热轧批量计划模型及其混合求解算法

分析了热轧批量计划编制问题,建立了基于奖金收集车辆路径问题的计划数不确定的热轧批量计划模型.模型中考虑了热轧生产的多种工艺约束和生产目标.针对该模型提出了一种基于模拟退火算法和蚁群算法的混合算法,混合算法中利用模拟退火算法得到热轧批量计划的一个初始解来生成蚁群算法中的初始信息素分布,利用蚁群算法寻找全局最优解.在蚁群算法中又嵌入了模拟退火算法进行局部搜索,避免蚁群算法陷入局部最优.实验结果表明所提出的模型和算法是有效的.     

基于模拟退火遗传算法的编队对地攻击火力分配建模与优化

针对编队对地攻击火力分配的特点,围绕效费比最大化目标,以毁伤下界为约束,建立了基于模拟退火遗传算法的编队对地攻击火力分配模型。模型从两个阶段分别实现编队对地攻击的效用最大化和费用最小化。利用遗传算法出色的全局选优能力和模拟退火算法优秀的局部搜索能力,构建了模拟退火混合遗传算法,并将其用于编队对地攻击火力分配求解中。仿真结果表明,该方法能以较快的速度求得最优解,得出的最佳火力分配方案符合作战要求,验证了模型的合理性和算法的可行性。     

基于基因算法的隐马尔可夫模型参数估计

隐马尔可夫模型 (hiddenMarkovmodel)是一种统计模型 ,被广泛地应用于信号处理和模式识别中。隐马尔可夫模型是一种双随机过程 ,在实际应用中 ,对隐马尔可夫模型的训练 (参数估计 )是一个非常重要的问题 ,训练方法的优劣将对整个应用效果产生重要的影响。传统的模型训练方法存在容易陷入局部最优以及对训练样本依赖性较大等弱点。为了进一步提高模型训练的有效性 ,提出了一种基于基因算法的模型训练方法 ,与已有的方法相比 ,解决了对初始值敏感的问题 ,并且具有更高的稳定性和准确性 ,因此是一种很有实用价值的新方法。     

求解约束优化的模拟退火PSO算法

针对有约束最优化问题,提出了基于模拟退火的粒子群优化(particle swarm optimization simulated annealing, PSO SA)算法。该算法利用模拟退火算法以一定概率接受较差点的概率突跳特性,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性原则进行约束处理,并在模拟退火算法产生新粒子的过程中保留最优不可行解的信息,弥补了可行性原则处理最优点位于约束边界附近时存在的不足。4个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解.     

电子侦察卫星任务调度方法

基于电子侦察卫星任务规划问题的特殊性,提出了规划预处理的基本方法,并基于合理假设建立了问题的多目标规划模型;设计了一种改进的遗传退火算法对模型进行求解,为防止最优解的丢失,引入了基于精英保留的选择机制,同时该算法有效避免了遗传算法局部优化能力差及模拟退火算法易陷入局部最优等缺陷。最后,通过实例将该算法与遗传算法(genetic algorithm, GA)及模拟退火算法(simulated annealing algorithm, SA)相比较,结果表明该算法能有效解决电子侦察卫星的任务规划问题。     

混沌信号的马尔可夫模型降噪

基于马尔可夫模型的思想,提出了一种混沌信号的小波域统计降噪方法.利用对偶树复小波对信号进行小波分解,保留最高尺度上的尺度系数不变,对分解后的高频小波系数建立隐马尔可夫树模型.采用期望最大化算法估计该模型的参数,结合经验贝叶斯方法估计源信号的小波系数,再用对偶树复小波逆变换得到降噪后的混沌信号.该模型具有近似平移不变性,计算复杂度小且能够捕获小波系数邻域的统计特征.仿真中分别对叠加不同强度高斯噪声的Lorenz混沌信号及实测远红外激光器产生的混沌信号进行了研究.结果表明了该方法的有效性,且能够较好地校正相空间中点的位置,逼近真实的混沌吸引子轨迹.     

基于群体智能免疫算法的PID自整定

传统的PID整定方法得到的结果通常不是最优参数,很多学者采用遗传算法和模拟退火方法来解决这个问题.针对遗传算法很容易陷入局部最优值和模拟退火算法收敛速度慢这些缺点,融合了粒子群算法和人工免疫机理的优点,提出了一种基于群体智能的免疫算法,对典型二阶对象进行PID控制器参数优化整定.仿真结果证明了提出的算法有效可行.     

信用风险优化中的期望短缺模型及基于非数值算法求解

期望短缺是一种新的风险量度和优化工具,它能够反映损失分布的尾部信息,从而有利于防范小概率极端金融风险;它能同时调整组合中所有头寸以优化期望短缺,同时得到相应受险价值.Fredrik给出了能同时优化组合期望短缺和受险价值的线性规划模型,但该模型存在维数障碍.为了克服这一障碍,本文将其重新变为一个非线性规划模型,并利用带约束的遗传算法和模拟退火算法求其近似最优解.实证研究表明:这两种方法都能够在很少改变期望收益的情况下,同时减少标准差、受险价值、期望短缺等重要风险衡量指标,但模拟退火算法对期望短缺指标优化效果更佳.     

认知无线电网络中授权用户参数估计

针对认知用户在频谱切换过程中无法实时地获取授权用户到达率与服务率的问题,提出了基于隐式马尔可夫模型的参数估计算法。首先利用排队论对授权用户队列进行建模与分析,推导出授权用户队列状态转移概率;其次利用能量感知算法检测授权用户队列真实状态,获得可观测序列值;然后利用隐式马尔可夫模型描述两种随机过程,即授权用户队列状态变化随机过程和可观测序列随机过程;最后利用forward-backward算法估计隐式马尔可夫模型,从而获得授权用户到达率与服务率。仿真结果表明,该方法能够实现实时的、较为精确的估计,从而实时地为认知用户选择频谱切换策略提供依据。     

动态武器目标分配问题中策略优化的改进算法

动态武器目标分配(Weapon Target Assignment,WTA)中的目标选择策略问题可以通过建立马尔可夫决策过程(Markov decision processes,MDP)模型进行研究,但目前尚无有效求解此类较大规模的MDP问题中最优策略的算法.通过分析动态WTA问题的MDP模型特点,给出了求解该问题最优策略的改进算法.该算法主要在初始策略选取规则、策略改进规则以及最优策略的判断准则等方面进行了改进.该算法具有计算量小,节省内存,并可得到最优解等优点.最后,通过算例将该算法与传统算法进行了比较.改进算法可以用于解决较大规模的动态WTA中的策略优化问题.     

用模拟退火差异进化算法进行匹配场反演

分析了模拟退火算法与差异进化算法单独应用于匹配场反演时的局限性，构造一种结合两种算法优点的混合算法。模拟退火算法对差异进化算法的种群进行扰动，保留了差异进化算法的并行特性；在差异进化算法中引入模拟退火算法的重要性抽样思想，增强其逃离局部最优的能力，差异进化算法对目标函数梯度信息的利用仍然保留。仿真研究表明，混合算法在寻优时间与效率上达到了较好的平衡。     

基于GA-AHMM的联机手绘图形识别技术

提出了一种遗传算法(geneticalgorithm,GA)和自适应隐马尔科夫模型(hiddenMarkwmodel,AHMM)混合的联机手绘图形识别方法。由于隐马尔科夫模型(HMM)的训练本质上是一种梯度下降的优化方法,算法易陷入局部最优,影响了其应用。为此,采用GA训练HMM模型参数,并给出了GA和HMM的两种混合训练方式:前端GA HMM模型和内嵌式GA HMM模型,GA算法能随机地调整HMM模型训练的初始值,使HMM跳出局部最优,较好地克服了HMM训练容易陷入局部最优的问题。另外,采用带有反馈环节的闭环AHMM代替传统的开环前向HMM模型对手绘图形识别,改善了HMM的自适应能力,显著提高了对图形的识别率和识别速度。试验结果证明了方法的有效性。     

基于模式搜索的类电磁算法求解约束优化问题

针对约束优化问题,提出了一种基于模式搜索的类电磁算法。引入了粒子的违反度函数,将约束优化问题转化为双目标无约束优化模型来求解;提出了双目标模型中粒子的电荷和受力的计算公式,引导不可行粒子转化为满足约束条件的粒子;为了提高算法的搜索能力,结合模式搜索算法改进种群中的粒子,为类电磁算法提供了有效的局部信息。与以往算法仿真结果相比,新算法具有性能好、较稳定的优点。     

轧制计划的优化模型及其算法的应用研究

为保证热轧生产调度计划的可行性，提高排程的效率，根据热轧生产模式和轧制计划的结构特点，提出了一种车辆路径问题（VRP）模型来建模轧制调度问题，发展了一种混合调度方法（SAMPSO算法）来解决这个问题．试方法利用修正粒子群优化算法的局部和全局搜索能力来寻找全局最优解，利用模拟退火方法来避免陷于局部最优。对某钢厂实际生产数据的仿真结果表明，所提出的模型和算法具有良好的适应性和可行性。     

Simulated annealing algorithm for detecting graph isomorphism

Evolutionary computation techniques have mostly been used to solve various optimization problems, and it is well known that graph isomorphism problem （GIP） is a nondeterministic polynomial problem. A simulated annealing （SA） algorithm for detecting graph isomorphism is proposed, and the proposed SA algorithm is well suited to deal with random graphs with large size. To verify the validity of the proposed SA algorithm, simulations are performed on three pairs of small graphs and four pairs of large random graphs with edge densities 0.5, 0.1, and 0.01, respectively. The simulation results show that the proposed SA algorithm can detect graph isomorphism with a high probability.     

一种改进的连续变量全局优化模拟退火算法

在连续变量的全局优化问题求解中,提出了一种改进的模拟退火算法.该算法提出了一种自适应的函数变换方法,解决了模拟退火算法中较难处理的初始温度问题,使初始温度与具体应用问题无关;结合成功-失败法和变尺度方法,提出了有效偏移量的概念,改进了解的产生方式;提出了一种以相对精度为基础的结束准则,较好地解决了计算效率和计算精度的平衡,提高了算法的效率和通用性.数值测试算例验证了本文的改进模拟退火算法的可行性和高效性.     

模拟退火算法的一种参数设定方法研究

模拟退火算法在有限计算量条件下的收敛性能对自身参数有很大的依赖性,这使得参数设定问题成了算法应用过程中的一个关键环节。考虑到模拟退火算法本身的随机性,将其参数设定问题描述为随机优化问题,提出一种系统可靠地解决该问题的混合优化算法,即基于序的巢分区算法,该算法继承了序优化算法的快速收敛性及巢分区算法的全局搜索特性,能够有效解决复杂的随机组合优化问题。以典型旅行商问题为算例的仿真结果检验了方法的高效性与可靠性。     

基于改进局部搜索遗传算法的目标分配决策

为满足舰载武器目标分配需求,对传统的局部搜索遗传算法进行了改进,并用其求解目标分配问题的最优解。构造了适合于目标分配问题的染色体;设计了搜索性能较好且能够保留优秀基因的交叉操作方法;将局部搜索机制引入标准遗传算法,提高了目标分配算法的收敛速度;把模拟退火算法引入局部搜索问题,在一定程度上避免了局部最优问题;将贪婪算法应用于局部搜索提高了最优分配方案的搜索效率。仿真计算表明,改进局部搜索遗传算法的目标分配性能优于已有算法。     

基于学习机制的退火并行遗传算法应用研究

本文综合并行遗传算法(PGA)和模拟退火算法(SA)的优点,提出一种新的退火并行混合优化策略(PGASA).该算法克服了并行遗传算法局部搜索能力弱的缺点,在子种群的搜索中引入SA作为GA种群的变异算子,增强和补充了PGA的局部进化能力;同时将机器学习原理引入到混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度.针对车间调度中的典型问题进行了仿真,结果证明了新算法的有效性.     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。