求解约束优化问题的萤火虫算法及其工程应用

针对基本萤火虫算法存在收敛速度慢、易陷入局部最优等缺点,提出一种改进的萤火虫算法用于求解约束优化问题。该算法首先利用混沌序列初始化萤火虫的位置,引入动态随机局部搜索以加快算法的收敛速度;为了避免算法陷入局部最优,对当前全局最优解进行多样性变异操作。对几个数值优化和工程优化问题进行实验。研究结果表明:与其他启发计算法相比,该算法具有较强的寻优性能。     

随机学习萤火虫算法优化的模糊软子空间聚类算法

传统软子空间聚类算法在利用局部搜索策略解决等式约束的连续非线性的变量加权问题时,易陷入局部最优导致聚类效果不佳.针对该问题,该文提出了一种随机学习萤火虫算法优化的模糊软子空间聚类算法.该算法利用具有全局搜索能力的萤火虫算法对新算法的目标函数进行优化,同时,为弥补萤火虫算法易提前收敛和寻优精度较低的缺陷,对萤火虫种群进化方式和全局最优粒子的学习方式进行了改进.新算法将权值矩阵拟化成萤火虫种群,使变量加权的等式约束变为界约束,通过萤火虫位置的更新搜索最优权重并发掘子空间中隐藏的簇类.在人工数据集、UCI标准数据集和癌症基因表达数据集上的实验结果表明:该算法具有较好的聚类效果.     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

基于模态参数与改进萤火虫算法的结构模型修正

：为尽可能提高结构模型修正的准确性和有效性,提出一种基于模态参数和改进萤火虫算法的有限元模型修正方法. 该方法基于结构模态参数构造目标函数,使用本文提出的改进萤火虫算法进行优化求解,并通过桁架模型数值仿真将改进算法同原始萤火虫算法、遗传算法和粒子群算法进行对比,结果显示：使用改进的萤火虫算法得到的最优解更接近实际值,且离散性低,验证了改进算法求解的准确性和优越性. 最后通过六自由度剪切框架损伤识别模型试验验证了该方法在求解结构有限元模型修正问题上的准确性和有效性.     

SCE-UA算法在水环境系统优化问题中的应用

把SCE-UA算法应用到水环境系统优化问题的求解当中,成功求解了3个典型的优化问题:二维稳态水质模型横向扩散系数及流速推求、排放口最优化处理、水工建筑物调度参数识别.结果表明:该算法不但能求解一元函数约束的优化问题,通过构造罚函数,该算法还能够成功求解有多元函数约束的优化问题.该算法不依赖导数和优化问题的具体形式,并且参数极少,求解精度高,通用性较强,可高效识别水工建筑物的调度参数,在环境系统优化中有很高的推广价值.     

求解复杂约束优化问题的演化多目标算法

在分析了传统的求解带约束的单目标优化问题存在的问题的基础上,利用多目标优化算法的框架,把单目标优化问题中的软性约束化为新增的目标,把原问题化为一个多目标优化问题,然后利用演化多目标优化算法求解转化后的问题,分析了该方法处理约束的优势,并给出了初步实验结果.     

带有模糊约束最短路问题的数学模型及算法

针对带有模糊约束的最短路问题,在其模糊线性规划模型的基础上,利用容差法和罚函数法对该模型进行转化,得到了与原模型具有相同最优解与最优值的转化模型,并提出一种修正的萤火虫算法求解转化模型.数值算例结果表明,该模型与算法对求解带有模糊约束的最短路问题有效.     

一种求解正交约束问题的投影梯度方法

正交约束优化问题在特征值问题、稀疏主成分分析等方面有广泛的应用.由于正交约束的非凸性,精确求解该类问题具有一定的困难.本文提出了一种求解正交约束优化问题的投影梯度算法.该算法采用施密特标准正交化方法处理正交约束,其时间复杂度为O(r2 n),比传统SVD分解复杂度低,且实现简单.数值实验验证了算法的有效性.     

一种基于全局最优的改进萤火虫算法

针对萤火虫算法在求解优化问题时容易陷入局部最优,求解精度不高的缺点,提出了一种改进的萤火虫算法.该算法利用分群的思想将群体分成两个子群,并利用群体中的有益信息改进已有迭代公式,借鉴共生生物搜索算法的思想设置新的迭代公式,使得在进化过程中各子群使用不同的迭代公式,通过子群间的协作与竞争来实现对最优解的搜索.函数优化问题的实验结果表明了该算法的可行性和有效性.     

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.     

求解布局问题的混合萤火虫群优化算法

为了充分发挥萤火虫算法的优点,将人工萤火虫群优化算法与启发式策略相结合,设计了一个新的求解布局问题的高效萤火虫优化算法.实例测试和实验对比结果表明:相对于已有文献中的算法,提出的混合布局方法更加有效.     

离散萤火虫算法在车载网的应用

车载自组织网(Vehicular ad hoc network,VANET)是移动自组织网络之一,具有节点变动迅速、拓扑结构灵活、通信能力要求较高的特点。为提高车载自组织网络的可靠性,实现数据的安全共享和快速交互,将离散萤火虫(DFA)算法应用求解车载网络中具有服务质量约束的多播路由问题。根据VANET的路由特点,将该问题转化为延迟成本最小化约束优化问题,并将车载网络路径时延转化为萤火虫的荧光素值,然后将该算法用4个实例进行测试,并与Dijkstra最短路径算法、粒子群优化算法进行比较。研究结果表明:离散萤火虫算法性能更佳,可有效解决VANET中Steiner minimum tree(SMT)问题,成功取得最优路径。该算法在一定程度上稳定了网络拓扑结构,能够实时更新节点信息。     

设备启停过程优化控制的有效算法

为了有效地进行非线性过程优化分析 ,从优化问题的 Kuhn- Tucker条件出发 ,采用 Newton- Raphson迭代方法建立了非线性优化问题的求解方案。并结合高温循环载荷作用下运行过程优化的特点 ,提出了一个新的考虑活动约束集的非线性优化求解方法。对于其中的非线性约束采用活动约束集的概念 ,而对于线性边界约束 ,则按约束优化方法中的梯度投影法作专门处理。实际算例表明 ,采用该算法一方面可以大大减少约束函数的数目 ,另一方面又能够保证很好的收敛性     

粒子群算法的改进及其在求解约束优化问题中的应用

在用粒子群算法求解约束优化问题时, 处理好约束条件 是取得好的优化效果的关键. 通过对约束问题特征和粒子群算法结构的研究, 提出求解约束 优化问题一种改进的粒子群算法, 该算法让每个粒子都具有双适应值, 通过双适应值决定粒 子优劣, 并提出了自适应保留不可行粒子的策略. 实验证明, 改进的算法是可行的, 且在 精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等算法.     

Job-shop调度问题的离散布谷鸟搜索算法求解

在布谷鸟搜索算法的基础上,提出了一种基于升序排列的离散布谷鸟搜索算法(DCS),使用该算法求解Job-shop的经典LA问题.仿真数据显示,该算法在收敛速度、精度和稳定性方面都明显优于粒子群优化算法和萤火虫优化算法,显示出DCS算法的可行性和有效性.     

网格任务调度问题求解的萤火虫算法

为了获得更优的网格任务调度方案,针对网格环境特点以及标准萤火虫算法存在的不足,提出了一种基于改进萤火虫算法的网格任务调度优化模型.对网格任务调度优化问题进行了分析,建立了网格任务调度的数学模型,引入非均匀变异算子和自适应步长的搜索策略,加快算法的求解速度和精度,并将改进萤火虫算法用于网格任务调度问题求解,通过萤火虫之间的信息共享和交流找到网格任务调度最优方案,采用仿真对比实验对其有效性和优越性进行测试.结果表明,相对于其他网格任务调度优化算法,改进萤火虫算法可以快速、准确地找到网格任务的最优调度方案,提高了计算资源的利用率,保证了网格系统负载均衡,尤其对于大规模网格任务调度问题,具有更加明显的优势.     

处理带约束的多目标优化进化算法

针对当前对求解多目标优化的遗传算法中主要考虑如何处理相互冲突的多个目标间的优化,而很少考虑对约束条件的处理的问题,提出一种求解带约束的多目标优化遗传算法,利用邻域比较与存档操作遗传算法处理多个相互冲突的目标之间的优化、利用不可行度选择操作处理约束条件和选用约束主导原理指导进化过程选择操作; 面向多目标约束优化算法,列举了2个难点典型问题进行仿真计算研究,仿真结果表明该算法能较大概率地获得多目标约束优化问题的可行Pareto最优解.     

线性不等式约束优化问题的强信赖域算法

对一类带有非负边界约束的线性不等式约束优化问题进行了研究,提出了一种新的信赖域算法.该算法在内点法的基础上,把非负边界约束从一般的不等式约束中分离出来,化为信赖域约束的一部分,得到一个简单易解的子问题.在一定的条件下证明了该算法具有强收敛性,并给出了数值结果.     

一种约束类问题的带权PSO优化方法

为提高带约束类问题的PSO求解质量,将等式约束通过约减策略转化成不等式约束,约减了设计变量个数,降低了粒子的维度;同时将不等式约束事先放在子程序内,在使用PSO寻优计算适应度函数前,排除不在解空间内的解,降低了寻优计算量.利用优化过程中其他粒子的优化信息调整PSO算法的惯性权重,给出了约束类问题的带权PSO优化步骤.采用这种带权的PSO算法以及传统的PSO算法,分别对等式约束处理、不等式约束处理以及两者均处理的3种方案同时优化2个典型实例,对实例求解的最优值、平均值、标准差以及平均优化时间进行对比,结果显示:这种带权PSO算法对约束条件同时处理的方法既能提高解的精度,又能提高优化的求解效率.     

量子行为粒子群优化算法在几何约束问题上的应用

几何约束问题可以等价为求解非线性方程组问题,同时也可以将几何约束问题转化为一个优化问题来求解.受经典粒子群优化算法和量子动力学启发,提出一种新的算法——量子行为粒子群优化算法(QPSO)来求解几何约束问题.在QPSO模型里,粒子的状态不再通过位置和速度来决定,而是通过一个波函数来确定.这种算法的主要优点就是可以在感兴趣的问题上保持种群的多样性.实验结果表明,该方法可以提高几何约束求解的效率和收敛性.