函数优化的元胞蚂蚁算法

蚂蚁算法是一种源于大自然中生物世界的新的仿生类算法,已在一系列困难的组合优化问题求解中取得了成效;元胞自动机作为一种离散的动态模型在大规模的仿真计算能力方面为研究系统的行为提供了有效的虚拟实验室.基于蚂蚁算法和元胞自动机的原理,提出了一种元胞蚂蚁算法及其数学描述,可用于求解连续系统的优化问题.算法在MATLAB环境下实现,并对一些难题实例进行了验证和测试,获得了较好的效果.     

元胞蚂蚁算法的收敛性

蚁群优化算法是一种新型的解决组合优化问题的仿真型算法,在许多领域中都已获得成功的应用,但却有容易陷入局部最优的缺陷.本文将元胞自动机思想引入到蚂蚁算法中,提出一种新的元胞蚂蚁算法,通过算法的元胞演化机制对信息素的二次分配,改善了对解空间的搜索性能,并从理论上证明了算法的渐近收敛性.     

若干扩展TSP的元胞蚂蚁算法

给出一种通用组合优化算法--元胞蚂蚁算法,并将其应用于一些扩展TSP问题(包括瓶颈TSP、最小比率TSP、时间约束TSP等)的求解.经过数据测试和验证,获得了较好的结果.     

非线性0-1规划的元胞蚁群算法

基于元胞自动机原理和蚁群优化算法,提出一种求解非线性0-1规划问题的元胞蚁群优化算法。该算法将元胞的演化规则和蚁群的信息素更新规则相结合,利用元胞及其邻居增强搜索过程的多样性,提高蚁群的全局优化能力。经实验和与其他算法比较,表明该算法可行有效,有良好的全局优化能力。     

基于佳点集的约束优化进化算法

结合数论中佳点集理论和多目标优化技术,提出了一种求解约束优化问题的新算法.该算法首先把约束优化问题转化为两个目标的多目标优化问题;接着结合佳点集理论重新设计了交叉算子,新的交叉算子能够生成具有代表性的子代个体以更好地搜索空间;采用BGA变异算子增加子代个体的多样性;最后根据当前子代群体的进化信息,利用联赛选择算子或Pareto优超关系选择优胜个体进入下代群体,通过4个标准测试函数验证了算法的有效性.     

一种有时间约束的多车辆协作路径模型及算法

分析了有时间约束的基于多车辆协作的随机路径问题。提出了问题的随机规划期望值模型。设计了问题中的两车辆协作的随机路径问题的遗传算法，在遗传算法中采用时间惩罚过滤算子优化了初始种群，提高了收敛速度。给出了算法的应用示例。表明了模型和算法是多车辆协作随机路径问题的一种有效算法。为研究多车辆协作的随机路径问题提供了新的理论和方法。     

基于蚂蚁元胞自动机的地铁通道双向行、流仿真

通过对北京市地铁通道内行人走行特性的观测,分析了对向行人具有右侧行走、跟随行走、右侧避让对向行人、对后方信息缺乏关注、与对向行人的位置互换以及行人趋于选择最短路径等行为特性及交通特性.结合蚂蚁在走过的路径上留有信息素的思想,提出了反映双向行人走行特性的元胞自动机更新规则,建立了基于蚂蚁算法的元胞自动机模型,并研究了信息素挥发系数对仿真结果的影响.仿真实例表明,该模型能有效显现双向通道内的行人走行特性.     

基于离散微粒群优化的物流配送车辆路径问题

提出一种求解物流配送车辆路径问题的离散微粒群优化算法。通过引入随机交换序、PMX算子使微粒群优化算法能够求解车辆路径问题这类离散组合优化问题。设计了求解车辆路径问题一种新的整数编码方案，并采用罚函数法处理约束条件。计算结果表明，该算法是解决车辆路径问题的有效方法。     

自调整非线性遗传算法

通过对简单遗传算法的理论分析，得出了复制、杂交、变异等算子的每次作用均相当于对所作用的个体进行一次线性变换。因此，通过对传统遗传算子进行修改，作者提出了非线性遗传算法。本文发现规范化操作对算法的计算效率有很大的影响，并且给出各遗传算子的一种等价线性表示。因此，如果针对不同的优化问题动态的进行规范化操作及遗传算子的选择，将会大大提高算法的效率。本文提出一种新的自调整非线性遗传算法(Self—Ajusting Nonlinear Genetic Algorithm,SANGA)，该算法通过规范化操作的动态选择，结合简单的遗传算子，对算法的效率有很大的提高。仿真结果表明该算法的有效性。     

机车二系弹簧载荷调整混合算法优化方法

针对机车二系弹簧支承载荷均匀性分配调整的复杂多变量优化问题，提出了综合运用遗传算法（GA）和蚂蚁算法（AA）的混合优化调整算法模型。该算法模型首先采用GA进行全局快速随机搜索，获得若干候选的近似优化解，以此生成蚂蚁算法初始信息素分布，再用AA求得全局优化精确解。论文给出了混合算法模型的设计。对SS3b和SS9机车的仿真计算结果表明，该方法应用于二系调簧的多维连续性空间优化问题，可获求解性能和时间效率的综合提高。     

求解双目立体视觉的迭代多群体蚁群算法

作为典型的NP问题,双目立体视觉中的匹配一直是研究的热点。提出一种适于求解立体匹配问题的并行、迭代、基于信息反馈的多群体蚁群算法。该算法中子群体完成每个扫描行对应的子优化问题;协调者收集并分析所有子群体的结果,通过投票决定可能匹配的边缘,进而把这种信息转换成信息素传播给子群体,如此迭代直到优化结束。还讨论了双目立体匹配过程中的约束问题,并给出算法的收敛性证明和仿真实验。     

一种求解约束优化问题的连续域蚁群算法

借鉴蚁群优化算法和粒子群优化算法的思想,提出了一种用于求解约束优化问题的连续域蚁群算法.将搜索域中的任意一点看成食物源,使用多组蚁群进行寻优,每一组蚁群代表问题的一个解,在每一迭代中首先在所有蚁群中选则一组种子蚁群,然后在该组蚁群的信息素密度分布函数下进行采样,生成子代蚁群,最后进行蚁群选择,从而使各组蚁群不断向适应度值较高的搜索区域移动,最终收敛到最优解.对基准测试函数G01-G12的求解结果表明,该方法具有较快的收敛速度和较好的全局寻优能力.     

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ACO算法和Bezier曲线优化的巡航导弹航路规划

在巡航导弹低空突防前提下,针对蚁群算法规划的导弹航路存在转向点个数较多和转向角度较大的问题,提出一种基于蚁群算法和Bezier曲线优化的三维航路规划方法。将蚁群算法生成的路径节点作为生成Bezier曲线航路的控制点,将曲线航路分段形成折线化航路。采用广度优先搜索算法对航路生成中出现的不可航行路段进行微调处理,得到可行的规划航路。仿真结果表明：生成的航路兼顾了随机搜索全局优化的同时,避免了大角度转向,缩减了飞行航程和转向点个数,保证了巡航导弹飞行过程中的连续稳定。     

基于相位编码的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题, 提出一种适合连续优化的量子蚁群算法. 该方法直接采用量子位的相位对蚂蚁编码. 首先基于信息素强度和可见度构造的选择概率, 选择蚂蚁的前进目标; 然后采用量子旋转门更新描述蚂蚁位置的量子比特, 完成蚂蚁移动; 采用Pauli-Z 门实现蚂蚁的变异增加位置的多样性; 最后根据移动后的新位置完成蚁群信息素强度和可见度的更新. 由于优化过程统一在空间[0,2π]ⁿ 进行, 而与具体问题无关, 因此, 对不同尺度空间的优化问题具有良好的适应性. 以函数极值优化和聚类优化为例, 仿真结果表明该方法的搜索能力和优化效率明显优于普通蚁群算法和标准遗传算法.     

基于创建解动态控制和局部搜索合并的蚁群算法

为了加快蚁群算法的收敛性和改善解的合理性,提出了一种改进的蚁群算法。该算法提出一种基于动态控制的策略,其目的是确保蚂蚁在搜索前期采用最大概率探索解,而在搜索后期,每只蚂蚁都在当前最优解附近搜索解,这在一定程度上提高了算法的收敛性能;其次,为得到更合理的解,对每只蚂蚁的局部搜索解中加入合并机制,这样集成了多个蚂蚁对最优解的搜索性能。实验结果表明:该方法性能优于传统的蚁群算法。     

带有初态学习的指数变增益迭代学习控制

针对一类非线性时变系统在有限时间区间上的轨迹跟踪问题,提出一种新的迭代学习控制算法,该算法对系统的控制输入和初始状态同时采用闭环指数变增益迭代学习律。基于算子理论,对具有任意初始状态的系统,在该迭代学习律作用下的收敛性进行严格证明,同时给出该迭代学习算法收敛的谱半径形式的充分条件。该算法与固定增益的迭代学习控制相比较,不仅加快了收敛速度,而且还解决了指数变增益迭代学习控制要求初始状态严格重复的问题。仿真结果表明了该算法的有效性。     

求解度约束最小生成树的单亲遗传算法

提出了求解度约束最小生成树问题的单亲遗传算法.该算法首先利用Prufer数对生成树进行编码;然后精心地设计了一个随机地产生初始种群的方法,用这种方法产生的初始种群,不会含有任何不可行解;在遗传操作中只使用选择和变异操作,共设计了三种变异操作,其中两种变异操作均不会产生不可行解,只有一种变异操作可能会产生不可行解,需要作树的度的检查和修改;这样就大大的降低了不可行解产生的机会,从而提高了遗传算法的效率;而且只使用变异算子,有效的避免了早熟收敛现象的产生;通过大量的数值试验,表明该算法简单,高效,收敛率高;最后对此算法做了适当推广,并给出了它求解TSP问题的具体步骤和实例。     

具有动态步长和发现概率的布谷鸟搜索算法

为了进一步改善算法搜索过程中存在的求解精度偏低、收敛速度缓慢等现象,提出具有动态步长和发现概率的布谷鸟搜索算法。该算法通过引入步长调整因子动态约束每一代种群的莱维移动步长,使算法的莱维飞行机制具有自适应性。在发现概率上,使用具有均匀分布和F分布特性的随机惯性权重,改变发现概率的固定取值,加强种群的多样性,保持算法全局搜索、局部探索之间的平衡状态。通过实验证明,所提算法具有良好的可行性,其寻优结果、收敛速度均有提高。     

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。