具有自适应度双群体PSO的组群机器人队形控制

针对粒子群算法对约束条件的优化处理问题,提出一种具有自适应度双群体粒子群优化算法,该算法将目标函数与约束条件分别考虑,形成2种群体以不同目标为前提同时向最优解进化;并分别对2种群体的适应度引入自适应权重系数与相应调整策略,基于并非所有非可行个体均劣于可行个体概念,动态地调整其适应度以保证部分非可行个体向可行域进化.将其应用于组群机器人队形控制中,链型结构(纵队)队形仿真结果表明了该算法的有效性.该粒子群算法为实际应用中约束优化问题的求解提供了新的途径.     

一种求解多目标优化问题的新遗传算法

给出了种群个体的序和密度定义,在此定义下又给出目标空间中Pareto界面上解的质量度量函数和均匀性度量函数.把对任意多个目标优化问题转化成了利用解的质量度量函数及均匀性度量函数构成的2个目标优化问题,同时对转化后的优化问题设计了一种新的遗传算法.为了提高算法的性能,对算法采用变适应度进化策略及遗传参数采用自适应调节技术.数据实验表明该算法对提高Pareto界面上解的质量及其均匀分布是有效的.     

求解一类双层规划的自适应变异动态差分进化算法

针对一类上层函数和约束函数不具有凸性和可微性要求,而下层函数可微且凸的非线性双层规划问题,首先通过Karush-Kuhn-Tucher(KKT)条件将双层规划问题转换为单层约束非线性规划问题,并结合非固定多段映射罚函数法和精确罚函数法对约束条件进行无约束化处理,然后提出一种改进的动态差分进化算法优化对系列无约束优化问题进行求解。对8个测试实例进行数值计算并与现有算法进行比较。测试结果表明,所提方法是一种求解该类双层规划问题的有效方法。     

模拟进化优化方法

本扼要介绍了模拟进化优化方法中的两个分支－遗传算法和进化规则,同时将进化规划与基于梯度的寻优技术有机地结合起来,提出了一种新的全局寻优算法一启发式进化规划,最后给出了数值算例,说明了此类方法在求解组合优化问题以及具有不可微的目标函数或约束条件复杂的非线性优化问题的优越性。     

水库优化调度的Pareto强度值SCE-UA算法

提出求解水库优化调度问题的Pareto强度值SCE-UA算法,该方法将水库优化调度的约束优化问题转换成两个目标函数的无约束优化问题,一个为原问题的目标函数,另一个为违反约束条件的程度函数;对上述两个目标函数组成的向量个体,利用Pareto 优于关系和个体Pareto 强度值概念,实现个体的优劣比较和群体的优劣排序,在此基础上使用 SCE-UA算法求解。这种算法不需要人工处理罚函数,具有较强的通用性、稳定性及更好的搜索性能。     

一种求解复杂约束优化问题的文化算法设计

分析和设计了一种基于进化规划的文化算法,并研究了该算法在解决复杂约束优化问题中的应用.该研究的主要新特征是采用进化规划来对群体空间建模,并根据相应的群体空间,对信仰空间在进化过程中如何提取、存储和更新各种知识源进行了详细的分析和设计,并将所得到的新知识用来指导群体的进化过程.为验证算法的有效性,使用了一个典型的基准测试函数进行了仿真实验,并与目前其他较好的约束优化处理算法进行了详细比较,仿真结果表明,该算法具有更好的优化性能以及更低的运算代价.     

求解非线性优化问题改进的进化规划算法

针对带有边界变量的非线性优化问题,提出了一种改进的进化规划算法.该算法首先把每个个体看作为带有不同质量的粒子,根据目标函数值定义个体的质量.基于聚类思想,选取一定数量的点,然后利用选取的点分别求出于每个点相对应的重心,以每个点与其重心的连线方向为变异方向.最后把该方法应用到几个典型数值例子中,并与基本进化算法进行比较,数值结果表明算法是可行的、有效的.     

基于信息熵的量子免疫遗传算法

针对目前的量子进化算法在高维函数优化时容易陷入局部最优,利用信息熵的概念,将量子进化算法和免疫遗传算法进行改进与融合,提出一种基于信息熵的量子免疫遗传算法.该方法对抗体采用相位编码,用信息熵准确地度量量子比特的不确定信息;提出了一种按变量的种群熵降序排列的邻域搜索策略;对于抗体之间的相似度,给出了一种按个体熵相同变量位数的度量方法;用繁殖概率对抗体的多样性进行评价,并分别以函数优化问题和VRPSDP问题进行了仿真验证.研究结果表明:该算法收敛速度快,求解精度高.     

基于连续域贝叶斯优化算法求解约束优化问题

将连续域贝叶斯优化算法(rBOA)与约束处理技术相结合,用于求解约束优化问题,其主要思想是利用约束条件影响优秀个体的选取,并间接影响概率模型,使之引导群体产生满足约束条件的子代个体,从而求得满足约束条件的最优解.将rBOA与4种不同的约束处理技术结合起来,并测试了其优化性能,实验结果表明rBOA与多目标优化法结合相比另外3种方法具有最好的优化效果,但其优化效果仍有待改进.     

一种求解非线性约束优化问题的新方法

针对标准遗传算法的缺陷,提出一种基于实数编码技术的新型自适应混沌遗传算法,求解复杂非线性约束优化问题.算法根据实数编码的特点,依据概率分布函数构造杂交算子,结合混沌动力学特性和人工神经网络理论,设计了一种自适应混沌变异算子,使算法有效维持群体多样性,防止和克服进化中的“早熟”现象,同时采用不需要惩罚因子的直接比较惩罚函数方法,对约束条件加以处理.通过算例数值实验,验证了算法在提高解的精度和加快收敛速度方面都有明显改善.     

一种改进的蚁群算法用于灰色约束非线性规划问题求解

针对灰色约束非线性规划问题,设计了一种改进蚁群算法．该算法采用了正反馈机制。在对灰色约束非线性规划问题白化处理后,将罚函数方法引入到目标函数中,同时给出了改进蚁群算法的仿真流程．实例应用表明,将改进后的蚁群算法应用于灰色约束非线性规划问题的求解是可行有效的。     

求解一类非线性规划问题的混合遗传算法

提出了一种求解目标函数和约束条件均二阶可导的非线性规划问题的混合计算智能算法．该算法是把一种浮点数编码遗传算法和约束变尺度法相结合提高求取全局解的速度和概率．在该算法中，选择、交叉和变异等遗传操作算子是以非线性规划问题的一个惩罚函数为求解对象，目的是把解引向全局解附近，为约束变尺度算子提供初值；而约束变尺度算子直接以原非线性规划问题为求解对象，以发挥其局部搜索能力强的优点，数值实验表明，混合算法是一种可靠、高效的全局优化算法．     

大步长路径跟踪内点新算法

给出一种求解约束非线性规划问题的大步长路径跟踪内点新算法.首先,为克服内点法初始点选取的困难,通过引入辅助变量来构造原问题的等价问题;其次,构造一个新的关系不等式来证明算法的全局收敛性;最后,在此基础上设计一个新的大步长路径跟踪内点算法.该算法在有限步内能得到原问题的近似最优解,并且数值试验表明,该算法是可行的.      

序列无约束极小化技术和遗传算法在非线性规划中的应用

提出了一种求解带约束非线性规划问题的一般方法,与现有的方法相比,它不受可导性,单峰性和是否病态等因素的限制,适用范围广,实例说明该算法的对带约束非线性规划问题的求解十分有效。     

基于控制思想求解非线性规划问题的李雅普诺夫方法

为了高效求解非线性规划问题,对一种基于控制思想的新颖方法——李雅普诺夫方法——进行了研究.该方法将约束非线性规划问题转化为一个动态系统,基于系统的动态特性给出原优化问题的最优解.分别针对单目标和多目标的非线性规划问题,对算法的收敛性进行了分析,给出了算法在应用时松弛变量、增益因子等关键参数的取值建议.大量数值算例验证了上述收敛性及参数取值建议的正确性,表明了该方法在求解非线性规划问题时的巨大潜力和新颖性.     

空间直线度包容评定的线性逼近算法

建立了空间直线度最小包容评定的数学规划模型，提出了空间直线度评定的线性逼近算法．算法以近似的线性规划模型的迭代运算，结合空间坐标变换去逼近精确的非线性规划模型的最优解．构造了适用于计算机判别的最优条件判别数．大量的计算实验证明该算法具有高精度的特点     

一族基于修正的F-BNCP函数的非线性Lagrange函数

提出了一族求解具有不等式约束的非线性优化问题的非线性Lagrange函数,该族函数基于修正的Fischer-Burmeister NCP函数,并讨论了非线性Lagrange函数在K-T点处的性质.收敛定理表明,在适当的条件下,当惩罚参数小于某一阈值时,基于该族非线性Lagrange函数的算法产生的点列具有局部收敛性.     

带有非线性隶属函数的FLP问题的求解

带有非线性隶属函数(NLMF)的模糊线性规划(FLP)问题。通常是一个非线性规划(NLP)问题。本文利用“较大”、“较小”型隶属函数的特点,把求解原FLP问题最优解的过程化为求解一个参数线性规划(LP)问题及修正参数的交替迭代过程。通过构造不同的参数LP问题及修正参数的方法,得到了求解原问题的“试点法”和“收缩法”,在此基础上,综合得出兼有两法优点的“加速算法”,理论分析及实例都证明这些算法尤其是加速算法在求解带有非线性隶属函数的FLP问题时是有效的.     

不等式约束优化问题的一个精确增广拉格朗日函数

给出了求解只带有不等式约束非线性规划问题的一个连续可微精确增广拉格朗日函数法,并讨论了它的精确性质.该方法的主要特点是:在适当的假设下,通过对这个增广拉格朗日函数在原问题变量和乘子变量的积空间上进行一个单一的无约束极小化,即可获得原约束问题的解,从而可以有效地使用标准的无约束极小化方法求解不等式约束非线性规划问题.     

一种求解非线性规划问题的混合粒子群优化算法

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的·每一个粒子被随机初始化以表示一个可能的解,并在解空间追随最优的粒子进行搜索·提出一种基于改进的混合粒子群优化算法求解非线性约束规划方法·在介绍PSO算法基本原理的基础上,设计了约束适应度优先排序处理约束条件的方法,并通过动态邻域算子和可变惯性权重进行联合演化以求得全局最优解·对非线性规划例子的实例计算表明,该算法稳定性好,简单容易实现而又功能强大,易于掌握,对于多维非线性、复杂问题的求解具有普遍适用性·