仿生优化算法及其在函数优化问题中的应用

仿生优化算法是一类解决函数优化问题的更好方法.本文基于遗传算法、蚁群算法和人工鱼群算法的基本原理,探讨了各种算法在求解函数优化问题中的应用.两个典型函数极值问题的数值实验表明,这三种仿生优化算法在求解函数优化问题中具有良好的优化性能,其中鱼群算法性能最好.     

改进鲸鱼优化算法及其在混流U型装配线平衡问题的应用

为提高鲸鱼优化算法的寻优效果和求解稳定性,通过改进算法的种群初始化、局部搜索、越界处理方法和收敛因子,提出一种改进的鲸鱼优化算法 。 采用基于切割法的均匀设计种群初始化方法,改善算法初始种群的均匀性;通过引入基于NEWUOA算法的局部搜索算子,提高算法的局部搜索能力;在算法的越界处理方面,提出一种基于环形区间和随机波动的方式,降低算法陷入局部最优的可能;引入了非线性收敛因子和自适用权重,均衡算法的局部和全局搜索,并进一步增强搜索的精细度。通过7个单模态、多模态以及固定维度的基准测试函数进行了数值仿真实验,验证了改进的鲸鱼优化算法相较于遗传算法、鲸鱼优化算法以及其他改进的鲸鱼优化算法,在寻优效果和求解稳定性方面具有优越性。 针对混流U型装配线平衡问题,考虑最小化装配线的节拍时间,将改进的鲸鱼优化算法用于问题求解;在解码阶段,设计一种基于阈值的解码方法,优化工序的分配过程;最后计算了21个混流装配线算例,结果表明,改进的鲸鱼优化算法在20个算例中求得了更优解,相较于其它算法,节拍时间平均降低3.02%。     

基于变量分组的大规模多目标优化算法

含有大规模决策变量的多目标优化问题,是当前多目标进化算法领域中的研究难点之一.针对此问题,提出一种基于变量分组的大规模多目标优化算法.该算法的贡献在于两个方面:1)提出一种新的决策变量分组方法,该方法通过随机采样与非支配排序,将决策变量分为收敛性变量和多样性变量; 2)在种群进化过程中,采用levy分布函数产生新个体,同时设计出适应于此分布函数的优化过程.以反向世代距离(inverted generational distance,IGD)作为评价指标,在标准测试集函数上进行实验,实验结果证明该算法在解决大规模多目标优化问题时是有效的.     

基于分层环境选择策略的约束多目标优化算法

针对约束多目标优化问题(CMOPs)难以平衡约束条件和目标函数的不足,提出一种基于分层环境选择策略的约束多目标优化算法(CMOEA-HES).CMOEA-HES首先采用模拟二项式交叉(SBX)和差分进化(DE)算子分别产生各自的子代种群;然后通过第一层环境选择策略从两个子代种群中选出收敛性和多样性较好的个体;接着采用第二层环境选择机制在父代种群和第一层环境选择策略选出的个体中进行选择,在多样性和收敛性的基础上选出可行性较好的个体;最后将选出的个体作为下一代进化的种群．为验证CMOEA-HES的性能,将其与5种先进的约束多目标优化算法在两组典型的测试集上进行仿真计算,实验结果表明：CMOEA-HES在求解约束多目标优化问题上更具有竞争力．     

双种群锥面积差分进化算法求解投资组合问题

投资组合中的均值-方差模型是一个典型的二目标无约束优化问题,其中均值代表期望收益率,方差代表风险;文章将此模型转化为一个单目标的约束优化问题,并采用了一种基于锥面积思想和双种群的差分进化算法(CADE算法)进行求解。CADE算法采用了双种群机制来划分投资组合优化问题中的解集,并将种群中的个体分别划分到不同的锥面积区域中,在优化过程的不同阶段对两个种群分别设计了不同的更新策略进行种群更新以维持种群多样性。其中,不可行子种群采用基于锥面积比较的更新策略,可行子种群在前期采用基于容差排序的更新策略,一定迭代次数后采用基于可行性规则的更新策略。选取了OR-Library的五个公开的标准测试例进行实验,实验数据表明,CADE算法均能求得测试例的理想解,并在求解精度和求解速率上优于CMODE算法和SR算法。     

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.     

一种新型的果蝇优化算法

针对维数较高的单目标非约束函数优化问题,探讨一种易于应用的新型果蝇优化算法。算法设计中,优质种群经由局部变异增强探测能力;中等种群经由优质种群有引导性地实现个体转移;劣质种群经由均匀变异展开多方位搜寻多样个体。比较性的数值实验显示,该算法求解偏高维函数优化问题具有一定的优势。     

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.     

融合三维螺旋运动和混合反向学习策略的改进鹈鹕优化算法

针对鹈鹕优化算法收敛速度较慢、初始化过程随机产生初始种群导致种群多样性差,在后期易陷入局部最优等问题,提出了一种融合三维螺旋飞行和混合反向学习策略的鹈鹕优化算法。首先使用Gauss映射初始化种群,提高种群多样性;其次利用三维螺旋飞行和混合最优最差反向学习策略,加强算法跳出局部最优的能力;最后,引入自适应平衡因子与自适应步长,提出鹈鹕坠落策略,以模拟捕食过程中群体的微小变化。最后,通过12个基准函数和实际案例对IPOA进行测试,并与8个仿生算法进行对比,测试结果与Wilcoxon 符号秩和检验结果均表明IPOA收敛精度与稳定性等各项性能都有所提升,具有明显优势。     

一种改进的类电磁机制算法

分析了类电磁机制算法的优化机理,改造了带电粒子受力的计算公式,引入了移动系数,从而提出了一种改进的类电磁机制算法．实验证明,改进后的算法加快了收敛速度,提高了求解精度．尤其在求解高维函数优化问题中,改进后的算法优势表现得更加明显,从而使类电磁机制算法很好地解决了高维函数优化问题．     

新型灰狼优化算法在函数优化中的应用

针对灰狼优化算法在求解连续函数优化问题时精度不高、易出现早熟收敛等缺陷,提出一种改进的灰狼优化算法.该算法在初始种群个体时采用混沌序列方法,为算法全局搜索的多样性奠定基础.根据个体适应度值将种群分为两个子种群,分别执行不同的搜索方式,以平衡算法的开采能力和勘探能力.选取几个标准测试函数对算法性能进行测试,测试结果表明,与其他群智能优化算法相比,该算法在求解精度和收敛速度方面均具有较强的竞争力.     

基于免疫理论的仿生优化算法

提出一种新的仿生优化算法——自适应免疫克隆混合优化算法。介绍了仿生优化算法的基本思想及实现过程。以多峰值函数Camelback寻优为例,通过测试函数的计算结果,以及与基于信息熵的免疫算法和自适应免疫算法的仿真实验对比,证明了该算法对多峰值函数寻优的有效性,既可以大大减少计算量,又能改善种群的多样性,可快速达到全局最优,在优化领域具有广阔的应用前景。     

基因算法在求解非光滑优化问题中的应用 (三峡地区资源环境生态研究)

本文考虑了基因算法在求解非光滑优化问题中的应用。非光滑优化方法致力于求解目标函数为连续不可微函数的数学规划问题。因为目标函数的不可微性,传统的以梯度为基础的确定性算法在求解非光滑问题时会遇到障碍,所以运用不需要梯度信息而只需要目标函数值信息的遗传算法来求解非光滑问题是一个不错的选择。遗传算法是基于自然界生物遗传变异过程而设计的一种优化算法,它首先对问题的可行解进行编码,编码方法有0-1编码,格雷编码和实数编码,然后运用交叉算子,变异算子和选择算子产生下一代种群。当种群迭代达到一定的次数后,种群中的最优染色体就会收敛到原问题的最优解。本文设计的基因算法基于实数编码,算子分别采用算术交叉算子,非一致变异算子,最佳选择算子。     

基于莱维飞行和布朗运动的鲸鱼优化算法

针对鲸鱼优化算法存在的求解精度不高、收敛速度较慢和易陷入局部最优等缺点，设计了一种基于莱维飞行和布朗运动的鲸鱼优化算法.先利用莱维飞行方法对鲸鱼种群进行初始化，以增加初始种群的多样性；再根据布朗运动原理对鲸鱼种群的位置更新进行随机扰动，以避免算法提前陷入局部最优.将改进的鲸鱼优化算法与鲸鱼优化算法、粒子群优化算法、遗传算法和蚁群优化算法在7个不同的基准测试函数上进行对比测试，结果表明，改进的鲸鱼优化算法在求解精度、收敛速度方面均优于其他4种算法.对初始化阶段采用莱维飞行策略的改进鲸鱼优化算法与采用随机搜索策略的鲸鱼优化算法的初始解探索范围进行仿真对比实验，结果表明，改进鲸鱼优化算法一定程度上可以避免陷入局部最优.     

基于动力学演化算法的云任务与虚拟机分配策略研究

建立了云任务和虚拟机分配的数学模型,并将其转换成一个组合优化问题,利用改进的演化算法进行求解.算法中设计了两种编码方案,并根据这两种编码表示设计了杂交和变异算子,并引入了动力学选择机制让种群中的个体都有机会参与演化.采用了两组实验数据进行测试,并和随机分配算法、顺序分配算法以及贪心分配算法进行比较.实验结果表明该演化算法获得的结果最优.     

基于遗传算法的柔性车间调度优化

针对传统作业车间调度问题有加工设备功能单一、加工工序对应设备固定的特点,提出了一种新型混合改进的遗传算法进行求解优化。首先,采用一种新的编码思想构建双层染色体编码结构,强化初始种群质量,提高种群的多样性;并给出了相应的选择操作设计,交叉操作采用单段交叉、两段交叉和三段交叉机制,改善算法全局搜索能力,变异操作引入了种群分割的思想,按照适应度将种群分割成两部分,并赋予不同的变异概率,实行两种变异机制,以提高算法的局部搜索能力;添加了新的检查操作以增强优化过程的可行性。最后采用MATLAB编程,通过一个6个工件,每工件6道工序的应用实例进行测试,验证了该方法切实可行,有效。     

基于多种群遗传算法的装配线平衡问题研究

产品在制造过程中,装配作业成本大约占制造成本的30%,装配线平衡问题是影响装配作业效率的关键因素。在装配线平衡研究中,提出在固定作业工位下求解装配线平衡的问题,建立了以生产节拍和工位负荷均衡为目标的装配线平衡优化模型,采用多种群遗传算法对固定工位下装配线的生产节拍、工序分配、工位负荷均衡、装配线平衡率进行求解,并基于MATLAB环境实现了多种群遗传算法的编码和求解。最后通过实例求解,验证了模型和算法的可行性。结果分析表明:装配线平衡问题得到了较明显的改善。     

一种有效的多峰优化鸟群算法

针对鸟群算法(BSA) 在处理多峰优化问题时容易出现陷入局部极值的问题,提出了一种有效的多峰优化鸟群算法(MOBSA) ,通过对仿生过程即鸟类身份的分类策略进行调整, 并将应用于初始位置生成和飞行位置更新的莱维飞行引入到鸟群算法中,从而有效地提高了鸟群算法的仿生智能性．以标准鸟群算法和粒子群算法作为对比,在 6 个优化函数的 30 维上进行了仿真对比实验．实验结果表明: 多峰优化鸟群算法在单峰函数上能有效地提高优化精度,在多峰函数上也能跳出部分极值,得到比鸟群算法更好的优化结果,是一种有效的改进鸟群算法．     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

求解约束优化问题的动态多种群粒子群算法

为有效求解带有约束条件的优化问题,提出一种动态多种群粒子群算法。采用动态多种群策略和广泛学习策略来提升种群的多样性, 并根据人类社会“人尽其才”的思想, 为每个子群指派成员, 以发挥每个粒子的最大效用。采用动态变异策略, 对全局最优粒子(Gbest)进行变异操作以提升算法跳出局部最优解的能力。在基准函数的测试结果中显示DMCPSO获得了较高的求解精度。