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.     

全局版人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法.针对基本人工鱼群算法运算速度慢的缺陷,提出了一种全局版人工鱼群算法.该算法用整个鱼群的中心位置和全局极值位置代替人工鱼的邻域中心位置和邻域极值位置,从而减少了算法的计算量,提高了运算速度;采用动态调整人工鱼视野和步长的方法,较好地平衡了全局搜索能力和局部搜索能力;在人工鱼的觅食行为中,让人工鱼直接移动到搜索到的较好位置,加快了搜索速度.仿真结果表明,该算法的优化性能优于基本人工鱼群算法.     

多峰函数优化的免疫人工鱼群网络算法

针对人工鱼群算法(artificial fish swarm algorithm, AFSA)多峰寻优能力不足的问题,提出了一种免疫人工鱼群网络算法。应用改进的觅食行为,提升了算法的局部寻优能力;采用免疫网络调节机理,保持了人工鱼群多样性,不〖JP2〗断探寻新的局部峰值;执行模式搜索法（pattern search method, PSM）,完成精英人工鱼群的精细搜索。仿真实验结果表明,该算法具有较强全局优化能力和局部优化能力,且搜索到每个最优解都达到了理想值。     

改进人工鱼群算法在外汇预测和投资组合中的应用

人工鱼群算法具有良好的全局搜索能力和自适应能力,在解决投资组合问题上有较好的应用前景.本文通过改进人工鱼群算法,分别对汇率预测和外汇投资组合双目标优化两部分进行研究.首先利用基于平均距离视野的人工鱼群优化的支持向量回归机算法对汇率进行短期预测,提高了外汇预期收益率的准确性.然后建立外汇投资组合双目标模型,通过借鉴带精英策略的快速非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)的思想,提出基于Pareto排序理论的双目标非支配排序人工鱼群算法(non-dominated sorting artificial fish swarm algorithm,NSAFSA).实证分析表明该算法在求解外汇投资组合方案时,获得的Pareto前沿比NSGA-II的结果分布更均匀,多样性更好.最后对NSAFSA算法进一步改进,通过两次剪枝策略提高了解的质量,并给出了可供选择的最优外汇投资组合方案.研究结果表明人工鱼群算法可以对汇率预测和外汇投资组合提供重要参考,在外汇市场中具有较大的应用潜力.     

基于极坐标编码的改进人工鱼群算法

针对人工鱼群算法收敛速度慢、求解精度低及易陷入局部最优的问题,提出了一种改进的人工鱼群算法。为提高求解精度,算法采用极坐标编码形式增加单个母体解空间表达的多样性,在迭代求解过程中根据适应度值依概率调整极角,逐步降低观测结果的不确定性。通过对三种行为方式进行调整,去除影响搜索方向性的随机移动行为,将搜索重点集中在最优解邻域内,有效降低算法重搜索的可能性,以提高算法的收敛速度。实验结果表明,该算法在收敛性和稳定性上优于基本人工鱼群算法、自适应人工鱼群算法和生境人工鱼群算法,验证了算法的有效性。     

RNA二级结构预测的自适应鱼群算法模型

基于人工鱼群算法的基本理论,提出了预测RNA二级结构预测的自适应人工鱼群算法模型.该模型对人工鱼群算法在处理组合优化问题时存在的缺陷进行了相应改进,在算法中加入的自适应思想既保证了算法的快速收敛,同时又有效地避免了盲目搜索.仿真实验中将本模型与基于粒子群算法的模型以及基于遗传模拟退火算法的模型进行了比较研究,结果表明,使用自适应鱼群算法进行RNA序列的二级结构预测能获得较理想的预测效果.较之另两种方法,鱼群算法能有效减少计算量、节省计算时间,特别当待测序列长度大于500时,鱼群算法在收敛速度上有着明显优势.     

基于人工鱼群算法的出租车智能调度

出租车以其方便、快捷、舒适等特点成为城市公共交通工具的重要补充,但是当前出租车资源普遍存在着分布不合理、空载率高、营运效率低下等问题.本文运用群智能的思想,提出基于人工鱼群算法的出租车智能调度方法,以实现对出租车资源的全局调度与合理分配.论文提出标准人工鱼群算法中的觅食函数、聚群函数和追尾函数的改进方案以及当前最优状态阈值限定的优化策略,使得改进算法具有全局寻找最优解的良好搜索能力.同时通过模拟实验分析视野、尝试次数、拥挤度因子、迭代次数和游动步长等参数对出租车调度算法寻优能力的影响.研究成果为城市出租车资源得到科学合理规划以及全局优化分配提供新思路和依据.     

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。     

基于改进螺旋更新位置模型的鲸鱼优化算法

针对鲸鱼算法后期种群的多样性丢失问题,通过螺旋更新位置模型的改进并结合对立学习策略、随机调整参数、正态变异操作等已有方法改进鲸鱼优化算法.采用对立学习策略对鲸鱼种群初始化,为全局搜索奠定基础;利用随机调整控制参数的策略,避免了算法后期陷入局部最优;正态变异算子与改进螺旋更新位置对鲸鱼种群进行干扰,避免种群后期向某个最优区域靠拢,增大算法的全局搜索能力.选取文献[4]中23个国际标准测试函数,包括单峰、多峰以及固定维数函数,对改进的算法进行低维测试;选取文献[12]中的25个单峰和多峰国际标准测试函数,对改进的算法进行高维测试.结果表明,IMWOA算法在收敛精度、收敛速度上均明显优于原WOA算法且具有普遍适用性、稳定性和解决超大规模优化问题的能力.     

带时间窗可回程取货车辆路径问题的元胞鱼群算法

在研究带时间窗可回程取货车辆路径问题数据模型的基础上,将人工鱼群算法的仿生学原理与元胞自动机的邻域邻域模型和状态迁移规则相结合设计了元胞鱼群算法.算法通过在每次迭代后进行元胞空间的信息交换,并利用交换序方法对鱼群算法进行重构,改善了对解空间的搜索性能.仿真实验结果表明,元胞鱼群算法有良好的寻优能力,具有一定的工程应用价值.     

基于改进粒子群算法的平面阵同时多波束赋形方法

针对当下平面阵同时多波束赋形需求, 提出基于改进粒子群算法的平面阵同时多波束赋形方法。将自适应操作粒子结构、反梯度加权用于粒子群搜索算法作为创新点, 根据粒子群收敛度自适应调整操作粒子结构的概率, 以平衡粒子群全局探索和局部利用能力, 根据多目标优化程度对各优化指标反梯度加权, 以抑制多目标优化失衡, 对阵列相位、幅度优化实现低旁瓣、窄波束宽度和高增益的效果。实验表明, 在传统非线性智能优化方法效果不好的情况下, 该方法对阵元数较多的任意平面阵同时多波束赋形效果较好。     

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

求解非线性双层规划问题的混合变邻域粒子群算法

针对非线性双层规划难以获得全局最优的问题,汲取粒子群算法的快速搜索能力及变邻域搜索算法的全局搜索优势,提出了求解非线性双层规划问题的混合变邻域粒子群算法.首先利用Kuhn-Tucker条件,将非线性双层规划转化为一个单层规划问题,然后由粒子群算法得到一个较优的群体,通过审敛因子判断陷入局部最优的粒子,并进一步利用变邻域搜索算法的全局搜索能力对陷入局部最优的粒子进行优化,从而得到全局最优.测试函数的仿真实验对比分析证明了该算法的有效性.     

基于MAPSO算法的小波神经网络训练方法研究

为提高小波神经网络(Wavelet Neural Network,WNN)的建模质量,针对标准粒子群(Particle Swarm Optimization,PSO)算法优化WNN存在的早熟和局部收敛问题,提出一种基于多粒子信息共享(Multi-particle information share)和自适应惯性权重(Adaptive inertia weight)策略的PSO方法(MAPSO)用于WNN训练。多粒子信息共享采用多粒子信息来修正各粒子下一次的行动策略,以降低粒子陷入局部最优的可能性;惯性权重自适应调整根据群体早熟收敛程度,按个体适应度自适应调整惯性权重,以使陷入局部最优粒子跳出。同时,给出了算法实现的基本流程。仿真结果表明MAPSO算法既具有PSO算法的简捷性,又能够提高WNN学习速度和精度及全局搜索能力,是小波网络的有效训练方法。     

改进粒子群优化算法及其在聚类分析中应用

针对标准粒子群优化算法初期收敛速度快,后期容易陷入早熟收敛,局部寻优,全局搜索能力差等缺点,提出了一种新的鱼群-粒子群优化算法(AF-PSO)。引入拥挤因子δ和马尔可夫链,将鱼群算法加入到粒子群优化算法中,通过计算拥挤因子,来更新速度模型,使其在觅食,聚群,追尾,随机4种模态下进行切换。仿真结果表明了所提出的AF-PSO算法的综合性能优于其他改进的PSO算法。为进一步说明算法的实用性,将AF-PSO算法成功应用于输油管道泄露数据的聚类分析上。实验结果表明基于AF-PSO的K-means算法性能是优于其他聚类算法。     

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。     

基于动态交互层的柔性作业车间动态调度问题研究

为快速应对柔性作业车间生产过程中出现的突发状况,构建了一种以全局任务最大生产完成时间以及紧急订单生产完成时间为优化目标的柔性作业车间动态调度模型。针对上述模型,提出一种更加适用于动态排产的动态交互层DIL (Dynamic Interaction Layer)来代替滚动窗口。设计了粒子群遗传混合算法PSGA (Particle Swarm Genetic hybrid Algorithm),将粒子群算法中位置更新策略与遗传算法基因突变融合,加强算法局部搜索能力。针对柔性作业车间订单加急的意外状况,采用DIL与PSGA相结合的方法求解动态调度问题。通过仿真实验,验证了DIL处理紧急订单的能力和PSGA算法的有效性。     

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.     

嵌入隔离小生境技术的混沌粒子群算法

针对标准粒子群算法(standard particle swarm optimization,SPSO)无法很好平衡全局与局部搜索能力,且收敛速度较慢、易于早熟收敛等问题,提出了嵌入隔离小生境技术的混沌粒子群算法(isolation niches em-bedded in chaos particle swarm optimization,INCPSO)。利用隔离小生境技术,保证了解的多样性,同时,引入混沌搜索策略,提高了解的搜索精度和收敛速度,且避免早熟收敛。仿真试验结果表明,与标准粒子群算法和只嵌入隔离小生境技术的粒子群算法(isolation niches particle swarm optimization,INPSO)相比,嵌入隔离小生境技术的混沌粒子群算法对复杂问题的求解能力较强,寻优性能较好。