求解非线性优化问题改进的进化规划算法

针对带有边界变量的非线性优化问题,提出了一种改进的进化规划算法.该算法首先把每个个体看作为带有不同质量的粒子,根据目标函数值定义个体的质量.基于聚类思想,选取一定数量的点,然后利用选取的点分别求出于每个点相对应的重心,以每个点与其重心的连线方向为变异方向.最后把该方法应用到几个典型数值例子中,并与基本进化算法进行比较,数值结果表明算法是可行的、有效的.     

具有自适应度双群体PSO的组群机器人队形控制

针对粒子群算法对约束条件的优化处理问题,提出一种具有自适应度双群体粒子群优化算法,该算法将目标函数与约束条件分别考虑,形成2种群体以不同目标为前提同时向最优解进化;并分别对2种群体的适应度引入自适应权重系数与相应调整策略,基于并非所有非可行个体均劣于可行个体概念,动态地调整其适应度以保证部分非可行个体向可行域进化.将其应用于组群机器人队形控制中,链型结构(纵队)队形仿真结果表明了该算法的有效性.该粒子群算法为实际应用中约束优化问题的求解提供了新的途径.     

目标有优先权的模糊多目标规划的一种解法

本文讨论了目标具有不同优先权的模糊多目标规划问题的一种近似解法．每个目 标的优先权用正实数表示，将目标的优先权和隶属函数合成新的隶属函数。再用模糊 最大策略方法求满足每一个目标的新隶属函数和约束的隶属函数的最大λ值，即把解 有不同优先权的模糊多目标规划问题化为解普通线性规划问题． 文中从理论上证明了算法的正确性．并给出误差估计公式．通过 一个例题的计算说明该算法是合理的，误差估计公式是正确的。     

基于k-均值的自适应PSO优化算法

提出了一种新的基于k-均值聚类的自适应PSO优化算法（KCMPSO）．首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子群体中的最好个体更新自己的位置和速度,其次引入自适应变异算子,有效地增强了粒子群之间信息交换和PSO算法跳出局部最优解的能力．几个典型函数的测试结果表明,该算法是非常有效的．     

一种新的密度加权粗糙K-均值聚类算法

为了克服粗糙K-均值聚类算法初始聚类中心点随机选取,以及样本密度函数定义所存在的缺陷,基于数据对象所在区域的样本点密集程度,定义了新的样本密度函数,选择相互距离最远的K个高密度样本点作为初始聚类中心,克服了现有粗糙K-均值聚类算法的初始中心随机选取的缺点,从而使得聚类结果更接近于全局最优解。同时在类均值计算中,对每个样本根据定义的密度赋以不同的权重,得到不受噪音点影响的更合理的质心。利用UCI机器学习数据库的6组数据集,以及随机生成的带有噪音点的人工模拟数据集进行测试,证明本文算法具有更好的聚类效果,而且对噪音数据有很强的抗干扰性能。     

基于保守自适应K-最近邻算法的维数约简

针对传统的k-最近邻算法存在不能根据样本密度进行自适应选择近邻点数目的缺陷,提出一种改进型的保守自适应k-最近邻算法。该算法首先对每个样本点选择m个近邻点,m取一个比较小的正整数,以保证不存在某个样本点无近邻点;其次把每个样本点的第m+1个最小的欧式距离作为最小值,最小值的α倍作为寻找近邻点的阈值;最后应用经典MDS算法计算。swiss-roll数据集上的降维实验结果表明,降维后的数据能很好地保持原有数据的邻域特性,能有效快捷地寻找近邻点。     

基于PSO的多机器人编队控制

提出了一种新的编队算法。该算法针对不同的编队形状,根据机器人的位置信息,构造不同的函数,利用群体智能优化算法中的微粒群算法进行函数优化,优化过程中的最优解作为机器人的运动方向。最后利用该算法实现了线形、三角形、六边形和圆形编队,仿真结果表明了该算法的有效性。     

基于万有引力定律的多目标优化算法

针对一类多目标优化问题,提出一种基于万有引力定律的优化算法．首先把决策变量空间的解看成带有质量的个体,然后根据万有引力定律,计算每个个体的合加速度,再根据运动规律,给出产生新解的迭代公式．仿真实验结果表明,算法是可行的、有效的．     

基于样本重要性原理的KNN文本分类算法

KNN是重要数据挖掘算法之一,具有良好的文本分类性能.传统的KNN方法对所有样本权重看作相同,而忽略了不同样本对于分类贡献的不同.为了解决该个问题,提出了一种样本重要性原理,并在此基础上构造KNN分类器.应用随机游走算法识别类边界点,并计算出每个样本点的边界值,生成每个样本点的重要性得分,将样本重要性与KNN方法融合形成一种新的分类模型——SI-KNN.在中英文文本语料上的实验表明:改进的SI-KNN分类模型相比于传统的KNN方法有一定的提高.     

基于双群体的非线性约束规划进化算法

在求解非线性约束规划问题中,对其约束条件的处理是一个难点问题.本文提出了一个非线性约束规划的双群体进化算法,与以往存在的约束优化算法不同之处在于:定义个体对约束条件的函数值作为约束违犯度对群体中的个体进行度量,目标函数值作为最优解的度量.首先考虑了标准的约束规划问题,简单介绍了约束优化问题中约束条件的处理方法,给出了与这些方法不同的处理方法.针对约束违犯度,定义了两个群体,即可行群体与不可行群体.然后给出了双群体进化算法详细步骤,用5个Benchmark函数测试了此算法,并通过与其它已知算法对此5个函数的计算结果的比较,验证了算法的可行性和有效性.     

解整数规划问题的目标收敛法

提出基于目标收敛法的整数规划求解方法．该求解方法从整系数目标函数值一定为整数这一性质出发,对目标函数值进行逐步约束,使得每一步迭代均在上一步问题的可行域中割去一块不包含原规划问题整数可行解的区域,从而使可行域逐步缩小最终得到整数最优解．目标收敛法还可与割平面法、分枝估界等方法结合起来使用,从而加速求解过程．     

求解约束优化问题的多成员人工蜂群算法

针对约束优化问题提出了一种多成员人工蜂群算法.新算法设计了一种多成员机制,增强了在可行域内的搜索能力.在进行选择操作时,允许拥有较优目标函数的不可行解战胜可行解,增强了种群的分散性;在处理等式约束时,引入一种约束放松程度从大到小变化的机制,充分利用了等式约束周围不可行解的信息.针对13个标准测试函数的仿真实验表明:当处理含有等式约束且可行域较小的问题g13和最优解位于可行域内部且可行域较大的问题g02时,与改进人工蜂群算法相比,新算法最优解的均值误差分别减小了76%和80%.     

基于单纯形梯度的多起点全局优化算法

用已知样本点信息构造单纯形梯度及插值函数, 提出一种基于单纯形梯度的局部搜索算法. 该算法结合有效样本点集Ω的混合选取策略, 改进了多起点聚类全局优化算法. 结果表明, 新算法在效率和稳定性方面均有较大改进, 并可有效处理原算法针对“窄谷”类函数估值次数过高的问题.     

三维水平井轨道设计最优控制模型改进的进化规划方法

针对三维水平井井眼轨道设计问题 ,建立了一个非线性最优控制模型。该模型以设计轨道总长度最短为性能指标 ,以非线性动力系统为约束条件 ,通过对非线性动力系统积分 ,将最优控制模型转化为一个非线性规划问题求解。为了求非线性规划问题的全局最优解 ,在附加一个目标函数小于当前目标函数值的约束条件下 ,用改进的进化规划方法寻找新的可行点策略 ,提出了一种新算法。将非线性最优控制模型及算法应用到实际水平井轨道设计中 ,数值结果证明了该模型及算法的正确性和有效性     

无约束非光滑优化的信赖域算法

提出了一个处理无约束非光滑优化问题的信赖域算法.它仅要求目标函数是下半连续的,而不是光滑的,或凸的,或局部Lipschitzian的,从而扩大了信赖域方法的使用范围.同时文中还证明了该算法产生的序列的每一个聚点都是原问题的临界点.     

同伦方法求解一类非凸规划问题的局部极小

利用组合同伦内点方法求解目标函数为凸的一类非凸规划问题, 证明了在同伦映射为正则映射的条件下, 同伦方法一定收敛到局部极小解, 并得到了当目标函数非凸时, 若非凸规划问题所有的K-K-T点均在可行域边界上, 则此同伦方法在同伦映射为正则映射的条件下, 也收敛于局部极小解.     

伪牛顿信赖域算法及其收敛性

本文提出了一类新的求解无约束最优化问题的信赖域算法.新算法将Goldstein线搜索技术与信赖域方法相结合,并通过伪Newdon-δ族校正公式计算信赖域子问题中的Bk,使算法不仅不需重解子问题,而且每步迭代都满足弱拟牛顿方程,保证了目标函数的近似Hesse阵Bk的正定性.在适当的条件下,证明了此算法的全局收敛性和Q-二...     

基于粗糙集理论的自适应图像内插

利用粗糙集中的不可分辨理论提出了一种基于粗糙集理论和旋转掩模(rotating mask)相结合的自适应图像内插算法.首先利用图像的连续性,提出了用粗糙集中的上近似集(upper approximation)和下近似集(lower approximation)来确定与缺损点具有不可分辨关系的样本点,然后利用这些同类样本点对缺损点进行自适应的内插.实验结果表明,利用该算法内插的图像质量无论客观评价标准还是主观评价标准均好于传统的图像内插法,该算法是粗糙集理论与图像信息处理相结合的有益尝试.     

基于判别信息的近邻保持嵌入降维方法

针对传统近邻保持嵌入算法(NPE)侧重保持样本的局部结构,而没有考虑样本类别信息的不足,提出判别局部近邻保持嵌入算法DLNPE.该算法利用样本点的局部结构构造新定义下的类内类间散布矩阵,并以此作为判别信息引入目标函数.在6个真实数据上进行实验,证明了所提算法的有效性.     

A niche-based evolutionary Tabu search algorithm for optimal coordination of protection relays in power networks

In this paper, refusal of operation and the degree of constraint violation are considered as one part of the objective function for optimizing the protection relay setting coordination of over current relays in power systems; a new expression of objective function in this optimization problem is proposed. To combine the advantages of both Tabu search (TS) and evolutionary algorithms (EAs), a new niche-based evolutionary Tabu search algorithm (named NETS) is presented to solve this optimization problem. Moreover, in two cases of power networks, comparisons between NETS and two published algorithms are given. Experimental results show the expression of the objective function for protection relay setting is feasible and reasonable, and the proposed algorithm NETS exhibits a good performance. Biography: YUAN Rongxiang (1965–), male, Professor, Ph. D., research direction: safety and stability in distributed power networks, relay protection, information and intelligent of power system.