双吸引子多群体粒子群算法解决动态优化问题

提出了一种新的双吸引子多群体粒子群优化算法(BMPSO)。与传统的粒子群优化算法(PSO)相比,BMPSO的主要特点是它使用了两个群体吸引子和两种搜索粒子。两种搜索粒子具有不同范围的搜索特性,一种利于进行全局搜索而另一种利于进行局部搜索。并且通过引入一种新的传递机制,两部分粒子可以更有效地共享搜索信息。实验表明,BMPSO算法在Moving Peaks Benchmark(MPB)测试问题上具有很好的性能表现。     

一种随机蚁群算法求解连续空间优化问题

通过将蚁群优化算法(ant colony optimization,ACO)与一种随机优化方法———Alopex算法相结合,提出一种随机蚁群混合算法(AACO)求解连续空间优化问题。该算法定义了蚁群在连续空间中的寻优方式以及新的信息素更新规则,并在局部搜索过程中嵌入改进的Alopex算法以提高搜索效率,有效地避免了优化算法陷入局部最优。基于多极值函数和非线性连续函数的仿真实验表明,该算法简单高效,具有良好的寻优性能。     

优化卡尔曼滤波算法中的目标函数选择

针对优化卡尔曼滤波算法(optimized Kalman filter,OKF)中的目标函数选择问题,设计了两种适用于OKF算法优化的目标函数,证明了这两种目标函数是最优的,即当目标函数取最小值时,OKF算法中的滤波估计值H_kx_k|k-1^⌒*是(或概率意义下)系统真实状态H_kx_k的最优估计。把上述目标函数应用于多模型卡尔曼滤波算法(multiple model adaptive Kalman filter,MM-AKF)中,设计了一种优化多模型卡尔曼滤波算法(optimizedmultiple model adaptive Kalman filter,OMM-AKF),OMM-AKF算法能够根据目标函数优化子滤波器的滤波估计值权值,从而能够得到系统真实状态的较优估计值。最后,通过仿真验证了上述理论的正确性和方法的有效性。     

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。     

基于智能优化算法的T-S模糊模型辨识

将智能算法应用在T-S模糊模型的辨识方面,是模糊系统辨识的一种新途径。文中对几种智能优化算法,如遗传算法(genetic algorithm, GA)、粒子群(particle swarm optimization, PSO)算法、菌群优化(bacterial foraging optimization, BFO)算法等的优化原理和在模糊辨识方面的应用现状进行了综述和分析,并给出了它们在T-S模糊模型辨识中对参数进行优化的过程。最后将这些优化方法用于一非线性动态系统的建模,并对仿真结果进行了对比和详细的分析,为进一步了解这几种优化方法在模糊模型辨识参数优化方面的作用提供了仿真实验依据。     

Rollout及其并行求解算法在多类商品库存控制中的应用

Rollout算法是Bertsekas提出的求解马尔科夫决策过程(MDP)问题的一种仿真优化算法。文章研究Rollout算法求解多类商品库存控制问题,给出了基于性能势和神经元动态规划的Rollout优化算法。另外,为了降低运算时间,文章提出了两种Rollout并行求解算法,并讨论了这两种并行算法各自的适用场合。实验结果表明,Rollout算法能满足模型未知系统的优化要求,具有较好的并行性能。     

改进二分粒子群优化算法的阵列方向图综合

针对粒子群优化(particle swarm optimization, PSO)算法收敛速度慢、寻优精度低、计算量大、容易陷入局部最优解等问题,首先提出了一种无需越界检测的归一化粒子群优化(normalized particle swarm optimization, NPSO)算法,NPSO算法具有比PSO算法更佳的有效性和稳定性,其优化速度和收敛精度要远远优于PSO算法,且其计算量要比常规PSO算法采用越界检测调整小。其次,结合狼群算法(wolf pack algorithm, WPA)中的游走行为,在二分粒子群优化(dichotomy particle swarm optimization,DPSO)算法的基础上,通过对二分粒子赋予不同的探索方向,提出了一种WPA-DPSO算法,WPA-DPSO算法具有3层寻优的功能,不仅有效加强了粒子的搜索范围,避免了算法陷入局部最优解,而且有效提高了DPSO算法的收敛速度、优化精度、稳定性和有效性。在NPSO算法和WPA-DPSO算法的基础上,提出了一种混合型PSO算法(WPA-NDPSO),从而有效克服了PSO算法早熟收敛、搜索范围不大、容易收敛到局部极值、计算量大等问题。均匀线阵方向图综合实验表明:WPA-NDPSO算法不仅具有较优的收敛速度和优化精度,而且具有较强的稳定性和较高的有效性。     

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。     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

基于蚁群算法的施工项目工期-成本优化

工期-成本优化是施工项目计划的一个重要方面.它从实质上属于一类多目标优化问题.结合近年来提出的一种新的进化算法-蚁群算法(ACO),尝试对工期成本问题(TCTP)进行求解.通过与改进自适应权重方法(MAWA)的结合,ACO算法不仅可以找到最优解,还可以得到问题的帕雷托前沿.通过一个算例验证了算法的有效性,并和枚举法和遗传算法的计算结果进行了比较.结果表明蚁群算法对于工期成本优化问题的求解是十分适用的.     

群延时均衡器的遗传算法优化设计

在已有文献报道中多采用Powell法设计均衡网络,但Powell法是确定性优化方法,结果的好坏与初始点的选择关系密切,并易陷入局部极值点。由于遗传算法是一种全局随机搜索方法,即使定义的适应性函数不可导或不连续,它也可能以很大的概率求得全局最优解,因而在工程领域中将有十分广泛的实际应用前景。将一种新的实数码遗传算法应用到群延时均衡器的设计中,并给出了巴特沃斯滤波器群延时均衡器的设计实例,结果表明提出的方法十分有效。     

多目标进化计算收敛到Pareto最优解集的证明

多目标优化方法经历了一个从确定性搜索算法到随机搜索算法的过程 ,本质上仍是单目标优化的目标组合方法到真正意义上的向量优化方法的过程 ,至今仍在不断地发展中 ,但仍有大量未解决的问题。对多目标进化计算的研究是近年来求解多目标优化问题的重点 ,但目前仍未能证明多目标进化计算的收敛性 ,同时 ,单目标进化计算的收敛性结论不一定能推广到多目标的情况。对该问题进行了探讨 ,提出并证明了三个定理 ,并且算例说明了该理论的正确性。     

混合电力系统的短期预报和最优调度

应用ＢＰ型神经网络,对水火混和电力系统中的负荷和水库独立来水进行短期预报;应用大系统最优化理论中的关联预估方法,针对大规模水火混合电力系统的最优经济调度问题,构造出一个新的多级算法,该算法结构清晰,具有很好的收敛性。     

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。     

利用混沌搜索全局最优解的一种混合遗传算法

首先系统分析了遗传算法与其它算法混合的几种策略 ,详细讨论了遗传算法与混沌优化算法的混合问题后 ,给出一种新的混合遗传算法。仿真结果表明 ,新算法能在很短的时间内 1 0 0 %地搜索到全局最优解     

基于动力系统的无约束优化问题的方法分析

通过解由常微分方程构成的动力系统的稳定点得到等价的无约束优化问题的局部极小点 ,而动力系统的稳定点可以沿动力系统轨线上的任一点通过路径跟踪得到。我们发现 ,在用Euler方法求解二次优化问题的等价动力系统的方程时 ,由方法的步长确定的稳定区域对应于这些方法所得到的迭代公式的步长满足单调下降算法的条件确定的单调下降区域 ,因此我们可以利用这个性质构造解无约束优化问题的数值方法而不采用标准的常微分方程的数值求解公式。分析了一些基于微分方程的无约束优化方法并举例说明这些方法有些是数值不可行的。     

基于遗传算法的地空导弹装备备件优化模型

对影响战备可靠度的各种因素进行分析，指出备件优化是提高地空导弹武器装备战备可靠度的唯一有效途径；根据地空导弹武器系统的组成和工作特点，建立了战备可靠度和备件优化模型；依据遗传算法的特点，提出了将遗传算法用于求解备件优化问题的方法，并给出了求解过程，从而有效地解决了备件优化这一复杂而困难的问题，保证地空导弹武器系统具有高的战备可靠度。     

反弹道导弹动能拦截器的新型最优制导律

针对大气层外动能拦截器拦截弹道导弹的末制导过程 ,提出了一种新型最优制导律。由于采用了一种新的剩余时间计算方法 ,这种最优制导律产生的加速度指令可以通过拦截弹的轨控系统 (弹体纵轴方向无控 )实现。最后 ,采用新型最优制导律和传统比例导引律分别进行了拦截过程的计算机数值仿真 ,仿真结果表明了这种新型最优制导律的有效性。     

最优生产周期与存储轨线

对单机器生产系统循环投放的特性进行了研究 ,给出了当最优生产周期等于平衡生产周期时快速进入最优轨线的方法和步骤 ,以及储存空间任意一点快速进入最优轨线时间的计算公式。对多产品单机器生产系统的循环策略的特性作了进一步研究 ,讨论了更一般情况 ,即最优生产周期大于平衡生产周期的最优轨线 ,给出了确定最优生产周期的方法。     

雷达罩电性能的优化

将雷达罩的各种电性能的优化问题统一表示为非线性规划的形式 ,并应用遗传算法 (GA)进行求解。将原有的解析法 (AM)做了改进 ,以改进的AM法的初步设计结果为基础 ,对雷达罩壁厚分布进行编码 ,并建立了基因代码与罩性能参量之间的制约关系。以雷达罩的透波率优化为例 ,对GA进行了具体说明 ,导出了有关的计算公式。通过对多层介质结构三维正切卵形雷达罩的设计 ,验证了方法的正确性与有效性。