和声搜索算法在聚类分析中的应用

提出了一种改进的和声搜索算法并应用到聚类分析中.首先,将状态反馈机制引入到和声搜索算法中,通过判断和声记忆库中"最优"和声和"最差"和声之间的差异,来动态调整和声记忆库考虑概率和移动步长,使算法能够快速地收敛到全局最优解.通过更新和声向量中精度变量对应的聚类中心来最小化目标函数值,获得数据样本的最优划分.其次,提出了一种数据样本真实聚类中心数的确定方法,当输入样本数大于真实聚类中心数时,通过计算能够自动地确定数据样本真实聚类中心数目.最后,应用4种性能指标来比较所提算法与蚁群聚类算法和原始和声搜索聚类算法的性能.结果表明,所提算法的性能优于另两种算法.     

动态协同和声搜索算法及其在无线传感器网络覆盖中的优化

研究一种动态协同和声搜索算法,并对无线传感器网络的覆盖感知模型进行求解.该算法设计多种群动态协同进化策略,改善和声搜索算法的多样性.在和声记忆库考虑阶段,引入轮盘赌选择,提高搜索的有效性.同时,对算法参数进行动态调节,以提高算法的优化性能.无线传感器网络覆盖优化问题的优化仿真结果表明所提算法取得较优的结果.     

用于求解旅行商问题的多策略离散型和声搜索算法

基于求解旅行商问题(TSP),提出了一种多策略离散型和声搜索算法.文中通过引入-opt算法设计了一种离散型即兴创作过程,并结合3种策略来提高全局寻优能力:采取教学优化策略给出了产生和声的新方式,以改善和声记忆库的质量;采用精英扰动策略探索最优和声的邻域进行精细搜索,以提高算法的收敛精度;通过排序选择更新策略保持和声记忆库的多样性,避免算法早熟收敛.实验结果分析表明,该算法能够有效求解TSP,具有可靠的全局收敛性和较快的收敛速度.     

一种改进的粒子群优化算法

针对粒子群优化算法中粒子容易聚集和收敛速度慢，提出一种改进的粒子群优化算法。该算法同时考虑到粒子进化的成功率和多样性程度对算法寻优性能的影响，当粒子集聚程度较高时，增大惯性权值，提高算法的全局搜索能力。为平衡算法全局和局部寻优能力，当进化速度较快时，提高算法局部搜索能力，以免错过较好的位置。在速度更新中，引入较差粒子，避免算法再次去搜索这些较差的位置，降低算法的搜索效率。将该算法用于优化6个经典测试函数，实验表明：该算法不仅可以平衡局部和全局的搜索能力，而且可以提高算法的搜索效率和精度。
     

一种融入差分变异的变规模和声搜索算法

为了充分利用记忆库内保存的有益历史信息,对解向量的微调进行差分变异操作的差分改进,提出了一种融入差分变异操作的变规模和声搜索(linearly decreasing harmony search,LDHS)算法,加强了算法的新路径探索性能。同时,为了平衡记忆库的多样性和收敛性,对记忆库的大小采取线性调整,并研究了记忆库大小对LDHS算法性能的影响。最后,将LDHS算法、基本的和声搜索(harmony search,HS)算法、3种改进的HS算法在CEC 2014的8个测试函数上分别进行不同维度独立运行30次实验,对比结果表明,LDHS算法能够更快地找到全局最优解,并具有较好的稳定性。     

带有全局交叉的修正和声搜索算法

为增强和声搜索算法的全局搜索能力,提出一种带有全局交叉的修正和声搜索(MHSgc)算法.MHSgc算法采用多和声记忆库协同创作,应用邻域学习策略进行调整,取代原有的基音调整,从而增加了种群多样性.同时,提出一种全局交叉操作,并融合到MHSgc算法中,防止算法陷入局部最小.针对几个标准函数进行了实验仿真,数值结果表明,上述算法优于文献报道的8种智能算法(HS,IHS,GHS,NGHS,EHS,ITHS,MPSO,RMDE),具有较好的优化潜力.     

一种改进的自适应和声搜索优化算法

在传统和声搜索优化算法的基础上,提出一种自适应双子和声搜索优化算法。通过建立主辅两个和声库正反双向进行迭代搜索,并对和声算法中的音调调整概率和音调微调带宽两个重要参数进行自适应调整,提高了算法的动态适应性以及局部搜索和全局搜索的协调能力。通过构造两组搜索方向各异、相互协同的主、辅和声,充分利用了搜索域内的隐含信息,扩展搜索范围,从而实现了全局最优。在试验中分别对3个复杂函数进行测试,结果表明该算法具有较好的全局搜索能力和收敛速度,在一定程度上提高了最优值的搜索能力,达到了预期效果。     

改进混合蛙跳算法的研究

针对传统混合蛙跳算法(SFLA)在优化过程中出现的求解精度不高、收敛速度慢、算法易陷入局部最优的问题,本文经过改变种群个体的位置更新公式,提出一种改进混合蛙跳算法(ISFLA)。在种群个体位置更新公式中,引入自适应同步因子和惯性权重系数。通过引入自适应同步因子,控制青蛙寻优过程中的移动步长,改进算法的局部搜索范围,保持种群的多样性。通过引入惯性权重系数,加入上一次的移动距离,表示对过去的经验记忆,加快搜索速度。通过对6个测试函数的实验结果表明,改进后的混合蛙跳算法相较于传统混合蛙跳算法具有较好的寻优性能。     

和声蛙跳算法在复杂优化问题中的应用研究

和声搜索算法在求解复杂优化问题时,仅仅通过随机的方式产生新元素,搜索过程中新个体的有效性难以持续保证,影响算法的优化性能.针对该问题,将混合蛙跳算法的族群内部局部寻优模块嵌入和声搜索的算法框架中,将和声搜索算法的随机性与混合蛙跳算法的导向性相耦合.定义算法自适应调整参数并以此为基础对两种算法进行动态调用,从而实现两种算法的耦合动态搜索.将改进算法应用于标准测试函数和车辆路径问题的优化,模拟计算结果表明：本文提出的改进算法具有更强的全局搜索能力,得到的解更优,适合用于求解复杂优化问题.     

和声搜索算法在求解最短路径问题中的应用

提出了一种改进的全局和声搜索算法来解决最短路径问题.首先,定义了动态基因突变率,并引入到和声搜索算法中,有效地阻止了算法陷入局部最优解.其次,应用动态优先值编码方案,根据和声向量中变量对应节点的优先值来构造路径,通过迭代更新和声记忆库,并最终获得最短路径.对由20～100个节点构成的网络拓扑进行仿真实验,应用三种性能指...     

改进全局和声算法在鲁棒极点配置中的应用

提出了改进全局和声搜索(IGHS)算法,给出了新的位置更新策略.通过引入新的位置更新策略,可以使算法动态产生解区间,提高了算法对解空间信息开发的能力,避免了因过早收敛而易陷入局部最优的不足.将所提出算法应用于线性系统的鲁棒极点配置中,克服了以往条件数优化计算中需要拟凸转化处理的不足,方便地实现了控制系统的任意极点配置.最后,针对文献中的多输入多输出系统进行仿真对比实验,实验结果表明本方法得到的闭环系统具有更好的鲁棒性.     

两种工况下锻压组合机架的接触特性分析

以某锻压机为研究对象,基于ANSYS有限元软件,采用过盈配合法模拟因预紧产生的框架内力,确定了过盈量与预紧力的关系.针对锻压过程的镦粗(工况1)和拔长工况(工况2),通过分析开缝系数、接触状态、接触压力、危险拉杆的拉应力以及立柱的弯曲变形,讨论了预紧力与偏心距等对锻压组合机架接触特性的影响.结果表明拔长工况比镦粗工况更为危险,且开缝系数应满足以下标准,即上横梁与立柱的接触面积大于05,且开缝系数β≤23.研究结果可为锻压机的结构设计提供理论依据.     

改进的粒子群优化算法在可靠性问题中的应用

提出了一种改进的粒子群优化(IPSO)算法以解决可靠性问题.IPSO算法使用3种策略来改进粒子群优化算法(PSO)的速度更新步骤,这有利于提高算法对解空间的开发能力.另外,一种动态调整的惯性权重被引入到速度更新中以平衡IPSO算法的全局搜索和局部搜索.实验结果表明,在解决可靠性问题上,IPSO算法比其他两种粒子群优化算法具有更强的收敛性和稳定性.IPSO算法是解决可靠性问题的一个有效的选择.     

混沌反向学习和声搜索算法

为改善和声搜索算法易陷入局部最优的不足,提出了一种混沌反向学习和声搜索(COLHS)算法.基于聚集和发散思想,对算法陷入局部最优和停滞状态进行初步预判断,并根据预判断的结果融合混沌扰动策略和反向学习,利用了logistic混沌序列的遍历性和反向学习的空间可扩展性.此外,利用和声记忆库的历史信息定义更新因子和进化因子,自适应地调整参数基音调整概率(PAR)和基音调整步长(BW),平衡算法的聚集和发散.数值结果表明,COLHS算法优于HS算法及最近文献报道的8种改进的HS算法.     

车辆主动悬架二次型最优控制器权矩阵参数优化

在使用线性二次型调节器(LQR)的车辆主动悬架控制器中加权矩阵Q和R的取值经常依靠先验知识选取。粒子群算法具有良好的快速寻优能力,可以对权矩阵参数进行优化。针对目前算法存在的缺点通过在更新的过程中动态调整惯性权重以更好的平衡全局和局部搜索能力,同时在迭代后期加入禁忌搜索避免陷入局部最优解。在matlab中建立1/4二自由度主动悬架仿真模型,对振动控制性能仿真分析结果表明,采用改进粒子群优化LQR与传统LQR方法相比能够很大程度上减少路面变化对车身的冲击,乘坐舒适性和可操纵性得到明显提升。     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

并行混沌与和声搜索的多目标混合优化算法

针对传统的混沌优化算法对初始值敏感、搜索精度低和收敛速度慢,以及和声搜索收敛不稳定、处理多目标优化问题时适应性差等不足,研究了一种多目标并行混沌与和声搜索混合优化算法(MOCOHSA).MOCOHSA利用并行混沌优化的全局搜索能力与和声搜索算法的局部搜索能力,并在和声搜索中引入自适应操作,在解决多目标优化问题时表现出良好的搜索速度和收敛性能.对8个多目标优化测试函数的优化计算中,该算法表现出比其它多目标优化算法更好的性能.算法最后用于解决卫星热管设计问题.     

求解航天器最优交会问题的改进和声搜索算法

针对航天器最优交会问题,基于C-W模型建立一种燃料时间混合指标,并提出一种改进和声搜索(AHS)算法进行求解.在AHS算法中,提出一种全局均匀学习操作,利用了当前全局最优和声的指导作用,取代了原始和声搜索算法的基音调整操作,增强全局搜索和局部搜索的平衡,并对参数PAR进行了有效的动态调整,以更好适应算法的搜索进程.利用几个最优交会实例对AHS算法的有效性进行了测试,数值结果表明AHS算法能够取得满意的结果,并且优于其他算法.