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.     

改进的新颖全局和声搜索算法

为了提高和声搜索算法的寻优性能,提出了改进的新颖全局和声搜索(INGHS)算法.通过差分向量范数定义和声记忆库多样性,以和声记忆库的多样性信息为指导实现位置动态更新,并结合变异操作更新和声记忆库.算法采用动态位置更新策略产生新和声,在寻优早期具有较好的全局搜索性能,在寻优后期具有较好的局部搜索性能,提高了算法跳出局部最优的能力.利用7个标准测试函数对所提算法与目前已知文献中优秀的改进HS算法进行性能测试,测试结果表明所提算法具有较好的寻优性能.     

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.     

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.     

融合和声搜索的混沌粒子群优化算法及工业应用

针对粒子群算法在优化过程中容易出现"早熟"现象,提出一种融合和声搜索及混沌的改进混合粒子群优化算法。混沌粒子群算法运行稳定,具有较好的鲁棒性和适应性。和声搜索算法是一种模拟乐队调音获得完美和声过程的元启发优化算法,具有较强的全局搜索性能。通过对4个标准函数的测试比较,结果表明:改进的融合和声搜索的混沌粒子群优化算法(chaos particle swarm optimization algorithm with harmony search,CPSO-HS)跳出局部最优位置能力强,收敛速度快,稳定性高。改进的CPSO-HS算法已成功应用于重油热解模型的参数估计。     

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.     

基于全局和声搜索算法的特征基因选择方法

鉴于DNA微阵列数据中无关基因和冗余基因对分类精度和效率的影响,提出一种基于全局和声搜索的特征基因选择方法,首先采用ReliefF算法对微阵列基因数据集排序,取排序靠前的N个基因构成初选基因子集,然后利用全局和声搜索算法选择特征基因.两个公共微阵列数据集上的仿真实验表明,该算法全局搜索能力强,分类精度高,能够有效地剔除噪声和冗余基因,是一种有效的特征基因选择算法.     

多子群混合和声搜索算法

为提高和声搜索算法的优化性能,提出一种多子群混合和声搜索(MHHS)算法.该算法基于每个和声到最好和声的距离进行排序,并依据排序结果分层,每一层作为一个独立的子群.不同的子群融合不同的差分调整策略,以拓宽搜索范围;同时建立通信机制,使各子群以一定规格进行信息交流,促进子群的协同进化.实验仿真表明,本文算法在寻优精度、收敛性和鲁棒性方面均优于文献中报道的HS,EHS,NGHS,MPSO,CLPSO,DE,ODE和IABC算法.     

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。     

修正和声搜索算法在结构设计问题中的应用

提出一种修正和声搜索(MHS)算法,并对结构设计问题进行了求解.MHS应用了新的位置更新以增强算法的解空间开发能力,并运用等效微分策略调整和声微调步长,提高算法的寻优精度,增强算法跳出局部最优的能力.为了表明MHS的有效性,对3种结构设计优化问题进行了测试,结果显示MHS优于其他4种和声搜索算法,并与最近文献报道的最优值进行比较,表明MHS在解决结构设计优化问题中能够找到更好的解.     

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.     

基于和声搜索的近邻传播算法

针对近邻传播算法中偏向参数调优难的问题,提出了一种基于和声搜索的近邻传播算法(HS-AP),利用和声搜索自动为数据集匹配最佳偏向参数,进而提高算法聚类精度。HS-AP算法首先把偏向参数编码为和声,利用和声算法自动搜索最佳和声,并将搜索到的和声解码为偏向参数进行运算。在UCI标准数据集上进行实验对比表明HS-AP算法在准确率,兰德指数,正则化互信息三个指标方面均有提升。准确率平均提升了6.36%,兰德指数平均提升了4.677%,正则化互信息平均提升了19.04%。     

和声模拟退火算法及其在旅行商问题中的应用

分析了模拟退火与和声搜索算法各自的特点和缺点,结合两者的优缺点提出了一种新的和声搜索与模拟退火算法的组合算法,将新的算法应用到旅行商问题(TSP)求解.实验结果表明,改进的算法具有更快的收敛性同时能得到比较好的结果.     

改进的自适应和声搜索算法

和声搜索算法是一种启发式优化算法,针对现有改进的和声搜索算法(IHS)的不足,提出了一种改进的自适应和声搜索算法(IAHS).在该算法中,采用自适应的和声保留概率、音调调节概率和音调调节步长产生新解,每次迭代产生多个新解,充分利用和声记忆库的信息.本文用了5个标准的测试函数对该算法进行测试,结果表明该算法(IAHS)有较强的寻优能力和跳出局部最优解的能力.     

用和声搜索算法求解技术站列车解编方案

确定到达列车的解体顺序和出发列车的编组顺序(即列车解编方案)是技术站编组调机运用计划的核心问题.本文为解决该问题,构建相应的优化模型,利用结合邻域搜索的和声搜索算法进行求解,采用目标函数值评价新的和声,邻域搜索策略用于获取新的和声.最后利用算例对所设计算法的求解效率进行分析验证,表明:算法收敛速度较快,而与邻域搜索策略的结合,有利于扩展其搜索范围与提升全局搜索能力,降低对选择概率的依赖.通过对不同参数条件下计算时间的测试说明,所设计算法能够满足技术站编组列车解编方案编制的要求.     

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.     

基于改进和声算法的有序样本聚类及其应用

标准和声算法只能解决连续型优化问题,而有序样本聚类属于离散型优化问题。将Fisher算法和和声算法相结合,提出一种改进和声算法,使之能够用于离散型优化问题,并利用其对有序样本进行分类。数值仿真实验结果表明,该算法分类结果符合实际。结论表明改进和声算法是一种全局最优算法,分类结果优于Fisher算法。     

基于启发式规则与和声搜索的配电网重构算法

提出一种基于启发式规则与和声搜索算法的配电网经济性重构方法.首先,根据配电网重构网络拓扑要求及和声搜索算法的特点,采用基于重构环解的和声向量编码方式,通过构建重构环特殊支路组、设定支路断开原则避免不可行解的产生;然后,以网损最小为目标分析初始网络,利用启发式规则将各重构环搜索范围压缩到最有可能的有效解范围之中;最后,利用和声搜索算法在有效解范围中全局寻优.该方法显著减少了候选解数目,能够快速搜索到全局最优解,且搜索性能不随网络规模的扩大而变差.IEEE典型算例的仿真结果验证了本文方法的正确性和有效性.     

考虑时变资源价格因素的Q学习强化和声搜索网格任务调度算法

针对传统网格任务调度算法不考虑价格时变因素缺点,提出一种基于Q学习强化和声搜索算法的考虑时变资源价格因素网格任务调度算法.首先,综合考虑价格时变因素影响,对网格任务调度模型进行改进,提出一种新的调度模型;其次,利用Q学习算法对和声搜索算法进行改进,平衡了算法的广度和深度搜索能力;最后,通过与同类算法的仿真对比结果表明,该算法和模型具有较好的收敛速度优化性能,并且在资源价格满意度和任务调度长度两个层面具有更全面的优化性能.     

基于细胞型膜计算框架的和声搜索算法及其应用

和声搜索算法为一种元启发式算法，该算法具有参数少、可操作性强等优点，膜计算作为自然计算的一个分支，本身具有较大的发展潜力与完备的计算性.本研究将两者结合，提出一种基于细胞型膜计算框架的和声搜索算法，利用细胞型膜计算框架来构建算法的膜结构，并根据膜计算框架的结构，使用现存的和声搜索算法的迭代方式作为基本膜内的进化规则，设计通信机制使不同膜之间相互传递信息，有利于丰富种群的多样性与平衡算法的全局和局部搜索，并设置外部档案记录最优个体来控制种群进化的方向，从而提高算法的精准搜索能力.最后，在CEC基准函数下进行数值优化实验，仿真结果表明，HS-MC算法在求解数值优化问题上比其他算法具有更好的性能，并使用HS-MC算法优化Elman神经网络的权值和阈值来预测上证指数的开盘指数，预测结果表明，HS-MC算法具有较好的寻优能力和实用性.