用遗传算法求解机器排序优化问题

提出一种针对机器排序问题的遗传算法,该算法编码简单并构造了新的交叉和变异算子.用该算法成功地求解出了三个著名的Muth-Thompson问题(MT6×6,MT10×10,MT20×5)的最优解.计算表明,该算法具有较高的效率,能有效地求解机器排序等复杂的组合优化问题.     

基于粒子群优化与高斯过程的协同优化算法

对于适应度函数计算耗时较大的工程优化问题,采用仿生智能优化算法求解时常遇到由于适应度函数评价次数过大而导致计算量过高的瓶颈问题。针对上述问题,提出一种基于粒子群优化（particle swarm optimization, PSO）算法与高斯过程（Gaussian process, GP）机器学习方法的协同优化算法（PSO-GP）。该算法在寻优过程中采用GP近似模型来构建决策变量与适应度函数值之间的映射关系,在PSO全局寻优过程中不断地总结寻优历史经验的基础上,预测可能包含全局最优解的搜索区域,以优化粒子群飞行的方向。多个测试函数的优化结果表明,该算法是可行的,与基本PSO算法相比,在获得全局最优解的前提下,可显著减小寻优过程中的适应度函数评价次数,寻优效率较高,在高计算代价复杂工程优化问题的求解上具有良好的应用前景。     

基于改进小生境演化算法的多峰函数优化算法

传统演化算法在求解复杂多峰函数优化问题时经常会出现早熟、收敛速度慢等问题,特别是对于有多个最优解的函数,往往只能找到个别的最优解.针对这些问题,提出了一种基于膈离机制与排挤机制相结合的小生境演化算法.利用隔离机制增强引导进化能力,利用排挤机制保证种群的多样性,同时,采用反序交叉算子进一步加强局部寻优能力.实验表明,使用该改进小生境演化算法求解函数优化问题能更有效地克服传统演化算法存在的收敛速度慢和容易陷入局部最优解等缺点.     

非线性盲源分离的多目标进化算法

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,求解其全局最优解非常困难的问题。设计了多目标进化算法来求解代价函数的全局最优解,提出了非线性盲源分离的多目标进化算法。该多目标进化算法根据带权极小极大策略构造了一个同进化代数有关的变适应值函数,使种群中的容许解逐渐增多和保持个体的多样性,避免算法陷于局部最优。数值仿真表明算法是有效的。     

基于免疫选择和自组织临界变异的进化算法

维持群体多样性是提高进化算法性能的一个主要出发点。本文提出了一种基于免疫选择和自组织临界变异的进化算法。其中,利用免疫浓度调节设计的选择算子使算法在开发新解时能选到多样性的个体;基于自组织临界思想的变异算子使算法在探测新解时能在合理的模型指导下进行。针对几种典型的复杂函数优化问题的求解实验表明该算法在收敛速度和全局收敛性方面都较好。     

基于均匀设计的多智能体遗传算法研究

将均匀设计方法、多智能体系统与遗传算法相结合,提出了一种多智能体遗传算法.设计了基于均匀设计表的均匀种群初始化方法和均匀交叉算子,并将其引入算法中.算法通过智能体与智能体环境间的相互作用,以及智能体自学习提高自身能量,实现了复杂问题的全局优化目标.实验表明,该算法对于高维函数优化问题,尤其是高维多峰函数,具有很好的全局搜索能力和较快的收敛速度,能够避免陷入局部最优.     

基于改进模拟退火算法的机器人全局路径规划

针对全局静态移动机器人路径规划问题,给出了一种简单易行的改进模拟退火算法.算法通过引入脱障算子和一致寻优算子,提出了一种新的状态产生方法.前者采用维值定向扰动策略,使碰撞路段的两个端点以一定步长跳离障碍物,这既保证了路径的无碰性,又加快了寻优效率；后者对随机选取的若干个路径点进行变步长地调整,使产生的候选解可以遍布整个解空间,提高了算法的全局寻优能力.最后,通过对一般环境和“陷阱”环境路径规划问题的仿真,验证了该方法的有效性.     

一类非线性两级规划问题的模拟退火求解

提出一种基于模拟退火算法求解一类非线性两级规划问题的方法。为了提高模拟退火算法处理上级约束的能力，在模拟退火算法中引入一个辅助优化问题，通过求解该辅助优化问题产生满足上级约束的试探点，避免了使用罚函数处理上级约束。数值计算结果表明，与使用罚函数处理上级约束的模拟退火算法相比，本文提出的方法不仅可以提高求得全局最优解的可靠性，而且可以减少模拟退火算法的迭代次数，提高计算效率.     

求解全局优化问题的智能遗传算法

提出了一种智能遗传算法,该算法融合了5种交叉算子、8种变异算子和5种灾变算子,能根据当前优化结果智能地选择交叉算子、变异算子和灾变算子,在不影响搜索过程随机性的前提下收敛于全局最优解。不同于传统遗传算法,本算法增加了对各种算子优化性能的统计,在优化过程中尽可能使用那些优化性能高的算子,从而提高了智能遗传算法的优化性能。为了验证本算法的性能,采用12种传统遗传算法和本算法同时对20个测试函数进行了求解。最终的数据实例表明,方法是可行的、正确的和有效的。     

求解约束优化问题的内外交叉遗传算法

针对很多约束优化问题的最优解位于可行域的边界上或其附近的特点,提出了一种新的遗传算法.算法将种群中的可行解和不可行解分别存贮在两个容器中,新设计的交叉算子(内外交叉法)尽量让可行域内的可行解与可行域外的不可行解交叉,并顺着有利的方向一维搜索到可行域边界,此举既增大了个体接近全局最优解的几率, 又增强了算法的收敛速度;粒子群变异法则吸取粒子群 (PSO)算法的优点,让粒子沿粒子自身历史最优和全局最优的方向变异, 而选择算子则采取了保留固定比例不可行解的方法. 仿真结果证明了算法能够在种群规模小,迭代次数少的情况下迅速接近或找到全局最优解.