位置信息损失、误差累积等问题,跟踪精度仍有待提高。针对此问题,提出一种利用数据域采样信号,基于时延和多普勒信息的直接跟踪算法。该算法利用多个观测站的接收信号,首先建立一个基于连续时间和多普勒信息的直接跟踪模型;然后基于进化粒子滤波算法,对所提跟踪模型进行迭代求解,提高算法计算效率,实现对运动目标的快速高精度跟踪;最后,针对所提模型,推导了目标直接跟踪的克拉美罗下界(Cramer-Rao lower bound,CRLB)递归求解方法,给出了算法的跟踪误差下限。仿真实验表明,与现有跟踪算法相比,所提算法跟踪精度更高,收敛速度更快,尤其在低信噪比条件下更能逼近CRLB。     

求解多目标二层规划的多目标进化算法

提出了一个求解多目标二层规划问题的多目标进化算法.用传统优化算法求解下层规划中用权向量线性加权后得到的单目标问题,而对上层的多目标规划问题则采用基于NSGA-II的选择机制的多目标进化算法求解.数值试验表明所提出的算法是有效的.     

Modified evolutionary algorithm for global optimization

1 .INTRODUCTIONOptimization problemsoftenariseinscience ,engi neering ,andbusinessapplications .Tosolvevariousoptimizationproblems ,manysolutionsbasedonthegradientorhigher orderstatisticsoftheobjectivefunction ,suchassteepestdescentmethod ,conjugategradie…     

用多目标进化算法求解二层规划双目标模型

传统单目标二层规划模型得到的最优解往往无法使上下级双方都满意.为此,通过在上层规划中同时考虑下级的目标函数,建立了原问题的上层为双目标规划的一个新模型.上下级可通过协商在该模型的Pareto-最优解集中找到双方满意解.对此模型设计了求解的多目标进化算法,用传统优化算法求解下层规划的单目标问题,而对上层的双目标规划问题则采用基于NSGA-Ⅱ的多目标进化算法求解.数值试验表明我们所提出的算法是有效的.     

快速Metropolis-Hastings变异的遗传重采样粒子滤波器

为了解决传统粒子滤波器粒子退化与贫乏问题,提出了快速变异的遗传重采样粒子滤波算法.该算法将快速Metropolis-Hastings(MH)移动作为遗传算法的变异算子,使得快速变异算子与传统交叉算子、传统选择算子组合为一种新的粒子重采样算法.快速MH变异能对粒子进行移动,使得粒子的稳定分布为目标的后验概率密度分布.快速变异能有效解决一般变异算法易发散的问题,可以更快地提取到反映目标概率特征的典型粒子.实验证明,基于快速MH变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化,减小跟踪误差.     

三维医学图像分割的改进量子进化搜索算法

传统量子进化算法用于搜索某些函数极值时精确度较低且稳定性较差.针对该问题,借鉴模拟退火算法,根据进化代数及个体的适应度值,修正了传统量子进化算法旋转门函数的旋转角度值,并应用于三维医学图像分割,从而形成了一种用于三维医学图像分割的改进量子进化算法.100次阈值计算实验结果表明,提出的分割算法与传统量子进化算法相比,在保持了传统量子进化算法收敛速度快特点的同时,可大大提高算法在三维分割中的精确性和稳定性.     

卫星编队构形多冲量调整优化研究

建立了卫星编队多冲量构形调整的优化模型,给出了期望构形约束的表达和处理方式。在约束处理方式和优化方法的不同组合下,对两个示例问题进行了多次优化求解和对比分析。结果表明:传统优化方法不能有效搜索复杂多冲量构形最优调整问题的最优解,而进化算法在期望构形约束满足精度上存在不足;先基于进化算法作全局搜索、再利用传统优化方法提高解的局部最优性是很好的方法,能够获得燃料最优性和约束满足精度都很高的解;对于期望构形约束的处理,传统优化适宜采用最终时刻状态偏差方式,而进化优化采用全周期最大状态偏差方式较好。     

基于量子空间的蚁群算法及应用

针对蚁群算法收敛速度慢,容易陷入局部极值的缺点,提出将量子进化算法与蚁群算法相融合的新算法。在该算法中,蚂蚁当前位置用量子比特的两个概率幅表示,与普通蚁群算法相比,个体数量相等时,新算法的搜索空间将加倍,同时用量子非门来实现变异操作,相比传统算法,在寻优过程中具有更好的种群多样性并有效克服了蚁群算法的早熟及停滞现象。将此算法用于图像分割,实验结果表明,该方法有效解决了蚁群算法收敛速度慢和容易陷入局部极值的问题,而且在分割速度和精度上得到了较大提高。     

运动多站无源时差/频差联合定位方法

鉴于无源定位技术已经成为现代信息化作战的核心技术,提出了一种新的运动多站无源时差(time difference of arrival, TDOA)频差(frequency difference of arrival, FDOA)联合定位方法去解决无源定位系统中的非线性最优化问题。通过智能算法的启发,将优化后的基于线性递减权重和物竞天择的粒子群算法(particle swarm optimization algorithm based on linear decreasing weight and natural selection, WSPSO)与经典加权最小二乘算法(weighted least squares, WLS)相联合对目标进行跟踪定位。加权最小二乘定位算法在4个基站的情况下无法实现对辐射源的定位,所得定位结果会出现多解。而所提的运动多站联合定位算法在4个基站的条件下不存在初始目标位置估计和局部收敛等问题就能够实现辐射源的精确定位。通过大量仿真结果分析,本文所提的智能优化定位算法具有更高的目标定位精度和更稳健的定位性能,优于标准粒子群算法与优化PSO算法。     

城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。