运用ADE算法进行Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.首先利用DE算法对Wiener模型参数进行辨识,分析了算法中变异率F对辨识过程中的全局并行搜索能力和收敛速度的影响;其次运用一种自适应变异差分进化算法(ADE)进行Wiener模型参数辨识,该算法在初期变异率较高,种群具有多样性,避免过早收敛于局部最优解;在进化过程中,变异率逐渐变小,优良个体得以保留,避免最优解遭到破坏.运用ADE算法对Wiener模型的数值仿真结果表明了ADE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.与一般的DE算法相比较,ADE算法辨识到全局最优解的精度和概率有较大提高,对算法参数的敏感性降低.     

一种非一致性的自适应遗传算法与应用

在排序操作的自适应遗传算法的基础上，建立了一种非一致性自适应遗传算法。这种算法运用非一致性自适应算子确定变异量，使演化系统根据演化进度有解的质量，自适应地去调整搜索区域，使得算法的全局搜索效率得到明显提高，实例仿真表明了该算法的有效性。     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

改进二进制编码变异策略研究

由于是一种随机优化方法，标准遗传算法存在着一些不足之处，如局部搜索能力差，寻优精度不高，存在早熟收敛等。为了解决这些问题，提出了一种基于二进制编码基因住的变异策略，对编码串中的各个基因住赋予不同的变异率：在进化初期，赋予个体的高位基因以较大的杂交率，这样可以搜索到更大的解空间，提高算法的全局搜索能力；在进化后期已逼近最优解时，降低高住基因的变异率，减小较优个体被破坏的概率，同时提高低位基因的变异率，增强算法在局部范围的搜索能力。优化实例仿真结果表明，同标准遗传算法相比，改进算法具有寻优精度高，稳定性好，收敛性强等优点。     

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。     

双尺度变异离散粒子群算法求解背包问题

针对传统离散粒子群算法求解背包问题早熟收敛、精度低等缺点提出一种解决背包问题的双尺度变异离散粒子群算法.利用对当前最优解进行双尺度速度变异,可以实现提高算法局部最优解搜索能力的同时,保持算法的全局搜索能力和逃出局部极值的能力.在算法初期利用粗尺度速度变异可使粒子快速定位到最优解区域,算法后期则通过逐渐减小的细尺度变异可提高算法最优解的精度.粒子位置初始化过程中,把采用贫心策略所得的结果作为一个粒子的初始位置.将改进算法与其他算法比较证明该算法不仅能够有效解决其他算法搜索能力差的问题,同时还提高了最优解的精度和收敛速度.     

一种有效的参数估计方法在预缩聚反应中应用

采用改进的遗传算法解决复杂聚合反应模型的参数估计问题.算法采用排序选择、多点交叉和变异优选策略,有效地提高遗传算法的搜索性能,避免了序贯优化方法有可能存在局部极值的问题.根据文献数据,仿真结果表明,该算法在参数估计中,具有参数搜索范围大、收敛速度快和精度高等特点,它能够有效地解决非线性参数估计问题.     

环境变异免疫克隆算法解决有约束优化问题

为了克服免疫克隆算法搜索效率低、无法直接对进化经验学习等缺点，设计了环境变异免疫兑隆算法，在普通免疫克隆算法中引入环境变异算子，通过环境变量积累进化过程中的经验，使算法具备了一定的学习能力；重新设计了代价函数，采用一种新颖的罚函数排序形式来处理由于约束条件造成的解集空闽不连续问题，进而提高了算法的搜索效率及稳定性．通过对13个常用有约束优化问题测试函数的仿真实验，表明了环境变异免疫克隆算法在有约束优化问题上具有很好的性能。     

冲击噪声背景下宽频段信号三维参数的估计

提出了一种基于协变异矩阵的宽频段信号频率和二维到达角联合估计的算法。在冲击噪声环境下,该算法能精确地估计宽频段信号的三维参数,无需多维谱峰搜索和参数配对过程。另外,利用L型阵列的分维特点和ESPRIT算法进一步处理,成功地实现了具有频率兼并现象的宽频段信号的三维参数估计。计算机仿真结果验证了算法的有效性。     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

一种改进的原子搜索算法

原子搜索算法(atom search algorithm,ASO)是模仿自然界中原子运动而提出的一种新型优化算法,针对ASO在求解复杂函数时存在易早熟及收敛速度慢的问题,提出了一种改进ASO算法(improved atomic search algorithm,IASO)。IASO加入了原子个体历史最优解产生的约束力来修正ASO的加速度,增强全局搜索能力。自适应更新2个乘数系数来协调算法的全局搜索和局部开发能力。适时采用高斯变异策略来重新更新原子位置,提高跳出早熟的能力。对14个基准函数进行仿真实验,对比其他算法,IASO在收敛速度、收敛精度方面表现出优越的性能。     

Improved Evolutionary Programming Algorithm and Its Application Research on the Optimization of Ordering Plan

Evolutionary programming (EP) with Gauss mutation operator has premature convergence. The main reason is that mutation value produced by Gauss mutation operator is so small that every variable in individual and individual itself may not be mutation. This research improved EP algorithm in three aspects of mutation operator, computation of individual opponent value, and search space. First, Gauss mutation operator is replaced with the improved discrete cosine-transformation operator which can produce a large value of mutation. Application of the formula of dynamic and proportional mutation can adjust every component value dynamically in individual, and the strategy of multiindividual competition enlarges the number of searches greatly within the solution space. Second, a model of complicate ordering business is proposed. Finally, the ordering plan is optimized by using the improved EP algorithm, EP with Gauss mutation operator and random mutation operator in Matlab. The result of simulated experiment shows that precision of the solution using the improved algorithm is demonstrated better than other algorithms. As a result, the improved algorithm has effectively solved the problem of premature convergence.     

基于并行云变异蛙跳算法的梯级水库优化调度研究

本文针对混合蛙跳算法(shuffled frog leaping algorithm,SFLA)早熟收敛的问题,将云模型算法融合于SFLA算法中,形成一种云变异蛙跳算法(normal cloud mutation SFLA,NCM-SFLA),弥补混合蛙跳算法后期容易陷入局部最优的不足.同时利用算法易于并行的特点,在多核环境下基于.NET4的并行拓展库(parallel extensions)进行算法的并行优化.将其应用于梯级水库优化调度中,实例计算表明,与多维动态规划算法(MDP)相比,NCM-SFLA方法具有更好的全局寻优能力和较快的收敛速度,在现有的计算条件下该并行算法能有效缩短程序运行时间,求解梯级水库优化调度问题是合理、有效的.     

面向多目标的自适应动态概率粒子群优化算法

将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexibleiob shop scheduling problem,FJSP),提出一种新算法.算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力.然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法.此外,在算法中还引入了一种自适应的变异算子来增强解的多样性.最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法.     

基于全局最优和差分变异的头脑风暴优化算法

针对头脑风暴优化(brain storm optimization,BSO)算法的选择操作中仅部分个体更新追随全局最优和变异操作中步长不能自适应的问题,采用追随全局最优策略以充分利用全局最优信息,并用差分变异代替原来的高斯变异以自适应调节变异步长,提出了基于全局最优和差分变异的BSO (global-best diff...     

遗传算法在离散变量优化问题中的应用研究

针对实际应用中大量存在的离散变量优化设计问题,研究了利用一般连续变量方法进行离散变量优化设计的不足。结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。基于线性搜索思想提出离散引导算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优。通过对两个实际离散变量优化设计问题的应用研究,验证了本方法解决离散变量优化设计问题的有效性。     

基于改进螺旋更新位置模型的鲸鱼优化算法

针对鲸鱼算法后期种群的多样性丢失问题,通过螺旋更新位置模型的改进并结合对立学习策略、随机调整参数、正态变异操作等已有方法改进鲸鱼优化算法.采用对立学习策略对鲸鱼种群初始化,为全局搜索奠定基础;利用随机调整控制参数的策略,避免了算法后期陷入局部最优;正态变异算子与改进螺旋更新位置对鲸鱼种群进行干扰,避免种群后期向某个最优区域靠拢,增大算法的全局搜索能力.选取文献[4]中23个国际标准测试函数,包括单峰、多峰以及固定维数函数,对改进的算法进行低维测试;选取文献[12]中的25个单峰和多峰国际标准测试函数,对改进的算法进行高维测试.结果表明,IMWOA算法在收敛精度、收敛速度上均明显优于原WOA算法且具有普遍适用性、稳定性和解决超大规模优化问题的能力.     

求解大规模优化问题的改进鲸鱼优化算法

提出一种基于非线性收敛因子的改进鲸鱼优化算法(简记为IWOA)用于求解大规模复杂优化问题.为算法全局搜索奠定基础,在搜索空间中利用对立学习策略进行初始化鲸鱼个体位置;设计一种随进化迭代次数非线性变化的收敛因子更新公式以协调WOA算法的探索和开发能力;对当前最优鲸鱼个体执行多样性变异操作以减少算法陷入局部最优的概率.选取15个大规模(200维、500维和1000维)标准测试函数进行数值实验,结果表明,IWOA在求解精度和收敛速度方面明显优于其他对比算法.