多目标优化在图像处理中的应用综述

基于多目标优化理论对图像处理优化技术展开研究,首先分析了图像处理优化技术的研究现状,并指出了存在的问题;然后初步建立了图像处理的多目标优化模型,并给出了图像处理优化的系统流程;接着分析了图像处理优化的关键问题,包括建立优化的数学模型、确定优化的目标、选择最佳的优化算法、以及算法参数的最优设计等;最后讨论了图像处理优化技术的进一步研究方向.     

集装箱港口作业资源配置的分布式仿真优化方法

以集装箱港口作业资源配置优化问题为对象,为提高仿真优化过程的运行效率,提出了分布式优化与并行仿真相结合的分布式仿真优化方法.建立了问题的仿真优化模型,并将其重构为分布式仿真优化数学模型;构建了基于高层体系结构HLA的分布式仿真优化系统架构,并分析了分布式仿真优化过程中的时间构成及节点分配问题;最后,运用实例验证了本方法的有效性.结果表明:该方法即可实现与集中式仿真优化方法相同的优化结果,又可明显提高仿真优化过程的整体运行效率.该方法为解决复杂物流系统仿真优化中的时间效率瓶颈问题提供了新途径.     

基于Web服务的协同优化平台

提出了一种基于Web服务的协同优化平台.该平台具有开放式的架构,能够方便集成现有的通用优化工具.主要特点有:优化工具集成,能够集成本地优化软件及异地优化Web服务;优化服务包装,能够方便的将现有优化工具包装为Web服务;协同优化模型自动生成,解决了通用优化软件的缺点.最后用一个工程案例说明了通过软件智能体,通用优化软件能够访问仿真Web服务完成仿真优化,验证了协同优化平台的有效性.     

支持复杂产品总体优化设计的多算法协作优化框架研究

针对复杂产品总体优化设计中设计方案寻优难以通过单一优化算法实现的问题,提出了基于多算法协作优化思路的多算法协作优化框架,详细探讨了框架两方面关键技术：组件化优化算法库和协作优化策略,提出了优化算法组件的接口规范和运行机制,给出了基于全局探索＋局部寻优策略的协作优化计算流程。最后,通过一个函数优化算例说明了协作优化框架的可行性和有效性。     

设计优化可视化研究综述

现代设计优化技术日益复杂,可视化技术的引入对促进优化技术在工程中的普及与应用,提高设计质量与优化效率具有重要意义.首先分析了设计优化中存在的未知因素多、求解不透明,优化效率低、结果分析不直观等问题,阐述了设计优化可视化概念,综述了国内外研究现状及发展趋势,建立了设计优化可视化功能框架,分析了设计优化可视化系统实现的技术难点,论述了综合应用多种可视化方法,多角度解决问题的技术策略.     

多学科设计优化的综合可视化技术研究

深入分析了多学科设计优化的特点,综述了多学科设计优化的可视化技术,提出并实现了多学科设计优化模型与设计模型集成可视化技术,交互式多学科设计优化可视化显示技术,可以实现高维,多目标优化问题Pareto非劣解可视化显示方法,使设计者可以方便地可视的控制优化过程,实现用户导向优化搜索,为用户提供了认识设计空问的手段.多学科设计优化综合可视化技术对提升多学科设计优化的效果十分重要,对提高复杂产品设计质量具有重要意义.     

备件配置优化问题研究

首先对备件配置优化问题进行了概述,并研究了目前国内外备件配置优化问题现状,归纳了以备件需求量为中心的预测模型以及以缺货为中心的优化模型.把备件配置优化问题看作是一个组合优化问题,然后给出了传统边际效益分析方法解决问题的步骤,接着给出采用仿真优化方法解决问题的思路,即采用优化模块缩减策略空间并采用仿真模块评估策略的优劣.并给出一个应用实例对仿真优化方法进行验证.     

多方法协作优化算法协作策略研究

为充分发挥多方法协作优化的优势,研究了多方法协作优化算法的协作策略特性。比较了采用并联、串联、串并联和嵌入协作策略的多方法协作优化方法的不同优化特性,得出协作策略选择的一般准则。以典型全局优化测试问题进行了分析验证。研究表明,多方法协作比单独优化方法更具优势;合理选择协作策略,可以进一步提高多方法协作优化方法的优化特性。     

基于仿真优化的集装箱港口大门作业调度研究

提出基于仿真优化的集装箱港口大门通道作业的调度优化方法.首先,建立了大门作业的离散事件仿真模型和调度优化数学模型;其次,设计了启发式Tabu搜索算法和仿真模型相结合的仿真优化方法;然后,结合仿真自动化方法和在线数据库实现了仿真优化系统;最后,用实例验证并分析了本方法的有效性及效率问题.结果表明了本方法对在线、实时作业调度优化问题的适用性.     

课程体系优化的系统观及系统方法

提出了一个课程体系优化的系统结构模式 ,从外部环境与内部结构的相互作用上区分了课程体系改革及优化必须考虑的因素 ;给出了一个课程体系优化的系统工程程序 ,将课程体系的改革及优化划分为 5个基本环节 ,重点论述了如何从“课程体系→课程群→主干课程”实现递阶控制及 3级优化的思路 ;最后 ,给出了课程体系优化的指标体系及评价模型 ,以此完成高师地理学专业课程体系优化设计 .     

一种改进的粗粒度并行蚁群算法

蚁群算法是一种模拟进化算法,具有很强的全局搜索能力。提出了一种基于粗粒度模型的并行蚁群算法,该算法采用了一个新的信息素更新策略———Ant-proportion,这种新的更新策略是综合考虑全局和局部信息,依据蚂蚁在搜索过程中所得到的路径的优劣程度和路径中各路段对其贡献的大小来分配信息素增量;另一方面,该算法采用的粗粒度模型充分利用了蚁群算法内在的并行性,使得算法具有更快的收敛速度和更好的优化质量。最后,选用了CHN144问题对该算法进行了检验,算法求得的最优路径优于已知的最优结果。     

GAPSO：一种高效的遗传粒子混合算法及其应用

在粒子群算法和遗传算法融合的基础上提出了一种新的算法(GAPSO).该算法模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,采用粒子群算法获得进一步的提高,使算法获得比遗传算法和粒子群算法更加好的优化效果.在FCRNN设计应用中表明该算法确实比遗传算法和粒子群算法有更加好的效果.     

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。     

基于粒子群优化与高斯过程的协同优化算法

对于适应度函数计算耗时较大的工程优化问题,采用仿生智能优化算法求解时常遇到由于适应度函数评价次数过大而导致计算量过高的瓶颈问题。针对上述问题,提出一种基于粒子群优化（particle swarm optimization, PSO）算法与高斯过程（Gaussian process, GP）机器学习方法的协同优化算法（PSO-GP）。该算法在寻优过程中采用GP近似模型来构建决策变量与适应度函数值之间的映射关系,在PSO全局寻优过程中不断地总结寻优历史经验的基础上,预测可能包含全局最优解的搜索区域,以优化粒子群飞行的方向。多个测试函数的优化结果表明,该算法是可行的,与基本PSO算法相比,在获得全局最优解的前提下,可显著减小寻优过程中的适应度函数评价次数,寻优效率较高,在高计算代价复杂工程优化问题的求解上具有良好的应用前景。     

基于自适应郊狼算法的无人机离线航迹规划

针对无人机(unmanned aerial vehicle,UAV)离线航迹规划对算法全局搜索能力和鲁棒性的要求,设计一种自适应郊狼算法,从最优化问题角度研究UAV离线航迹规划.建立UAV离线航迹规划的数学模型;在标准郊狼优化算法的基础上设计4种操作算子和一种自适应学习机制,使算法在搜索的过程中,智能选择合适的操作算子...     

基于序值与拥挤度的拟态物理学多目标算法

根据约束多目标优化问题的特点,在拟态物理学优化(aritificial physics optimization, APO)算法的基础上,将无约束多目标APO(multi objective APO, MOAPO)算法引入到约束多目标优化领域中。提出约束违反度的判断准则,并采取一种更为有效的约束处理技术,从而构造出一种解决约束多目标优化问题的基于序值与拥挤度的拟态物理学多目标优化(improved constrained rank multi objective aritificial physics optimization, ICRMOAPO)算法。在随机搜索过程中动态调整引力因子与惯性权重,增强了非劣解集的多样性。实验结果说明了该算法的有效性,通过与序值约束多目标APO(constrained rank multi objective APO, CRMOAPO)算法、非支配排序遗传(non dominated sorting genetic algorithm, NSGA)算法、多目标遗传(multi objective genetic algorithm, MOGA)算法的对比实验,表明了该算法具有较好的分布性能,为约束多目标优化问题的求解提供了一种新的思路与方法。     

基于并行混沌和单纯形法的混合全局优化算法

混沌优化算法采用的是串行优化结构,采用并行结构进行,并不断缩小搜索空间,提高了混沌优化在变量取值范围较大情况下的搜索效率。针对混沌在全局最优点附近搜索速度变得很慢、精度较低的缺点,结合单纯形法,提高了收敛的速度和求解精度。仿真结果表明并行混合优化算法可以得到满意的结果。     

人群搜索和樽海鞘群的混合算法优化PID参数

为解决在优化全局时人群搜索优化算法(seeker optimization algorithm,SOA)容易过早收敛的问题,提出了一种新的基于人群搜索和樽海鞘群(salp swarm algorithm,SSA)的SOA-SSA混合算法。基于双种群进化策略,种群中的部分个体由人群搜索优化算法进化,其余个体由樽海鞘群算法进化。SOA和SSA的个体都使用信息共享机制实现协同进化,增加了种群的多样性,避免了算法过早收敛。实验结果表明：该算法在高维函数和PID参数优化方面都是可行的。与其他算法相比,SOA-SSA算法的收敛速度快、精度高、鲁棒性强,有更好的优化性能。     

一类大规模不可分系统的分解算法

讨论了一类大规模不可分系统的优化问题。提出了一种3级递阶优化算法。该算法首先把原问题转化为可分的参数优化问题，然后再从参数优化问题的解集中挑出原问题的最优解。建立了算法的理论基础，证明了算法的收敛性。对3个例子的仿真结果表明算法是有效的。