基于种群密度的粒子群优化算法

为提高粒子群优化算法的收敛性能,提出了基于种群密度的多子群粒子群优化算法。该算法把生态学中的协同进化思想引入到粒子群优化算法中,充分考虑了环境和子群间相互竞争的关系,通过多种群的Lotka-Volterra竞争方程,动态调整各粒子群的密度,从而提高了粒子的多样性,加快了算法的进化速度。实验仿真结果表明,与单种群的粒子群优化算法相比,该算法提高了收敛速度和收敛精度。     

求解混合变量约束优化问题的改进粒子群算法

针对工程设计中混合变量约束优化问题,提出一种基于模拟退火的粒子群算法。通过引入模拟退火算法,重新生成停止进化粒子的位置,增强了全局搜索能力。鉴于最优解位于可行域边界的特点,结合一种自适应保持群体中不可行解比例的策略,采用个体比较准则处理约束。同时结合混合变量优化问题的特点,通过转换函数,使算法真正在离散空间中进行搜索,保证了解的可行性。仿真结果表明:该算法能够快速准确地找到最优解,具有较好的稳定性。     

人群搜索和樽海鞘群的混合算法优化PID参数

为解决在优化全局时人群搜索优化算法(seeker optimization algorithm,SOA)容易过早收敛的问题,提出了一种新的基于人群搜索和樽海鞘群(salp swarm algorithm,SSA)的SOA-SSA混合算法。基于双种群进化策略,种群中的部分个体由人群搜索优化算法进化,其余个体由樽海鞘群算法进化。SOA和SSA的个体都使用信息共享机制实现协同进化,增加了种群的多样性,避免了算法过早收敛。实验结果表明：该算法在高维函数和PID参数优化方面都是可行的。与其他算法相比,SOA-SSA算法的收敛速度快、精度高、鲁棒性强,有更好的优化性能。     

基于多目标进化算法混合框架的MOEA/D算法

针对混合多目标进化算法中如何设计全局搜索算法和局部搜索策略结合机制的难点问题以及提高多目标进化算法的求解性能,基于反馈控制思想,提出了一种系统化、模块化的全局优化与局部搜索相结合的混合MOEA/D算法,算法中设计了一种基于拥挤熵的种群多样性度量方法;提出了基于简化二次逼近的局部搜索策略,以及针对MOEA/D的种群多样性增强策略。数值实验表明所提算法具有良好性能,可以兼顾算法求解的多样性和收敛性,所提混合框架可有效提升现有多目标进化算法的求解性能。     

基于CCPSO及PP模型的洪灾评估方法及其仿真应用

以求解洪水灾情评估问题为背景,针对洪灾评估模型参数难以优化这一问题,研究了一种混沌文化粒子群算法(CCPSO)。该算法将PSO纳入文化算法的框架,并在算法中引入局部遍历搜索性能较强的混沌搜索,组成基于PSO的群体空间以及基于混沌优化的信念空间,通过两个种群的独立演化及信息交流来提升算法的全局寻优能力。典型的测试函数的测试结果表明,CCPSO可以有效克服PSO存在的早熟收敛问题,全局收敛能力较PSO有较大提高。同时,为提高洪水灾情评估的灾情分辨率,提出一种基于CCPSO及投影寻踪模型的洪灾评估方法,该方法采用一种修正Logistic曲线来建立洪灾评估的投影寻踪模型,并使用CCPSO来优化投影指标函数以及模型参数。仿真应用结果验证了该方法的合理性及有效性。     

基于个体协同的子图结构发现混合进化算法

将进化算法与爬山算法的混合进化算法引入图数据挖掘,以克服贪婪式查找易陷入局部极值的问题.针对子图结构发现问题中实例易丢失的特点,提出了一种新的遗传操作--个体协同算子,使得代表同一子结构的不同个体能够以协同的方式进行查找.另外,还提出了一种基于年龄段和个体生成方式的多样性保持方案,以从种群的组成和个体的生成两个方面保持和提高种群的多样性,同时还有助于个体协同算子的执行.在进化过程中随时以新生成的单边子结构替换当前种群中没有潜力的个体的机制在缩小查找空间的同时还使得进化过程成为一个更为完全的查找过程.实验结果表明,以上措施增强了算法的寻优能力,能够获得更优的解.     

基于差分进化邻域自适应的大规模多目标算法

对于大规模决策变量给求解大规模多目标优化问题带来的难以收敛及解集分布不均匀问题,通过分析变量特征将其分类再分别优化是当前较为有效的求解方法,但存在变量分类不够准确、变量处理不够有针对性等不足。对此,提出一种基于差分进化邻域自适应策略的大规模多目标优化算法。首先,通过分析扰动解的支配关系将混合变量分为多样性变量和收敛性变量,使变量分类更为准确。其次,通过对收敛性变量主成分分析降噪,降低计算成本,并设计种群的交替进化策略及差分进化的邻域自适应更新操作以提升种群进化过程中的收敛性。实验结果表明,所提算法在收敛速度和解集的分布均匀性上表现出良好的性能。     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

一种排异竞争的粒子群优化算法

提出一种基于排异竞争机制的粒子群优化算法。算法取消传统PSO算法中的全局最优值＂gbest＂,通过设定竞争区域,使得当前种群中所有粒子和上一代种群中的精英粒子,一同参与竞争。并采取适应值竞争策略、适应度选择策略和粒子间的排异策略,来保证种群的多样性,避免了算法初期陷入局部极值的可能;并通过对排异策略的动态调整,提高了算法后期的收敛速度和精度。通过对几类典型函数的仿真测试表明,算法具有较好的全局搜索能力和收敛速度。     

基于Tent映射的混沌混合粒子群优化算法

为改善基本粒子群优化算法的寻优性能,通过算法混合,在粒子群优化算法中逐步引入优进策略和混沌搜索机制,以加强粒子群的局部寻优效率和全局寻优性能。并将粒子分为两类,分别执行不同的进化机制,实现协同寻优,从而构建为一种新的混沌混合粒子群优化算法。标准测试函数的仿真优化结果表明,该混合算法对较大规模的复杂问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准粒子群优化算法以及遗传算法等单一的随机搜索方法。     

应用重启改进进化算法提高柔性作业解质量

重启策略有效提高了概率算法性能。为将重启思想引入协同进化算法,改进了涉及多种群的协同进化算法收敛判断条件。以进化过程中相同解码值的重复解码次数衡量协同种群的稳定状态,用于结束或重启搜索过程。引入重启后的协同进化算法用以求解柔性作业调度问题。实验表明,改进后的算法能有效跳出局部最优,提高解质量和搜索效率。从而为应用协同进化算法求解其他组合问题时提高算法性能提供了一条可行有效的新途径。     

交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle, UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长, 难以选择适合UAV任务特点的协同航迹等问题, 提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm, MOFA)进化的多UAV协同航迹规划方法。首先,采用变量分解策略将萤火虫算法中大规模变量分解成多个子种群, 以降低算法搜索的复杂度; 然后, 利用Tent混沌初始化和多种群循环分裂合并策略提高多目标萤火虫算法的搜索性能; 采用双极偏好占优机制、并设计协同度指标在Pareto最优解集中选取适合任务需要且协同度较高的UAV协同航迹。仿真实验表明, 所提方法能够根据任务设定生成对应侧重点、且满足协同性的相对最优航迹集, 证明了该方法的有效性。     

多中心开放且需求可拆分的VRPSDP问题优化

针对多中心开放式同时配集货需求可拆分车辆路径问题(MDOSDVRPSDP),建立以车辆派遣成本、理货成本以及运输成本之和最小为目标的车辆路径优化模型.设计混合遗传算法(HGA)进行求解,利用混沌系统的随机性和遍历性生成初始种群,确保初始种群的多样性,引入扰动策略以及邻域规模减少策略,提高搜索效率,采用精英策略和轮盘赌混合的选择策略,平衡种群多样性与种群质量.通过多组算例对比,验证本文模型和算法的有效性.研究成果拓展了车辆路径问题(VRP)的相关理论,既可为解决MDOSDVRPSDP问题提供一种新思路,也可为物流企业的相关决策提供理论依据.     

基于动态种群结构的粒子群算法及仿真研究

针对标准粒子群算法易陷入局部最优而早熟的问题,提出了一种基于动态种群结构的粒子群算法。该算法在种群结构中引入小世界网络模型,由于网络模型的演化,使算法具有动态的种群结构,从而保持了种群的多样性。同时为了使粒子尽可能地分布在不同的搜索空间,在网络模型演化过程中考虑了结点的个体价值。为了加快算法的收敛速度,在进化后期采用全局模型粒子群算法。通过对三个经典测试函数优化问题的数值仿真并与其它方法进行比较,结果表明了算法的有效性和实用性。     

具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm, BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

基于双种群协同进化的QoS全局最优

针对服务质量（quality of service, QoS）全局最优Web服务选择问题,提出了一种双种群协同进化QoS全局最优Web服务选择算法。算法在多目标离散粒子群算法基础上设计一种双种群协同进化框架以同步进行非支配排序和精英粒子保留,并定义了一种新的离散粒子位置更新算子。同时为保证粒子的多样性和算法的全局收敛能力,算法采用基于距离的粒子多样性度量算子、基于适应值排序的粒子选择算法和基于轮盘赌的全局最优解选择策略。仿真实验结果表明该算法能同时优化多个目标,并得到一组满足约束的Pareto最优解,且具有较好的性能和鲁棒性,解集的质量和分布也优于非支配排序遗传（nondominated sorting genetic algorithm,NSGA）算法的改进算法NSGA-Ⅱ,能有效解决QoS全局最优的Web服务选择问题。     

渐近式Bloch球面搜索的量子遗传算法及其应用

为了进一步加快搜索速度,提高优化效果,提出了一种渐近式Bloch球面搜索的量子遗传算法.在该算法中,首先采用Bloch球面坐标对量子染色体进行编码,然后基于最小二乘法理论,构建了量子染色体的更新策略,建立了量子旋转门角度大小和方向的公式,最后构造了变异操作中相位公式.将本文算法应用于多变量函数极值优化问题进行验证.实验结果表明,该算法不仅具有较好的种群多样性和随机性,而且还具有进化代数少、收敛速度快和优化效率高等优点.     

一类随机需求VRP的混合粒子群算法研究

针对一类随机需求车辆路径问题(stochastic vehicle routing problem,SVRP),结合现实生活中长期客户服务记录所隐含的统计性知识构建新的统计学模型,并将种群搜索与轨迹搜索算法相结合提出了一种新的混合粒子群优化算法。该算法通过引入导引式局部搜索,来减小粒子群搜索陷入局优的可能性以获得更优化解。仿真计算证明混合粒子群优化算法的有效性。同时,该算法也拓展了VRP的算法空间。     

基于特异性免疫策略的遗传算法及应用

针对标准遗传算法在进化后期收敛速度慢,易陷入未成熟收敛的问题,借鉴免疫应答机理,提出一种基于特异性免疫策略的遗传算法.算法的核心在于保持种群的多样性和执行特异性免疫策略,即引入小生境技术维持种群的多样性,对遗传参数自适应调节以适应种群的实际变化;利用高亲和度抗体搜寻更优秀的抗体,并发掘低亲和度抗体寻优的潜力;通过优良记忆库实现精英保留策略,保证算法搜索的快速性及有效性.理论上证明了算法的收敛性.仿真结果表明,算法能有效地改善种群多样性,具有较强的全局收敛能力.以二级倒立摆为被控对象,将该算法应用于Takagi- Sugeno模糊神经网络控制器的优化,实物控制结果表明该方法具有良好的动稳态性能和抗干扰能力.     

基于学习机制的退火并行遗传算法应用研究

本文综合并行遗传算法(PGA)和模拟退火算法(SA)的优点,提出一种新的退火并行混合优化策略(PGASA).该算法克服了并行遗传算法局部搜索能力弱的缺点,在子种群的搜索中引入SA作为GA种群的变异算子,增强和补充了PGA的局部进化能力;同时将机器学习原理引入到混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度.针对车间调度中的典型问题进行了仿真,结果证明了新算法的有效性.