折现流多模式资源约束项目调度问题研究

针对带折现现金流的多模式资源约束项目调度问题研究,在考虑实际工程中对最终净现值产生影响的多种因素的基础上,建立以最大化现金流净现值为优化目标的非线性数学模型,提出一种改进的遗传模拟退火算法对模型进行求解.该算法利用遗传算法进行全局并行搜索,种群每个新产生的个体在交叉和变异后采用模拟退火技术进行局部串行优化,使之移动到最近的局部最优点再进入下一代迭代.采用针对活动的整数编码方式,基因的值表示活动的优先权和执行模式,每个个体对应一个满足时序约束和资源约束的项目调度方案.仿真结果表明,新算法能有效地对多模式资源约束项目调度问题做出合理调度,使项目收益最大化,并且比传统的遗传算法具有更高的求解质量和求解效率,为承包商在项目投资和进度管理上提供了定量化决策支持.     

一种求解约束优化问题的改进差分进化算法

针对原始差分进化算法在求解约束全局优化问题时存在陷入局部最优的缺陷,提出一种改进的差分进化算法.该算法在保留原始差分进化算法全局搜索能力的基础上,采用基于规则的方法进行约束处理和种群个体的比较及选择,并利用种群相似度和最优变异操作改善种群进行全局范围搜索的多样性,提高算法跳出局部最优的能力.数值实验表明,该算法稳定性较好,目标函数评价次数较少,收敛速度较快,全局寻优能力较强,不仅能有效求解连续变量约束优化问题,也适用于离散变量或混合变量优化问题.     

改进的量子粒子群优化算法对多维多选择背包问题的求解

针对多维多选择背包问题无法在多项式时间内找到最优解, 且由于其强约束限制条件, 在求解过程中易陷入局部最优的问题, 提出一种改进的量子粒子群优化算法对该问题进行求解. 首先, 在量子粒子移动过程中, 通过判断其与下次迭代个体的位置关系确定其位置信息的可用性, 通过该信息充分保留粒子位置的多样性; 其次, 提出一种新的位置扰动方法, 避免种群陷入局部最优. 最后, 将该算法在标准数据集上进行测试, 对算法的收敛速度和运行时间进行分析, 测试结果表明, 该算法在求解准确性上得到明显提升.     

求解非线性等式和不等式问题的一种光滑化算法

给出了求解非线性等式和不等式问题的一种新算法.用Max函数将不等式约束转变为等式约束,建立了一个半光滑的无约束方程组系统,并设计了一种光滑化Gauss-Newton算法求解该系统.在适当条件下,证明了此算法的全局和局部收敛性.数值实验表明此方法的有效性.     

基于AC与LmaxRPC的自适应约束传播求解算法

在现有自适应约束求解方法基础上,提出一种新的自适应约束传播求解算法ADAPTAC-LmaxRPC.该算法能根据约束的不同特性,在传播能力强但开销高的LmaxRPC与传播能力弱却开销低的AC之间自适应地切换进行约束传播.多个Benchmark实例类上的测试实验数据表明,ADAPTAC-LmaxRPC算法有效地平衡了求解效率和算法开销之间的矛盾,大幅度提高了约束求解的效率.     

嵌入遗传算子的改进灰狼优化算法

针对基本灰狼优化算法(GWO)存在求解精度低、后期收敛速度慢和易陷入局部最优的问题,提出一种基于遗传算子的改进灰狼优化(IGWO)算法用于求解无约束优化问题.该算法首先利用佳点集理论初始化种群,为算法全局搜索多样性奠定基础;然后在决策层以外的群体中随机选取三个个体与决策层个体执行算术交叉操作,引导群体向决策层区域移动以增强算法局部搜索能力和加快算法收敛速度;最后,对决策层个体进行多样性变异操作以避免算法陷入局部最优.采用几个标准测试函数进行仿真实验:当维数较高(D=30或D=50)时,IGWO算法的总体性能上均优于基本GWO算法.实验结果表明IGWO算法在收敛速度和求解精度指标上明显优于对比算法.     

蚁群算法求解离散最小约束去除问题

摘要： 引入蚁群算法解决最小约束去除运动规划问题,在求解过程中对蚁群算法的启发函数以及信息素更新策略进行改进,使其不再易于陷入局部极值并适合求解该问题.仿真实验结果表明,该算法在解的质量和收敛速度上优于精确搜索与贪心算法.     

基于遗传算法的多约束背包问题求解方案

采用混合遗传算法求解多约束背包问题.首先构建多约束背包问题的数学模型,然后采用多维实数编码方式的遗传算法,结合附带染色体库技术、局部启发式算子和扰动算子对问题进行求解,并给出了一个实验实例.实验证明文中采用这种混合遗传优化算法解决多约束背包问题切实可行,有较高的搜索效率.     

Dom/ddeg自主分支辅助决策约束求解

基于自主分支约束求解方法,提出一种新的自主分支辅助决策约束求解算法AUTOdom/ddeg,并在标准测试库Benchmarks上进行对比实验.实验结果表明,AUTOdom/ddeg算法能显著提高求解效率.     

子种群个体动态调整的人工蜂群算法

针对基本人工蜂群算法存在局部搜索能力差、收敛速度慢等缺点,提出一种动态调整子种群个体数目的改进人工蜂群算法用于求解无约束优化问题.该算法利用反向学习策略产生初始种群,以保证个体尽可能均匀分布在搜索空间中;基于个体适应度值,将种群分为两个子种群,分别采取不同的蜜源搜索公式,用于进行全局搜索和局部搜索.5个标准测试函数的仿真实验结果表明,改进算法具有较好的寻优性能.     

一种基于扰动和边界约束处理机制的萤火虫算法

针对萤火虫算法在求解优化问题时容易陷入局部最优,求解精度不高的缺点,提出了一种改进的萤火虫算法.该算法在萤火虫算法中引入新的扰动项,并利用有效的边界约束处理机制处理边界约束.函数优化问题的实验结果表明了该算法的可行性和有效性.     

基于半定规划的多约束图划分问题

提出一种递归的二分算法,用于求解带顶点权重约束的图划分问题.首先利用内点法求解不加顶点权重约束的半定规划松弛模型,然后利用超平面舍入算法得到满足顶点权重约束的初始可行解,再进一步设计启发式算法对初始可行划分进行局部改进,以得到更优的划分结果.实验结果表明,所设计的算法可在较短时间内得到多约束图划分问题的高质量解.     

基于多策略融合灰狼优化算法的特征选择方法

针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法.首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率.选取6个基准测试函数进行数值实验.结果 表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法.最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征.     

求解非线性等式和不等式问题的一种光滑化算法

 给出了求解非线性等式和不等式问题的一种新算法．用Max函数将不等式约束转变为等式约束,建立了一个半光滑的无约束方程组系统,并设计了一种光滑化Gauss-Newton算法求解该系统．在适当条件下,证明了此算法的全局和局部收敛性．数值实验表明此方法的有效性．     

一种求解双层过道布置问题的离散花授粉算法

结合布局活动中设施布置在多层空间的实际情况,对过道布置问题在双层空间中的布置优化进行研究,构建了一种新的混合整数非线性规划模型.基于可行解的离散性和问题求解的复杂性,提出一种花授粉算法离散方法.通过重新定义授粉过程,将以问题规模为搜索深度的随机搜索过程作为全局搜索,而在局部寻优阶段,个体以交换对的形式跟随最优解更新自身.为进一步提高算法性能,在全局搜索阶段引入临界值,通过变异陷入局部最优的个体实现变邻域搜索,并设置阈值以提高求解效率.通过对比改进前后两算法求解38个测试算例的运算结果,验证了算法改进的有效性.最后,应用改进离散花授粉算法求解原过道布置问题,并与不同算法的实验结果进行对比,发现所提算法在求解质量和效率方面更具优势.     

协同神经网络求解流动推销员问题方法——确保单回路的神经网络方法

神经网络方法求解流动推销员问题(Travel Salesman Problem,简称TSP问题)时,往往产生不满足TSP的单回路约束的不可行解.基于协同神经网络的方法解决TSP,并设计了一个回路合并算法,确保得到满足TSP的单回路约束的解.通过算例进行数值模拟,并且比较了新算法、标准遗传算法和标准模拟退火算法的求解结果.实验结果表明,说明该方法在求解TSP 问题上是行之有效的.     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

基于组合三角变异差分进化算法的化工参数辨识

针对传统方法在解决化工参数辨识问题中易陷入局部最优、导致求解精度不足的问题,提出了一种组合三角变异差分进化(CTMDE)算法,融入了组合三角高斯变异策略和DE/current-to-pbest/1变异策略.其中,组合三角高斯变异策略引入了组合权重来适应性利用较优个体、一般个体、当前个体的信息,维持种群多样性;而DE/current-to-pbest/1变异策略能够利用种群中的较优个体来指导搜索,对解空间的开采能力较强.两者结合使得算法在加快收敛速度的同时降低陷入局部最优的可能性.在12个基准测试函数上,将CTMDE算法与其他新近DE算法进行比较,并将CTMDE算法应用于甲醇转化为烃类物质的参数辨识问题.实验结果表明:CTMDE算法具有较好的寻优性能,且在化工参数辨识问题上具有较好的求解效果.     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

求解约束优化问题的一种新的进化算法

分析了现有的约束优化进化算法的一些不足之处，提出了一种处理约束优化问题的新算法。新算法将多目标优化思想与全局搜索和局部搜索机制有机地结合起来；在全局搜索过程中，作为一种小生态遗传算法，排挤操作利用Pareto优劣关系比较个体并接受具有相似性的父代个体和予代个体中的优胜者；在局部搜索过程中，首先对局部群体中的个体赋予Pareto强度，然后根据Pareto强度选择个体。通过一个复杂高维多峰测试函数验证了新算法的有效性。