一种求解多处理器作业调度的Hopfield神经网络方法

多处理器作业调度是一类非常复杂的组合优化问题 ,而Hopfield神经网络通常被广泛用于求解各种组合优化问题。针对具有时间约束 (执行时间和最后执行期限 )和若干资源约束的多处理器作业调度问题 (已知是NP难解的 ) ,提出了一种基于离散的Hopfield神经网络的求解新方法。该方法直接把问题的各种约束表示为Hopfield神经网络的能量函数项 ,进而导出神经网络模型。实验仿真结果表明了该方法的有效性。     

用R_ ~n上的神经网络求解有约束预测控制

通过对系统的信号约束,构成有约束广义预测控制问题.并实施一系列的转换步骤,将这一问题化为两个神经网络的求解平衡点问题.理论分析保证了这一求解是有约束预测控制问题的全局最优解.并设计了求解该问题的神经网络电路,使得有约束预测控制的求解能在电路的时间常数级内完成.     

用人工神经网络方法优化安排一类企业的生产日计划

把一类企业的生产日计划优化安排问题归结为解多重约束组合优化问题，并把此组合优化问题分解为主要解多次的高维子集和问题，而对于子集和问题，采用改进的离散反馈神经网络方法进行求解。     

用混沌搜索求解非线性约束优化问题

提出了一种用混沌搜索求解非线性约束优化的新方法 .利用罚函数思想将约束问题无约束化 ,再利用混沌的内在随机性与遍历性进行求解 .算例仿真结果表明 ,算法简单实用 ,性能良好 ,是解决非线性约束优化问题的有效途径 .     

基于细胞膜优化算法的几何约束求解

几何约束问题可以等价为求解非线性方程组问题。约束问题可以转化为一个优化问题。采用基于细胞膜优化算法来求解该问题。受细胞膜物质转运方式的启发,把物质分为三种:脂溶性物质、高浓度非脂溶性物质和低浓度非脂溶性物质。从中提取出优化模型,使用细胞膜优化算法(CMO)来求解几何约束问题。实验表明,该方法可以提高几何约束求解的效率和收敛性。     

最大熵DFP算法及其在水环境优化问题中的应用

为了提高求解约束优化问题的精度,将最大熵原理与DFP无约束优化方法相结合,将复杂的带约束的优化问题转化成无约束优化问题,建立了求解约束水环境优化问题的最大熵DFP算法(MEDFP).MEDFP算法不仅可以得到最优解,而且由收敛极小点处的Lagrange乘子可判断约束对该点的松紧程度.数值分析和在水环境优化问题中的应用结果表明,该算法精度高、收敛快、实用性强,好于模糊非线性规划方法,随机优化方法、模式搜索方法和LINGO方法,是处理带约束水环境优化问题的一种有效方法.     

基于ε-约束方法的增广Lagrangian多目标协同进化算法

介绍了一种利用协同进化算法求解多目标优化问题的算法。这种算法首先采用ε- 约束方法对多目标优化问题进行处理 ,使其转化为一个单目标带约束的优化问题 ;然后 ,采用增广Lagrangian方法把这个单目标约束优化问题转化成一个存在鞍点的二人零和博弈问题 ;最后 ,利用协同进化的思想 ,用两个种群分别表示目标函数和约束这两个局中人 ,对这个二人零和博弈问题求解。进化过程中的选择、重组和变异算子均采用简单遗传算法(SGA)的机制。通过对两个实验测试问题的研究可以看出 ,这种算法比其它同类进化算法所得的结果要精确、稳定。     

一种新的进化规划算法及其应用研究

可靠性是复杂系统设计中的一个重要问题 ,受到多种条件的约束。提高系统可靠度的两种常用方法是 :提高系统组成元件的可靠度 ;增加系统的冗余度。该类问题常常用复杂的约束优化问题描述 ,研究这类问题的快速有效的求解方法具有重要意义。提出了一种求解此类问题的新型进化规划算法。大量仿真实例验证了该方法的有效性。     

采用非固定多段映射罚函数的非线性约束优化差分进化算法

采用非固定多段映射罚函数法处理问题的约束条件,提出了一种用改进差分进化算法求解非线性约束优化问题的新方法.结合差分进化算法两种不同变异方式的特点,引入模拟退火策略,使算法在搜索的初始阶段有较强的全局搜索能力,而在后阶段有较强的局部搜索能力,以提高算法的全局收敛性和收敛速率.用几个典型Benchmarks函数进行了测试,实验结果表明,该方法全局搜索能力强,鲁棒性好,精度高,收敛速度快,是一种求解非线性约束优化问题的有效方法.     

针对机动目标的三维实时滚动优化制导策略

为解决目标机动策略未知条件下的飞行器拦截问题, 提出一种基于神经网络的三维滚动优化制导策略。首先, 针对全局最优导引律终端时刻难以确定的问题, 在滚动时域优化框架下, 引入零效脱靶量设计局部最优导引律, 并使用粒子群优化算法进行求解。其次, 为了提高制导律在线求解效率, 构建神经网络, 对优化算法滚动求解得到的若干组制导训练数据进行离线学习, 并将经过训练的网络用于制导指令在线滚动优化。仿真结果表明, 神经网络-滚动优化制导策略对采取各类机动方式的目标均具有较好的制导性能, 有效提高了制导指令在线优化效率, 可以为飞行器制导律实时滚动求解提供参考。     

关于工程系统全局全寿命优化模型的讨论

以往的优化设计理论针对的都是具体的结构,而在工程实际中,一般都是整个工程大系统的优化设计问题,其由众多子系统或者结构组成,具有高维数、多目标、变量种类多、约束耦合复杂等难点,故其子系统的独立优化并不能带来整个大系统的优化方法,如耦合法、分解协调法(模型协调法、目标协调法),都是针对特殊的数学模型而提出的,实际上工程系统的优化模型往往预先不知道,需要通过子系统或者结构的具体优化模型来构造大系统的全局优化模型,故这些方法难以应用。考虑了工程系统中的动态可靠度与模糊因素,给出了全局全寿命优化模型,构造了分解协调算法。     

稀疏轨道信息下的非合作飞行器机动识别方法

在已知信息为稀疏轨道根数情况下,针对非合作飞行器的机动参数识别问题进行了研究,提出一种基于轨道反演的机动参数识别方法及相应的求解算法。首先,建立轨道反演模型及机动参数识别优化模型。然后,提出一种“全局寻优+局部修正”的双重优化算法。最后,对提出的机动参数识别方法进行了仿真校验。结果显示,双重优化方法能够有效求解本文的优化模型,所提方法在误差允许范围内能够有效识别机动参数。研究为有限信息下的非合作飞行器的机动识别提供了一种思路,一定程度上保障了空间飞行器的在轨安全。     

改进的Pareto多目标协同优化策略

为了提高标准协同优化的收敛性并扩展其多目标优化能力,将Pareto多目标遗传算法用于协同优化的系统级优化,提出了一种改进的Pareto多目标协同优化策略（enhanced collaborative optimization using Pareto multi-objective genetic algorithm, ECO-PMGA）。为了保证非劣解集的Pareto最优性与均布性,提出了一种考虑拥挤度的非劣解逐级排序方法。ECO-PMGA采用2-范数形式的学科间一致性约束以提高学科级优化的效率。通过两个典型的优化算例对ECO-PMGA的数值稳定性与搜索Pareto非劣解集的能力进行了检验。研究结果表明,ECO-PMGA的收敛性与数值稳定性得以显著提高,而且ECO-PMGA具有良好的Pareto多目标优化能力。因此,ECO-PMGA在复杂耦合系统的多目标优化设计方面具有较高的实用价值。     

基于混合粒子群算法和快速非均匀平面波算法的介质目标反演

提出了一种重构介质目标的新方法--混合粒子群算法,研究了几何形状已知的介质目标介电参数反演、均匀介质柱的外形轮廓反演及外形轮廓与介电参数均未知时的介质目标反演三类问题。利用快速非均匀平面波算法加速矩量法求解介质目标的雷达散射截面,以介质柱体的散射场的实际测量值与迭代计算值的偏差作为目标函数,通过单纯形法和伪群交叉算法混合的粒子群算法对优化变量进行优化,使目标函数达到最小值来对介质目标的介电特性进行电磁成像。仿真结果表明：混合粒子群算法简单、通用,在反演过程中不用加入正则化处理以确保数值稳定性,比简单遗传算法具有更好收敛性能、更高的成像精度和抗随机噪声干扰的能力。     

网状被动传感器系统优化设计

结合网状被动传感器系统建设的需要,提出了网状被动传感器系统优化设计模型,依据优化设计模型提出了基于误差方差Cramer-Rao下界的优化设计算法。探讨了优化过程中指标集、目标集的确定方法,最后通过仿真计算分析了三种配置结构的性能。     

自适应协同优化方法研究

针对一致性约束条件造成协同优化方法计算困难的问题,研究提出了一种自适应协同优化方法.首先将设计变量空间划分为三类区域,分析了每个区域内一致性约束松弛量与系统可行域和学科一致性的关系,并在此基础上提出了三种一致性约束松弛量的确定方法.然后基于上述方法,给出了自适应协同优化的算法流程,对比分析了相对于标准协同优化算法流程的改进之处.最后采用自适应协同优化方法对两个典型MDO算例进行优化,证明了该方法具有较好的鲁棒性和收敛速度.     

多重不确定因素影响下的高端装备研制任务流程优化

基于设计结构矩阵对高端装备研制任务进行仿真建模,采用蒙特卡罗方法模拟研制任务执行过程,用以估算其工期、成本、失败率等参数.将研制任务仿真嵌入到多目标优化算法中,对每个个体对应的研制任务流程进行多次仿真,以仿真输出的平均工期、成本、失败率等作为适应度评价指标,基于NSGA-III构造多目标优化算法,求解其Pareto最优解集.对每个Pareto最优解对应的研制任务流程进行更多次的仿真,在此基础上对各个研制任务流程进行深入分析、评价.最后,以某无人机研制任务为例进行应用研究,并把本文的优化结果与文献中的数据进行比较,检验了本文方法的有效性和优越性.     

A Non-Convex Optimization Approach to Dynamic Coverage Problem of Multi-agent Systems in an Environment with Obstacles

In this paper, a cooperative region reconnaissance problem is investigated where a group of agents are required to fly across and detect events occur in an environment with static obstacles until an effective coverage is achieved. First, the region reconnaissance is formulated as a non-convex optimization problem. A coverage performance index with additional collision and obstacle avoidance constraints is given. Since the optimization index is an implicit function of state variables and cannot be used to compute gradients on state variables directly, an approximate optimization index is selected.Then, a non-convex optimization-based coverage algorithm is proposed to find the optimal reconnaissance location for each agent and guarantee no collisions trajectories among agents and obstacles.Finally, simulation experiments are performed to verify the effectiveness of the proposed approach.     

多邻域改进粒子群算法

为了改进标准粒子群算法的性能,提出了多邻域改进粒子群算法。算法提出了一种较为简单的多邻域拓扑方案,对速度惯性权重的更新策略进行了改进,引入了速度和搜索区间限制算法。经过对经典测试函数的计算测试,算法表现出良好的复杂问题求解能力。最后,针对多目标优化问题,给出了多目标应用在粒子群算法中的处理方法,并对经典的5维优化和Golinski 减速器设计问题进行了求解,通过数据比对,证明了算法性能远优于现有的一些算法。     

基于动态进化算法的多阶段备件供应优化决策

由于实际备件保障工作中备件需求以间歇性需求为主,备件供应通常为多阶段的动态优化。针对以上问题,构建了多阶段备件供应数学模型。为求解动态优化模型,提出了一种元启发式动态进化算法。首先,在经典差分进化算法中增加了环境变化检测算子和环境变化响应策略,使得差分进化算法能够解决环境变化的动态优化问题。其次,提出了自适应莱维飞行策略,使得算法在环境发生变化时仍能保持良好的全局搜索能力和局部寻优能力。算例表明,所提出的动态自适应差分算法能够求得模型的最优可行解,且算法的分布性和收敛性均得到了很大的提升。