基于改进MOGOA的无人机群航迹规划研究

针对电子侦察系统中反辐射无人机群进行辐射源无源定位时机群的编队形式会对定位精度产生影响的问题,将克拉美-罗界(Cramer-Rao lower bound,CRLB)作为定位精度方面的优化目标,与其他优化目标、约束一起引入机群的航迹规划中,使无人机群运动过程中保持良好编队,确保无源定位精度.文中针对多优化目标复杂环境中航迹规划算法寻优能力不高的问题,提出了一种基于改进多目标蝗虫算法(IMOGOA)的无人机群3维航迹规划方法,通过对MOGOA的选择方式、收敛参数进行改进从而提高算法的收敛性能以及全局搜索性能.首先,建立无人机群航迹规划的运动学模型,并引入距离约束,除定位精度以外还引入了路程、威胁代价等作为航迹规划的优化目标函数,然后,对改进多目标蝗虫算法进行详细说明,最后设计基于IMOGOA的无人机群航迹规划方案的算法流程,并在设定场景中对该算法的性能进行了仿真分析.结果表明,所提出的IMOGOA能够成功地规划出无人机群从初始位置到辐射源位置处的3维航迹,同时使无人机群在运动过程中保持良好的定位精度,经IMOGOA规划的机群编队定位精度最高可达1.2%,性能明显优于正方形编队和随机编队,并通过将IMOGOA与原始蝗虫算法(GOA)、原始多目标蝗虫算法进行对比,结果表明IMOGOA的收敛速度比MOGOA快11.1%,搜索性能相较GOA提升13.8%.     

基于三方竞争机制的反向多目标粒子群优化算法

针对传统多目标粒子群优化算法容易早熟的问题,提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSO-TCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化,这能够有效减少维护外部存档时的计算成本.在每次竞争中,MOPSO-TCOL从种群中随机挑选3个粒子进行比较,并基于不同的策略分别进行更新,这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式,部分粒子进行反向学习以避免算法陷入局部最优,其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSO-TCOL算法在多样性和收敛性上具有显著优势,且具有更快的收敛速度.     

精英竞争和综合控制的多目标粒子群算法

目的 多目标粒子群算法虽然极易实现且收敛速度快,但在平衡其收敛性和多样性方面仍需进一步改善。方法 针对上述问题,提出一种精英竞争和综合控制的多目标粒子群算法(ECMOPSO)。一方面,算法采用全局损害选择精英粒子集,然后将两两竞争引入多目标粒子群算法中,通过精英竞争选取优胜者粒子,将其与全局领导者融合形成更全面的社会综合信息,以增强种群中粒子之间信息的交互性,更好引导种群中的粒子飞行,提升算法全局探索能力;另一方面,结合全局损害和基于位移密度估计对外部存档进行维护,从而提高外部存档中非劣解的质量,平衡算法的收敛性和多样性。结果 将ECMOPSO算法与4个多目标粒子群算法和4个多目标进化算法在ZDT和UF系列基准测试问题上进行仿真实验,并采用Wilcoxon秩和检验和Friedman秩检验比较ECMOPSO算法与所选对比算法的整体性能。实验结果表明：相比其他几个对比算法,ECMOPSO算法的收敛能力、解的分布性以及稳定性都得到了一定的提升。结论 ECMOPSO算法可以很好地平衡收敛性和多样性,提升其整体性能,能有效求解大多数多目标优化问题。     

改进的多目标混合整数优化算法及其在蒸汽动力系统优化中的应用

为了提高多目标粒子群算法(MOPSO)的收敛性和多样性,以及增加多目标粒子群算法的适用范围,提出了一种ε约束处理混合三点随机Gbest选择多目标粒子群(ε-TMOPSO)算法。采用一种全新的三点随机Gbest选择机制,用粒子与档案集中非支配解的欧氏距离最近、最远以及处于中间位置的3个粒子构建一个备选池,然后随机选择一个粒子作为Gbest,提高算法的收敛性和多样性;采用改进的带松弛阶段ε约束处理机制处理约束条件,在前期允许加入部分优秀的不可行解,提高算法跳出局部最优的能力;融入Sigmoid函数离散变量编码处理机制,使算法能够处理混合整数问题,增加算法的适用范围。通过测试函数仿真,与EM-MOPSO、NSGA2以及SNSGA算法进行对比,结果表明本文算法在收敛性和分布性上有一定的优势。将该算法应用于乙烯装置蒸汽动力系统优化中取得了较好的效果,进一步证明了该算法的有效性。     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...     

多目标非支配邻近免疫粒子群算法

针对PSO算法求解多目标优化问题时易陷入局部最优解的问题,采用非支配邻近免疫算子来对粒子群的外部档案进行维护和变异操作,有效提高了Pareto解的多样性,从而提出一种多目标非支配邻近免疫粒子群算法(NICPSO)。采用动态加权法选择全局最优粒子,提高全局搜索能力;当粒子群趋于早熟时,采用优势邻域认知的个体极值更新策略;同时将学习因子表示为惯性权重的非线性函数,有效提高算法的统一性。通过ZDT1—ZDT4及ZDT6基准测试函数验证,该算法有效的提高了优化解的收敛性和多样性,与其他多目标进化算法和多目标粒子群优化算法相比,具有较好的性能。     

改进MOQPSO算法的多平台多武器火力分配

针对多目标粒子群优化算法在求解火力分配过程中容易陷入局部最优的问题，提出一种改进的多目标量子粒子群优化（Multi Objective Quantum Behaved Particle Swarm Optimization, MOQPSO）算法。通过改进编码方式、修改位置更新公式、引入高斯变异和更新外部档案等方法，使该算法适于求解多平台多武器火力分配多目标优化模型。对规模不同的2个作战想定分别采用改进MOQPSO算法和MOPSO算法进行求解。对多目标优化与单目标优化模型的收敛性能进行了比较。仿真结果表明：改进MOQPSO算法比MOPSO算法运算速度提高6倍左右，所求Pareto解的收敛精度更高、多样性更好，验证了所提算法的有效性和优越性。     

基于改进粒子群算法优化电梯群控系统

给出的粒子群优化算法是一种群智能优化技术,利用群体和个体的智能行为来求解组合优化问题,并将多目标问题分别在粒子的各子种群中以内在并行的方式搜索多个非劣解,同时对各子种群粒子的适应度采用积分排序,较好地解决了电梯群控系统的多目标问题。充分弥补了传统方法解决多目标问题出现的不足。针对不同客流强度进行分析,分别得到不同平均的候梯时间和乘梯时间,结果表明采用此种改进的粒子群算法充分保证了算法的收敛速度和精度。     

一种改进粒子群算法及其在水轮机控制器PID参数优化中的应用

提出一种改进的粒子群优化算法,除了个体极值和全局极值外,改进算法中还引入了粒子群的平均位置.因此,粒子可以获得更多的信息来调整自身的状态.基于3个基准测试函数的测试结果显示改进粒子群优化算法具有较好的全局收敛性和收敛精度.计算机仿真结果表明:改进粒子群优化算法应用于水轮机控制器PID参数的优化设计可以有效地改善水轮机控制系统过渡过程的动态性能.     

一种改进的自适应粒子群优化算法

针对粒子群优化算法中出现对大规模问题搜索失败,分析了粒子群优化算法的收敛性,指出了粒子速度与搜索失败的关系,提出了一种根据速度信息自适应调整参数的粒子群优化算法,该算法在满足收敛性的条件下,搜索过程中粒子根据理想的速度自适应调整参数进行搜索。修改后的算法经过大量测试函数上的模拟实验验证,并与其他算法进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等复杂非线性优化问题时易陷入局部最优和不收敛等搜索失败的问题。     

动态交互作用下的粒子群优化算法收敛性分析

针对粒子群优化(particle swarm optimization,PSO)算法的收敛性分析忽略了最优粒子间的动态交互更新过程的不足,提出运用z变换域方法分析动态交互作用下粒子群优化算法的收敛性,得出了算法的收敛区域,扩展了参数的收敛范围,弱化了参数的收敛条件。测试函数的实验仿真验证了分析结论的正确性,为PSO算法参数选择提供了依据。     

基于混沌-量子粒子群的分簇路由算法

针对粒子群分簇路由优化算法存在的收敛速度慢、 易陷入局部最优等问题, 提出一种混沌-量子粒子群 的双子粒子群分簇路由算法。 该算法以簇头的能量、 簇头与汇聚节点的距离以及与簇内成员节点的距离构造 最优簇头的代价函数, 主粒子群利用混沌粒子群寻优, 辅粒子群利用量子粒子群寻优, 加入量子波动理论, 使 算法具有较好的全局收敛性。 双子粒子群采用收敛速度快的凹函数递减策略优化权重。 仿真结果验证了该算 法可使无线传感网络节点能量消耗均衡化, 显著延长网络生命周期, 与 LEACH(Low-Energy Adaptive Clustering Hierarchy)协议、 PSO-C(Cluster setup using Particle Swarm Optimization algorithm)协议相比生命周期分别延长了 80. 1%和 41. 4%。     

采用群智能算法的多约束问题优化

为了解决约束优化问题,采用一种基于群智能算法优化的多约束问题优化方法.首先构造同时计及约束条件和优化适应度的目标函数,然后分别利用粒子群算法和人工蜂群算法优化其函数,从而获得约束条件下的优化解.仿真结果表明,该多约束问题优化方法是可行性的,人工蜂群算法比粒子群算法具有更好的搜索和收敛能力.     

基于多种群的高维多目标混合进化算法

目的 基于多种群的高维多目标混合进化算法求解高维多目标优化问题.方法 使用K-means聚类将初始种群划分为若干个子种群,引入粒子群优化算法加快种群的收敛速度;引入遗传算法提高解的质量;引入差分进化算法维护种群的多样性.此外,提出基于角度选择的存档机制进行子种群间的信息交流,进一步增加了种群的多样性.结果 与结论 在DTLZ标准测试集函数上进行仿真实验,数值结果表明MaOEA MP在大多数测试实例上具有较好的收敛性与多样性.     

一种自适应改变惯性权重的粒子群算法

针对标准粒子群算法收敛性和收敛速度的问题,分析标准粒子群算法惯性参数对算法性能优化的影响,提出一种自适应改变惯性权重的粒子群算法（ACPSO）。通过对粒子速度和位置变化过程的分析,并结合早熟收敛程度和个体适应值自适应的调整惯性权重,使得算法能在全局收敛性和收敛速度之间找到良好的平衡关系,并且通过典型的函数测试,表明此方法有效的控制了粒子群的多样性,而且具有良好的收敛速度。     

基于粒子群优化算法的寻源导热反问题研究

给出了描述导热问题的数学模型,根据最小二乘法原理建立导热反问题的目标函数,并采用从鸟群捕食行为演化而来的粒子群优化算法对含有热源项的导热反问题进行热源位置的反演求解,同时对粒子群优化算法中惯性系数的取值范围进行了讨论.结果表明:采用粒子群算法反演热源的位置可以取得较好的结果,使用随迭代次数变化的惯性系数可以加快算法的收敛速度.     

多目标车辆路径问题的粒子群优化算法研究

针对粒子群算法(PSO)及其变种在约束多目标等复杂问题优化过程中所遇到的易陷入局部最优和收敛性问题,提出了一种基于动态学习和突变因子的粒子群算法(DSPSO)。首先,通过分析粒子群群体的学习机制,采用动态的学习策略,使粒子自适应动态调整认知成分和社会成分在迭代更新中的权重,以引导自身向最优解的方向探索,有效改善了群体的收敛速度;其次,通过引入阶梯突变因子的概念,使粒子在陷入局部最优时进行试探跳跃,阶梯突变赋予粒子突破更新步长限制的能力,使粒子在当前位置速度矢量方向上的二维空间邻域内进行试探寻优,当发现更优解时则跳出当前局部最优;最后,通过在BenchMark基准函数测试集中典型函数上的实验,证明了DSPSO的求解精度和收敛速度均优于对比算法。在多目标车辆路径问题实例优化中,解的可接受率和成功率分别为0.91和0.66,远优于对比算法中最优解的0.16和0.11,体现了所提改进算法在车辆路径问题中的优越性。     

混沌免疫粒子群优化算法在BP网络训练中的应用

将人工免疫系统中的克隆选择和混沌算法引入粒子群优化算法,提出一种混沌免疫粒子群优化算法.算法的主要特点是利用克隆和混沌变异等操作,提高收敛速度和种群的多样性.结合Iris分类问题,将新算法应用到BP网络的权值优化中,并和基于标准PSO算法的方法和单纯BP网络训练进行比较.实验结果表明,该算法性能优于所比较的两种算法,并且具有良好的收敛性和稳定性.     

多目标最优化的粒子群算法

粒子群算法是一种新出现的进化算法,相对其它进化算法,它收敛速度快、规则简单、易于编程实现.采用粒子群算法对资产投资的多目标问题进行优化,解决了传统方法难以解决的问题.数值实例表明,采用该算法能对资产投资问题做出优化组合决策.     

利用膜粒子群优化和信息熵的医学文本特征选择

针对生物医学文本挖掘中有效特征选择困难的问题,提出了一种新的基于膜粒子群优化和信息熵的文本特征选择方法.该方法以文本信息熵总和为目标函数,以膜系统的层次结构作为框架,以膜系统的消息传递机制作为进化方向,以粒子群优化进化作为进化规则.作为进化规则的粒子群优化算法,分别以局部搜索速率和全局搜索速率搜索得到文本信息熵最大的解,并在不同膜区域之间传递搜索结果,直到膜区域之间的消息传递结束或者达到限定的迭代次数.实验结果表明,利用提出的方法对医学文本特征进行选择后,对其进行分类,能使分类精确度和召回率分别提高2％和3％左右.