Distributed Second-Order Continuous-Time Optimization via Adaptive Algorithm with Nonuniform Gradient Gains

Journal of Systems Science and Complexity - This paper addresses the distributed adaptive optimization problem over second-order multi-agent networks (MANs) with nonuniform gradient gains. A...     

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。     

特征点法SLAM视觉里程计自适应优化算法

为减少动态环境对移动机器人同时定位与地图构建(simultaneous localization and mapping,SLAM)的影响,提出了一种特征点法视觉里程计自适应优化算法.该算法有助于改善光照条件变化情况下图像特征的不变性,有效提取纹理信息不充分区域的特征用于图像匹配.采用降采样法建立图像金字塔,将每个缩放...     

自适应罚函数协同优化算法

在分析协同优化系统级优化的基础上,从保证其优化过程可行有解的角度,提出了自适应罚函数协同优化算法.采用罚函数法将学科间一致性约束条件下的系统级优化问题转化为无约束优化问题,利用学科间的不一致信息,构造动态罚因子的表达式.根据学科间的不一致性情况,对学科间一致性约束赋予相应的权值,从而在保证学科间一致性要求的前提下,使系统级目标函数达到最优.最后,利用典型算例对该方法进行了验证,结果表明该方法优化效率较高,且具有一定的收敛性和鲁棒性.     

一种自适应蚁群算法及其仿真研究

蚁群算法是一种新型的进化算法，蚁群算法与其它进化算法同样存在易于限于局部最小点等缺陷。本文提出一种自适应的蚁群算法以克服上述缺陷。通过自适应地改变算法的挥发度等系数，本文中的算法可以在保证收敛速度的条件下提高解的全局性，通过对TSP问题的仿真证明本文中的算法相对与原始的蚁群算法收敛速度和解的性能都有一定的提高。     

自适应的混沌粒子群算法优化XML文档聚类策略

为了提高海量XML文档集的聚类质量,提出了一种基于粒子群的XML自适应混沌聚类算法(简称ACPSO):为了简化XML文档相似性判定,该算法以XML键为基础,结合混沌原理与粒子群算法划分XML文档:为了加速算法的收敛性,通过对算法相关参数的自适应学习与权重调整,增强XML文档的全局寻优能力,改善XML文档聚类的质量.对比其它聚类算法,仿真表明本算法不仅能有效避免聚类停滞现象的发生,而且是一种高效的XML文档聚类方法.     

一类自适应随机搜索算法及DEDS优化

采用常规的优化方法难以解决一般ＤＥＤＳ的优化问题，本文提出了一种新的基于仿真的自适应随机搜索技术，用于解决这类问题。实践表明，这种方法具有较高的搜索速度及广泛的适用性。     

单点定时信号最优控制模型及仿真分析

针对以往基于Webster和HCM信号配时优化方法的缺点,提出了一种基于信号灯组、考虑行人和自行车绿灯间隔约束、使用微观仿真多种评价指标作为优化目标的单点固定信号优化方法,并且提出了模型求解算法。然后使用VC 调用VISSIM的COM接口对一个实际四叉路口分饱和和非饱和条件下做大量仿真试验,根据仿真结果对得出模型的有效性及一些有价值的结论。     

一种改进的自适应免疫进化规划方法及其应用

结合免疫系统的机理和进化规划原理,对免疫进化规划进行改进。即引入多样性函数和群体局部退化相结合的方法,对克隆细胞进行选择和更新,增强群体信息的多样性,克服近亲细胞过度繁殖而引起早熟收敛;利用双曲正切函数,无须区分亲和度界限,决定个体细胞的变异率,实现细胞群的自适应变异;选择亲和度高的一半细胞作为记忆细胞,利用其替换原始细胞群亲和度低的细胞。对各部分改进的原因和优点进行了分析,给出了算法的主要步骤,并对自适应免疫进化规划的收敛性进行了说明。最后用不同的测试函数进行仿真实验,结果表明了方法的有效性。     

基于粒子能量的自适应粒子群优化算法

群优化是一种随机的群体搜索策略.针对粒子群算法易陷入局部最优和收敛速度慢等不足,提出了根据粒子的能量自适应调整参数的改进算法.该算法基于动力学和热力学的理论,计算每个粒子的能量值,并将优化过程中的群体视为热力学的某一状态,通过退火温度和粒子的能量动态调整算法中的惯性参数,达到对"惰性"粒子的原速度方向给予较大的牵引力的目的.优化过程中,随着系统温度的降低,惯性参数逐渐减小,有利于问题的收敛.算法中采用了带极值扰动策略,加速粒子跳出局部最优的能力.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效的求解约束和非约束优化问题.     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于混沌的白适应模糊PID参数寻优研究

针对自适应模糊PID控制器提出了一种基于混沌变量的优化算法.首先,利用混沌运动的遍历性特性,基于混沌优化方法进行PID控制器设计.在系统稳定的条件下,通过粗调和精确搜索可以找到具有最小参数的最佳控制器.这些参数被用来作为自适应模糊PID控制器的最佳参数.然后,按照自适应模糊控制方法,控制律及其参数可以被确定.仿真实验结果显示,该方法能够达到所要求的指标,其有效性得到了证明.     

一类迭代学习控制的自适应参数优化

针对一类迭代学习控制提出了一种基于二次性能指标函数的自适应参数优化方法。如果原离散系统是正定的，那么这种具有可调参数的学习算法可以保证误差按几何单调收敛于0，如果系统非正定的，提出了一种反馈调节方法使系统正定。数值仿真表明了所提出算法和条件的有效性。     

基于菌群自适应觅食的公交调度建模仿真与优化

提出了一种新型群体智能优化方法—菌群自适应搜索算法（Adaptive Bacterial Foraging Optimization,ABFO）。ABFO算法在细菌觅食算法（Bacterial Foraging Optimization,BFO）研究工作的基础上,将细菌的趋化行为,群体感应机制和自适应搜索策略相集成,体现细菌个体通过信息交流与合作在群体层面表现出更高智能行为的特性。此外,ABFO算法的自适应策略动态地控制人工细菌的趋化步长,从而能够在运行时有效地平衡算法的探索和开发能力。然后,基于ABFO进行公交调度模型的求解,以便快速地集散交通流,实现站点、客流、车流的优化配置。仿真试验结果表明,与其它智能算法相比ABFO算法具有收敛速度快,寻优能力强和较强的鲁棒性等优越性能。     

基于群集智能的多主体创新设计自动协商算法

为了解决复杂产品创新设计系统中多主体协作的冲突协商问题,提出一种基于模糊物元分析的启发式自适应变异微粒群全局优化算法.首先,引入模糊物元分析理论,将各设计主体的个性化要求、特征及相应的模糊量值结合起来建立其形式化模糊物元模型,应用模糊物元优化方法将多目标协商问题转化为单目标协商问题;然后,给出了该协商模型的自适应变异微粒群求解算法,在微粒群寻优过程中引入变异机制,根据自适应变异概率对惰性和适应度差的微粒进行突变操作,增大微粒间的差异性和非均匀性,有效阻止算法过早收敛于局部最优点,提高算法的求解速度;最后,通过在汽车动力传动系统参数优化匹配协同设计中的应用,表明了该协商算法的有效性.     

基于PSO在线优化的多模型自适应动态矩阵控制

针对常规的自适应动态矩阵控制算法,在实际被控对象的模型参数发生突变时,系统的瞬态响应较差,提出了基于PSO在线优化的多模型自适应动态矩阵控制方法。对一类含跳变参数的单输入单输出离散时间被控对象,在模型参数范围未知情况下,以自适应模型参数为依据,经规则判断后通过所提出的基于双群体深度搜索的粒子群优化（PSO）算法在线优化自适应模型参数,并通过所定义的模型相似度自动建立多个固定模型。通过指标切换函数找到当前最优控制器。仿真结果表明,该方法明显优于常规的自适应动态矩阵控制算法,说明了该方法的有效性和可行性。     

求解带约束函数优化的两级自适应遗传算法

针对带约束的非线性函数优化问题 ,提出一个两级自适应遗传算法。根据待优化函数和约束构造拉格朗日对偶函数 ,在下级对给定的拉格朗日乘子 ,用遗传算法搜索变量的最优解 ;在上级针对拉格朗日对偶函数 ,用遗传算法搜索拉格朗日乘子的最优解。采用自适应的方法 ,根据个体的适配值和种群的适配值统计特性确定交叉概率和变异概率。计算结果表明 ,该算法是有效的。     

自适应变异粒子群算法在交通控制中的应用

提出了自适应粒子群算法结合实数遗传算法中变异算子的混合算法，它能提高算法的收敛性和稳定性。同时，通过对交通路口的通行情况的研究提出了一种新颖的离散交通信号控制模型。此模型以交叉路口各方向车流支路为基本单元，以各支路车流信息为输入，得出交通信号控制的各项性能指标。在此模型的基础上，应用自适应变异粒子群算法实现交通信号优化控制及验证算法。仿真结果表明自适应变异粒子群算法能够有效实现交通信号优化控制。     

一种基于自适应遗传算法的CMAC的学习率优化方法

CMAC（cerebellar model articulation controller）是一种局部逼近神经网络，它发展了近30年，但是关于其学习率的确定仍缺乏好的方法。基于CMAC的控制系统如果没有好的学习率，那么系统就会不稳定或者收敛速度很慢。在传统方法的基础上提出利用遗传算法（GA）来确定其学习率，通过自适应遗传算法（GA）其他传统方法相比较，表明利用自适应遗传算法（GA）不仅使系统稳定，而且收敛速度更快，并进行了仿真验证。