求解约束优化问题的自适应免疫混合蛙跳算法

针对基本混合蛙跳算法存在收敛速度幔和优化精度低等不足,提出了免疫混合蛙跳算法.将免疫算法的信息处理机制插入到基本混合蛙跳算法中,免疫接种算子可以改善算法的搜索能力,以此引导算法的进程.同时通过自适应机制来维持种群的多样性,使得算法在保持开发与探索平衡的同时提高了收敛精度.通过对13个经典约束优化问题测试函数的仿真实验,表明了自适应免疫混合蛙跳算法在约束优化问题上具有很好的性能.     

混合果蝇算法及其在组合优化中的应用

为改善基本果蝇算法易陷入局部最优及早熟的缺陷,利用一种改进的果蝇算法来进行优化,利用免疫算法自我-非自我的抗原识别机制及免疫系统学习■记忆■遗忘的知识处理机制提高算法的搜索能力及算法精度。改进算法将在果蝇算法执行后期引入免疫反应,通过产生不同抗体来增强种群多样性,跳出局部最优。通过数值仿真及实际案例的对比结果表明,改进算法的寻优表现更加良好,为算法优化提供一种有效可行的方法和思路。     

解高维复杂函数优化问题的混合差分进化算法

鉴于传统方法用于高维复杂函数优化很容易陷入局部极小,为此提出了一类通用、易实现、具有全局优化特性的混合优化算法（CHADE算法）．该算法将混沌优化的随机性与差分进化算法（DE算法）相结合,利用混沌扰动算子增强算法的局部搜索能力;同时,随着搜索过程的进行随机地调整缩放因子和差分进化模式．多个典型高维复杂函数的数值仿真结果表明：CHADE算法寻优效率高、收敛速度快,尤其是具有避免局部极小的能力,其优化性能优于单一的DE算法．     

改进的混沌优化算法及其在函数优化中的应用

针对基本混沌优化算法在求解三维以上的多维函数时不易求得全局最优解的局限性,通过引入解向量的优选,提出了一种改进的混沌优化算法,主要思路是通过多次可行解向量的混沌优选,将可行解定位到最优解的附近,再用二次载波进行搜索找出多维函数的全局最优解.仿真计算表明:该算法对三维以上函数可以显著提高搜索精度,收敛性能好,容易找到全局最优解.     

求解约束优化问题的元胞混洗蛙跳算法及应用

为解决混合蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的问题,提出一种求解约束优化问题的元胞混洗蛙跳算法.算法利用元胞的邻域结构代替基本蛙跳算法的分组方法,进而克服经典混洗蛙跳算法分组的缺点.通过元胞自动机的邻域结构和演化规则降低算法的选择压力和保持种群多样性,利用改进的螺旋进化方式和混沌变异方式平衡局...     

噪声环境下函数优化问题的混合优化算法

针对噪声环境下的函数优化问题提出一种混合粒子群优化算法UPSOOHT, 并考察了最优计算量分配（OCBA）和噪声幅度对算法性能的影响. 该算法将粒子群优化算法与假设检验及OCBA有效地结合, 具有很好的全局搜索能力和局部精化能力. 与其他优化算法比较的测试结果表明, UPSOOHT算法的性能和抗噪声能力都具有明显的优势.     

加速混沌变尺度混合优化算法

提出了一种加速混沌变尺优化算法（SCOA－DFP）。首先利用加速混沌算法（SCOA）找到一点比较满意的“初始最优点”。丙以此点为初始值使用变尺度方法（DFP）进行迭代，两种方法交替进行。算法简单明子，性能良好。数值实验表明算法实用有效。     

多种进化算法混合解决约束工程优化问题研究

针对单一进化算法不适合解决所有优化问题的情况,提出了一种混合多种进化算法解决约束工程优化问题的算法.该算法混合了差分进化、粒子群优化和共生生物搜索等3种算法,首先利用差分进化算法产生和选择最优种群,然后利用粒子群优化算法寻找每一个最优解并进行更新,最后利用共生生物搜索算法对所有种群进行共生互动更新,选择出最优种群以进行...     

基于工位约束快速启发式算法的混合装配线分段优化

基于目前许多混合装配线多为人工装配的特点,对混合装配线改造问题进行了研究.在现有搭积木模型快速启发式算法的基础上进行改进,建立了带盒子约束可重叠搭建的积木塔模型,制定了新的搭建规则,在此基础上提出了一种适用于对原有混合装配线进行改造的带有工位约束的启发式算法;并针对混合装配线提出了分段优化的策略,将大规模问题分解为小规模问题进行研究,提高了算法的求解速度.算例验证了带工位约束启发式算法的可行性及有效性.     

改进混沌优化算法在水电站水库优化调度中的应用

为提高多维目标函数全局最优解的计算精度,提出了一种改进的混沌优化算法(MCOA).利用混沌运动的随机性、遍历性和规律性进行全局寻优;通过引入解向量的优选,将解向量定位到最优解的附近,从而找出全局最优解.最后将该算法应用于水电站水库优化调度问题,并进行仿真计算,计算结果验证了算法的有效性.MCOA原理简单,易于编程实现,具有较大的实用价值,为求解水电站水库优化调度问题提供了一种有效方法.     

求解约束非线性优化问题的群体复合形进化算法

分析了SCE－UA算法的特性,指出该算法仍存在着一些缺陷,例如（1）SCE－UA算法的全局最优性依赖于随机选取的初始点集的多样性,若初始点集选取不当,搜索进化就会早熟而陷入局部最优解;（2）SCE－UA算法其求解效率有待于进一步提高,提出了群体复合形进化算法,能充分利用目标函数值的信息,优化搜索过程具有较强的方向性和目标性,收敛速度较快,且是全局优化算法,能有效地求解不等式约束非线性优化问题。     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

一种求解非线性函数优化问题的混合遗传算法

结合单纯形法的混合遗传算法是将单纯形操作替代原来的交叉算子,并采用最优群体保留策略,算法可以很小的群体规模实现兼顾全局搜索和局部搜索的均衡搜索,大幅度提高搜索精度和效率,算法不需要梯度信息,不需进行编码操作,非常适合求解非线性函数优化问题。     

改进混沌优化及其在非线性约束优化问题中的应用

:研究一种比较新颖的优化方法——混沌优化 ,并在此基础上提出改进的混沌优化 .它利用混沌变量的特定内在随机性和遍历性跳出局部最优点 ,并在局部搜索空间经过线性搜索提高解的搜索速度和精度 ,通过结合精确不可微罚函数以用于求解非线性约束优化问题 .仿真结果表明 ,与已有的直接搜索方法相比 ,该算法简单 ,容易实现 ,求解精度、收敛速度和可靠性较高 ,满足约束的效果较好 ,是解决优化问题的有效方法     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

基于混合优化算法的船体线型优化设计

为了克服单一优化算法的缺点和不足,将遗传算法(GA)和非线性规划法(NLP)有机结合组成混合优化算法来优化船体形状,开发船体线型优化设计程序.在优化过程中,以Rankine源法计算的兴波阻力为目标函数,以船型修改函数的参数为设计变量,在保证必要排水体积的条件下进行优化设计.Wigley数学船型算例的计算结果表明,在优化效果和耗费时间上,混合优化算法的计算结果更优.该算法可为船舶初步设计阶段船体线型的选择提供理论基础和技术支持. 关键词：
混合优化算法; 遗传算法; 非线性规划; 兴波阻力; Rankine源法 中图分类号： U 661.1
文献标志码： A     

基于遗传粒子群混合的可重入生产调度优化

可重入生产调度优化问题是个NP难问题,针对可重入生产调度的特点,对该优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用.结合粒子群算法收敛速度快与遗传算法全局搜索能力强的特点,进行优势互补,并优化设计相关参数,构造了一种混合算法.运用混合算法对供应链优化调度问题模型进行求解,与标准遗传算法、粒子群算法的求解结果进行比较,结果表明混合算法有着更好的优化性能.     

混合遗传算法在压水堆换料优化中的应用

针对遗传算法和禁忌搜索算法的优点与缺陷，提出了遗传算法与禁忌搜索算法相结合的混合优化算法．该混合优化算法结合了遗传算法在全局搜索上的优点和禁忌搜索算法在局部搜索方面的优点，与标准遗传算法相比，在搜索能力和收敛速度上都有较大提高．为验证其优越性，使用国际原子能机构IAEA公布的Kalinin5核电厂WWER-1000型堆芯第二循环换料基准题以及秦山第六循环堆芯换料问题进行了优化计算比较与校验．结果表明，遗传算法和禁忌搜索相结合的混合优化算法比单独使用遗传算法能够获得更好的堆芯布置方案，获得了更大的适应值，循环寿期增加了20d，并且收敛速度也有所提高．     

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．