求解最优控制问题的改进辛几何算法

最优控制问题的 Pontryagin极大值原理以 Hamilton形式为基石 ,合理的数值计算应当遵循 Hamilton体系的性质 ,而以 Runge- Kutta( R- K)方法为代表的传统计算方法却不能保持这一性质 .本文尝试用基于 Hamilton体系的辛几何算法求解最优控制问题 ,提出了消除计算过程中误差生长的方法 ,最后设计了仿真算例 ,与 R- K法相比显示了明显的优越性     

基于混合遗传算法的控制受限热传导系统最优控制问题求解

混合遗传算法是用粒子群位移转移的思想改变遗传算法的变异规则,利用此算法求解控制受限热传导系统最优控制问题,获得了该问题的分段常量控制.混合遗传算法对热传导系统最优控制问题从时间和空间进行了离散,由有限差分方法得到其离散模型的递推方程,将热传导系统的积分区域划分为多段,每段的控制常量作为混合遗传算法中的基因.此算法不需要求解系统的伴随方程和计算梯度,整个求解过程易于实现,而且克服了梯度法容易陷入局部极值的缺点.应用实例证明混合遗传算法求解精度高于极大值原理算法.     

改进的蚂蚁算法求解任务分配问题

将蚂蚁算法用于求解任务分配问题，并提出一种改进算法来提高其全局搜索能力。文中介绍了任务分配问题和蚂蚁算法，给出了求解任务分配问题的蚂蚁算法的数学描述及求解的算法步骤，在此基础上提出求解任务分配问题的改进蚂蚁算法。两个实例验证了改进蚂蚁算法的优越性。     

求解TSP问题的改进蚁群算法

通过引入免疫克隆算子提出1种新的蚁群算法,并应用于TSP问题求解。结果表明：算法具有较好性能。     

求解最优控制问题的微分变换方法

针对无约束最优控制问题,建立求其近似解析解的微分变换法.对哈密顿正则方程组中状态方程、协态方程和控制方程构造基于初值的微分变换形式或基于终端的微分变换形式,将最优性条件化为相应的代数方程,得到最优控制问题的近似解析解.在特定条件下,对结构复杂的非线性最优控制问题,依据插值逼近原理,结合微分变换法,可构建离散型代数方程组得到其近似解析解.利用微分变换法将微分方程初边值问题和泛函优化问题构成的复杂系统化为易于求解的代数方程形式,简单可行,易于实现.最后,通过算例验证方法的有效性.     

求解边界约束最优控制问题的神经网络

提出了一种求解控制变量含有边界约束最优控制问题的神经网络模型(COCNN).该模型将控制系统动态方程的等式约束隐含于神经网络COCNN结构中,克服了动态方程约束所带来的求解优化问题的困难;仅将控制系统的控制变量选为COCNN的状态变量,从而降低了神经网络的维数;利用饱和特性处理边界约束,可以求得最优控制问题的精确最优解;该COCNN无论是在硬件实现,还是在用数字计算机进行软件仿真方面,都特别适合于并行处理,可显著提高问题的求解速度,具有广阔的应用前景。     

改进人工鱼群算法求解TSP问题

针对TSP问题的特点,在经典最近邻点法基础上对其运行方式加以改进,结合基本人工鱼群算法的优势,对基本人工鱼群算法加以改进。利用改进最近邻点法为基本人工鱼群算法构造多个较优初始解,进而改进基本人工鱼群法的觅食行为。改进后的人工鱼群算法能更有效地搜索全局最优解。选取典型的TSP问题实例进行实验仿真,验证该算法的有效性。实验表明,改进后的人工鱼群算法在求解旅行商问题时,比基本人工鱼群算法搜索效果更好,寻优性能更强。     

基于改进模拟退火算法求解TSP问题

对传统模拟退火算法的原理和不足进行分析,针对TSP问题的特点提出了改进的模拟退火算法.就传统模拟退火算法生成新解的随机性太强、参数设置不当不能搜索到全局最优解、容易丢失当前最优解等问题提出了新的初始解选择方案、新解生成机制和当前解的改良及增加记忆功能等方法.实验结果表明,新算法传统的模拟退火算法具有更快的收敛速度和更高的稳定性.     

改进的求解运输问题的P-D算法

在αβ算法的基础上提出了运输问题的一个改进的P-D算法.     

求解蛋白质折叠问题的改进PERM算法

在学习PERM算法的基础上，指出了影响PERM算法效率的关键因素，进而提出了一种改进的PERM算法——IPERM(Improved PERM)．计算结果表明，IPERM的计算效率优于PERM算法，并且远高于基于蒙特卡罗的MSOE算法和基于重要性抽样的SISPER算法．     

基于蚁群算法求解TSP问题的改进

蚁群算法虽然具有鲁棒性和发现较好解的能力,但其搜索时间较长,当规模较大时易陷入局部最优解。本文通过求解TSP问题,对其进行改进。通过在特定情况下对路径进行逐步遍历比较来降低陷入局部最优解的可能性,找出最优解。实验验证结果表明,这种改进蚁群算法对求解TSP问题有较好的效果。     

求解多峰值问题的改进混合遗传算法

由于遗传算法解决问题时容易陷入局部极值点,根据遗传算法全局搜索能力强和模拟退火算法局部搜索能力优的特点,将它们混合使用,同时改进初始群体产生方法,使随机产生的初始群体之间有较明显的差别,能均匀分布在解空间,并采取与进化代数相关的多精英保留策略及改进的自适应选择与变异操作.模拟退火算法的结束条件改进为当连续五代个体与前一代适应值无变化或当前温度小于结束温度.仿真实验表明新算法在求解多峰值问题时改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.     

求解全局优化问题的改进灰狼算法

灰狼算法是一种高效的优化技术,但其在一些问题上存在求解精度不高、收敛速度较慢和易于陷入局部最优的缺点。因此,提出了一种改进的灰狼优化算法（MGWO）。该算法引入了3种改进策略：平衡算法全局搜索性和局部开发性的指数规律收敛因子调整策略、提高算法求解精度的自适应位置更新策略和修订动态权重策略。通过两组在10个基准测试函数上...     

求解一维下料问题的改进混合遗传算法

针对一维下料问题,设计了一种局部搜索方法,并将其与遗传算法结合构造了新的混合遗传算法.大量实验表明,该算法求解一维下料问题是行之有效的.     

利用改进的HBDE算法求解MAX-k-SAT问题

目前,利用进化算法求解组合优化问题已成为智能计算领域中的研究热点。本文基于二进制差分演化算法和动态变邻域搜索相结合提出了一种求解最大可满足问题(MAX-k-SAT)的改进算法(记为IBDE),通过与遗传算法和Johnson算法对一系列随机大规模MAX-k-SAT实例的求解比较表明:IBDE是一种求解MAX-k-SAT问题非常有效的新方法。     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

求解离散双线性系统最优控制的两级算法

讨论了具有二次型目标函数的离散双线性系统的最优控制问题，提出了一种两级最优控制算法，并证明了该算法的收敛性。该算法首先把非线性问题转化为一系列线性子问题，然后利用动态规划求解此线性子问题。仿真结果表明该算法是有效的。     

改进蚁群算法求解单行设施布局问题

针对单行设施布局问题已有算法结构复杂、对算法参数有较大依赖性、求解效果欠佳的问题, 提出一种改进的蚁群算法。该算法采用基于目标函数值的自适应等级划分策略, 实现了信息素增量优胜劣汰、改进信息素的更新规则。通过简化状态转移概率函数, 降低计算量和算法对参数的依赖性, 引入精英候选集, 提高优良设备的选择概率。同时, 采用基于插入式邻域结构的爬山寻优算法作为局部搜索进行深度搜索。仿真结果表明, 求解28 个大规模的测试例子时, 该算法总的平均运行时间分别为混合遗传算法的14%, Lin-Kernighan 算法的5%, 分散搜索算法的50%, 说明该算法可在短时间内较稳定地得到高质量的近优解, 性能优越于其他算法。     

改进蚁群算法求解多目标优化问题

针对传统蚁群算法在多目标优化问题中容易陷入局部最优的缺点,提出一种采用直接学习机制的改进蚁群算法。该算法通过采用模拟蚂蚁用触角交流信息过程的直接通信学习机制,用以改进信息素的更新规则,从而维持群体的多样性。通过两组多目标基准函数验证算法性能,仿真结果表明该算法所获得的Pareto解具有多样性以及均匀分布性,有效地提高了蚁群算法全局寻优的能力。