一种带备选方案的露天矿生产作业计划优化方法

针对露天矿生产临时出现变动,导致原最优生产作业计划失效的情况,提出一种能够提供备选方案的优化方法。采用一种新型的群智能优化算法——多元优化算法实现优化,算法的搜索元采用上三角数据结构体存储,利用该结构体实现有用信息的记忆和共享,充分利用寻优过程信息,实现搜索过程记忆,在找到最优解的同时,保留多个次优解。以某露天铁矿为例,通过与其他三种常用的群智能算法的优化结果进行比较,表明多元优化算法在露天矿生产作业计划优化中能够提供备选方案且最优解精度更高。     

具有多种备选方案的露天矿统一运输调度优化

受客观条件限制,使得露天矿统一运输调度的优化存在多个复杂约束,需要多种备选方案的问题.提出了一种新型优化方法,该方法采用一种自适应的惩罚函数方法来处理约束,然后运用多元优化算法进行优化.该自适应惩罚函数参数少,简单高效,对问题依赖小.多元优化算法将搜索个体按其不同的功能组合成一个特殊的数据结构,利用该结构保存和共享寻优过程信息,实现搜索过程记忆,能以较大概率找到最优解,同时保留多个次优解.以某露天铁矿为工程应用实例研究,将该方法与GA、PSO-w、DMS-PSO-HS几种群智能算法的优化结果进行比较验证,结果表明本文提出的方法在露天矿统一运输调度优化中处理约束简单、高效,能够提供多种备选方案且最优解精度更高.对露天矿统一运输调度优化问题进行多个备选方案的研究具有理论依据和实际意义,采用该方法进行具有多个备选方案的露天矿统一运输调度优化是可行有效的.     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题。针对粒子群优化算法在算法后期易陷入局部最优的缺点，本文提出禁忌粒子群优化算法（TPS0），在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布，后期引入禁忌搜索算法，记录已经达到的局部最优解，在下一次搜索中，不再或者有选择地搜索这些点，从而跳出局部最优点，并且在搜索过程中允许接受劣解，充分利用禁忌搜索的记忆能力及较强的爬山能力，大大提高了获得全局最优解的概率。该算法综合了粒子群优化算法的快速性、随机性和全局收敛性以及禁忌搜索局部寻优的能力。在确保全局收敛性的基础上，能够快速搜索到高质量的优化解。该方法用于几何约束求解的性能明显高于标准粒子群算法，算法具有良好的优化性能和时间性能。     

共享历史最优信息搜索的粒子群算法

传统粒子群算法运行机理是通过粒子群全局最优和自身经验最优来搜索最优位置,不断迭代进化,以此趋近最优解,但该算法共享信息的局限性使其容易陷入局部最优.针对传统粒子群算法的不足,提出了共享历史最优搜索信息的粒子群算法.该粒子群体在搜索过程中,共享算法本次运行的种群个体历史最优信息、当前全局最优信息,及前几次运行过程中的种群个体历史最佳信息.通过5个经典函数的仿真实验测试,验证了该算法具有较强的全局搜索能力和收敛性.     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于混合智能优化算法的弦支穹顶结构预应力优化

模拟植物生长算法(PGSA)是以植物向光性机理(形态素浓度理论)为启发准则的智能优化新算法,具有高效的搜索能力.本研究对PGSA的基本原理进行分析,指出了不同初始生长点的选取会影响该优化算法能否收敛于全局最优解.由此,为提高模拟植物生长算法的全局搜索能力,引入粒子群算法(PSO),提出了新的混合策略(PGSA-PSO混合智能优化算法):先基于粒子群算法的高鲁棒性初选优秀的初始生长点,再基于模拟植物生长算法的高效搜索能力得到最终的全局最优解.算例表明,该混合策略可有效提高模拟植物生长算法的全局搜索能力.最后,利用该混合策略对典型的弦支穹顶结构预应力优化问题进行分析.结果表明,此混合智能优化算法的优化效果显著,在结构优化问题中具有较好的可行性和有效性.     

改进遗传算法的电梯群控系统设计与实现

针对电梯群控系统控制目标的多样化,提出一种基于遗传算法的电梯群控系统.群控系统将多个目标函数进行加权组合,构造群控系统的评价函数,利用遗传算法对该评价函数进行搜索求解,得出最优派梯方案.为提高遗传算法的效率,在遗传操作过程中采用最优个体保存策略,同时采用一种交叉率和变异率能够随适应度自动改变的自适应算法,达到最优解的收敛速度,从而实现电梯群控系统的多目标优化控制.     

基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题, 提出一种新的基于粒子群优化和模拟退火的混合算法. 该算法将问题规模作为启发式信息, 通过对模拟退火算法引入新的邻域搜索机制--多粒度搜索, 并加入选择优化和淘汰更新机制, 提高了算法的自适应性和自学习能力, 降低了粒子群算法陷入局部最优的可能性. 实验结果表明, 该算法在最优解的求解能力上优于其他算法.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题,提出一种新的基于粒子群优化和模拟退火的混合算法.该算法将问题规模作为启发式信息,通过对模拟退火算法引入新的邻域搜索机制——多粒度搜索,并加入选择优化和淘汰更新机制,提高了算法的自适应性和自学习能力,降低了粒子群算法陷入局部最优的可能性.实验结果表明,该算法在最优解的求解能力上优于其他算法.     

智能电网中基于ESS-MOPSO算法的调度优化策略

结合智能电网的调度优化策略应综合考虑经济运行、节能减排及电能质量各方面因素,给出了智能电网的优化调度方程,并采用粒子群算法对该方程进行多目标寻优.介于传统粒子群算法中使用Pareto准则的局限性,采用一种基于优先阶的均衡选择全局搜索策略,更加有效地选取出全局最优粒子,引导其他粒子寻优.在对智能电网调度优化的仿真中取得了良好效果.     

基于禁忌搜索的全局记忆增强型优化方法

针对过程系统优化问题中存在多解、而目前通用高性能实时优化算法均为局部算法的情况,提出了基于禁忌搜索的全局记忆增强型优化方法(global mnemonic enhancement optimization,GMEO)。该方法证明了在一定条件下局部最优解是过程系统参数的连续可微函数,并采用禁忌搜索方法以背景计算的方式获得优化计算经验点上的多解信息。基于这些多解信息,GMEO可为优化计算提供全体局部最优解的逼近值。以这些逼近值为初值,可使局部优化算法达到全局优化的效果,并能有效提高过程系统运行的稳健性。基于原油混合问题的数值仿真试验验证了GMEO方法的有效性。在不过多损失实时性的前提下,优化计算的目标函数值得以显著改善。     

改进GA优化BP神经网络的电梯群控策略

在遗传算法优化BP神经网络的电梯群控系统基础上,利用遗传算法对候梯时间、乘梯时间、舒适度和运行能耗等评价函数进行搜索具有全局性的进化解,通过BP神经网络按照进化解权值进行寻优,从而获得全局最优解。为提高遗传算法的效率,在遗传操作过程中采用最优个体保存策略,同时采用了交叉率和变异率能够随适应度自动改变的自适应算法,提高了达到最优解的收敛速度。得出最优派梯方案,实现电梯的多目标优化调度。     

基于多Agent系统的粒子群遗传优化云工作流调度算法

随着大数据时代的来临,传统的工作流计算平台已经无法满足大量工作流应用的计算要求.因此,工作流应用开始由原有的基础设施转移到更加高效、可靠、廉价的云平台上.针对现有的云工作流调度算法执行时间最小化、作业最优分配以及调度算法的收敛时间问题,提出一种基于多Agent系统的粒子群遗传优化云工作流调度算法.该算法首先利用粒子的自身历史最优位置和粒子群历史最优位置优化全局最优解的搜索过程,然后将系统中每个粒子作为一个Agent,多Agent间相互竞争和协调,最后在多Agent系统中引入遗传算法,通过Agent间的信息交互进行有目标地交叉变异操作,不仅避免粒子群的盲目随机化以及陷入局部最优解,而且加速了搜索全局最优解的收敛过程.使用真实工作流数据进行模拟实验,实验结果证明该算法的有效性.     

一种新颖的串行小生境粒子群算法

提出了一种新颖的自适应串行小生境粒子群优化算法(ASNPSO),它使用多个子群能够串行发现多个最优解.在此算法中,使用了山谷函数以决定如何改变当前运行的子群中粒子的适应度函数,算法具有很强的自适应搜索能力.经使用几个标准测试函数证明了ASNPSO算法在没有任何先验知识的情况下能够有效地发现多个最优解.     

量子教学优化算法及在函数优化中的应用

为提升基本教学优化算法的搜索能力, 通过融合量子计算原理, 提出了一种量子教学优化算法。 该方法采用教师自学和学生向教师学两种学习机制搜索全局最优解。 个体采用量子比特编码, 搜索过程在 Bloch 球面上进行, 个体的更新通过量子比特的绕轴旋转实现, 然后将其解码为量子比特的 Bloch 球面坐标。 由于该方法将基本教学算法中每维变量的搜索都扩展到 Bloch 球面进行, 可使搜索过程更为精细, 从而加强了对解空间的遍历性。 不同维度标准函数极值优化的仿真结果表明, 此方法的寻优能力不仅超过基本教学优化算法, 同时也超过其他经典群智能优化算法, 验证了将量子计算的某些机制和智能优化相融合可提升其优化性能。     

嵌入模拟退火机制的免疫逃避的粒子群算法

在寻优过程中,为了能够更快速的找到最优解,提出了一种基于免疫逃避粒子群算法与模拟退火粒子群算法相结合的改进算法.模拟退火粒子群算法能够使算法跳出局部极值,免疫逃避粒子群算法能够让初始化粒子更加快速的搜索,二者的结合让两个算法的优越性更加突出,搜索速度更快,收敛和搜索精度都更加优化.     

基于KFDD与进化算法的可逆电路优化算法

为降低由Kronecker功能决策图(Kronecker functional decision diagram,KFDD)综合所得可逆电路的成本,提出一种基于进化算法的可逆电路优化算法.该算法基于遗传算法模型进行设计,分别采用离散值和整型值编码KFDD输入变量的分解类型和顺序,使用所设计的遗传算子,将量子成本作为主要目标、量子位数作为次要目标进行可逆电路的优化.为解决过早收敛问题,该算法在搜索过程的前期阶段利用多个子群搜索解空间中的不同区域,在搜索过程的后期阶段将多个子群合并为整体种群,利用整体种群进行集中搜索.使用基准函数对算法进行验证的结果表明,所提出算法具有较强的全局寻优能力,有较好的结果稳定性,能够降低可逆电路的量子成本.     

基于解空间划分的PSO改进算法

 提出一种基于解空间划分的粒子群优化算法, 该算法在保持粒子群搜索能力的前提下对解空间进行预处理, 寻找最佳搜索区间, 提高了粒子群搜索效率; 在粒子群搜索过程中设置检查点, 动态更新解空间区间划分. 实验结果表明, 该算法有效提高了粒子群的搜索效率, 并使粒子群算法不易陷入局部极值. 同时, 在自适应状态下, 该算法能搜寻到指定精度下粒子群所需的最小迭代次数, 并得到较满意的最优值.     

求解二层规划问题的萤火虫智能群优化算法

针对二层规划问题,给出二层决策问题数学模型的一种新的解法,二层规划萤火虫智能群优化算法:首先采用以原问题的下层问题的Kuhn-Tucker条件代替下层问题的思想,将二层规划问题转化为单层规划问题.其次为避免求解目标函数的梯度信息以及算法过早的陷入局部最优,利用基于Pareto最优解集的萤火虫智能群优化算法对其进行求解,并利用Matlab予以实现.利用5个具有代表性的标准测试实例对该算法予以测试,并与其他算法进行比较.结果表明,结合Kuhn-Tucker条件的萤火虫智能群优化算法在5个测试函数中均能寻找到最优Pareto解,并且在求解的上层目标函数值上均优于对比算法,表明新算法可行有效.