基于小生境和交叉选择算子的改进粒子群优化算法

在求解高维多峰函数时,如果个体历史最好位置缺少多样性分布,粒子群优化算法就容易陷入局部最优,出现早熟现象。为此,结合小生境和交叉选择算子提出了一种改进粒子群优化算法(简称NCSPSO)。该算法在进行速度和位置更新之后,根据小生境数确定个体历史最好位置中的孤立点;然后对所有个体历史最好值劣于孤立点值的粒子使用交叉和选择算子进行更新。函数测试表明,NCSPSO有效地克服了标准PSO的缺点,性能上也有了明显提高。最后,将NCSPSO应用于高次非线性复数方程的求解,较好地解决了POGO振动研究中的固有频率计算问题。     

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.     

小生境免疫算法解决作业车间调度问题

针对免疫算法在解决组合排序问题时一般表现不佳的问题,采用多克隆算子以及独特的浓度控制机制形成具有增强搜索能力的新型免疫算法。多克隆算子与遗传算法中的交叉算子近似,它拓宽了普通免疫算法仅凭高变异方式形成的狭窄搜索空间;基于小生境的浓度控制机制借鉴生物学上的小生境概念,通过相似个体群中选择概率的不均衡分配有效避免算法掉入局部陷阱。所构造的小生境免疫算法在对多个作业车间调度算例的仿真过程中体现了较好的效果。     

一种改进型多模态免疫优化算法的研究

基于克隆选择原理,引入混沌机制和小生境技术,提出了一种新的人工免疫算法--改进型克隆选择算法(ICSA).该算法设计了一种自适应混沌变异算子,有效地避免了搜索的盲目性,提高了算法的收敛速度.利用随机过程鞅理论,分析了算法所形成抗体种群的平均适应度鞅的性质,并且当种群为有限状态时,证明了该算法能以概率1确保在有限步内收敛到全局最优解.对多模态函数优化的仿真实验表明,该算法能有效地抑制早熟,具有更好的全局收敛性.     

用于多峰函数优化的小生境人工蜂群算法

针对人工蜂群算法(artificial bee colony algorithm, ABC)在多峰优化时只能找到一个最优解,难以找到所有全局和局部最优解的问题,提出一种小生境ABC算法。利用小生境技术维持种群的多样性,使算法不再单单收敛于全局最优解;借助ABC算法具有较高寻优精度的特点精确寻找各个峰值点。对标准测试函数进行仿真,结果表明,小生境ABC算法能够准确、有效地找到多峰问题的全局和局部最优解,具有良好的多峰优化性能。     

隔离小生境遗传算法研究

小生境技术的引入,提高了遗传算法处理多峰函数优化问题的能力。本文提出了基于隔离机制的小生境技术,隔离小生境技术具有生物学基础,不仅能够有效地保证群体中解的多样性,而且具有很强的引进化能力。计算机模拟旅游商推销问题的结构表明,基于隔离小生境技术的遗传算法在求解 杂多峰优化方面是很有效的。     

自适应小生境克隆选择算法及其仿真研究

为了对多模态函数寻优,基于免疫克隆选择算法原理,提出了自适应小生境克隆选择算法(ANCSA).小生境决定位段会随着优化对象的维数及可行域的变化而自动调节,从而形成不同的小生境,每个小生境都具有免疫记忆功能.通过对四个典型的多模态函数仿真,并和相关算法进行比较分析,结果表明ANCSA在解决多模态函数优化问题时具有较强的自适应性和收敛性.     

区域反导目标分配模型优化分析

区域反导目标分配是多资源约束,按照一定分配准则循环分配的过程.分析了区域反导目标分配流程与准则,构建综合拦截概率和作战效费比的目标分配模型,并给出了该目标分配模型转化为基本0-1规划问题的方法;针对该多约束目标分配优化模型对高寻优、强实时求解算法的需求,结合生物免疫过程,引入改进的克隆选择算子、云自适应变异算子、抗体重组算子、精英抗体保存算子,提出快速收敛的克隆选择算法.仿真结果表明该算法尤其解决大规模区域反导目标分配问题时不失为较为理想的优化算法.     

量子协同免疫算法用于SAT问题的求解

根据协同策略和量子免疫计算理论,提出一种求解SAT问题的量子协同免疫算法。该算法在将SAT问题转化为函数优化问题的基础上,采用多个子种群。分别采用量子比特编码来表达个体,采用通用的量子旋转门策略演化个体,采用量子交叉操作阻止早熟收敛;各种群独立演化,同时引入量子协同理论,采用协同算子使得算法的搜索效率更高。实验采用标准SATLAB库中的3 700个不同规模的问题对算法进行测试,并与简单克隆选择算法、量子遗传算法、量子免疫克隆选择算法进行比较。结果表明,量子协同免疫算法的平均成功率最高,平均运行时间和平均评价次数最少。     

基于NichePSO和网格模型的参数优化方法及仿真

针对集成电路制造工艺参数优化过程中如何高效地确定参数窗口的问题,将小生境微粒群优化算法(NichePSO)和矩形网格模型相结合,提出了一种全新的工艺参数优化方法,并对一维和二维情况进行了仿真和实际生产验证.该方法中小生境微粒群算法可以根据工艺要求和输入输出参数的数据或模型高效地找到输出参数的等值点;而矩形网格模型又特别适合在二维平面上跟踪和连接等值点并生成等值线.对于单输入参数问题,该方法可直接给出输入参数窗口;对于二维问题,则能提供所有满足工艺要求的二维区域以及输入参数平面上的一系列等值线.在一维和二维标准多峰函数上的仿真测试结果和生产验证数据表明,该新方法是一种有效的工艺参数优化方法.     

The self-organizing worm algorithm

A new multi-modal optimization algorithm called the self-organizing worm algorithm (SOWA) is presented for optimization of multi-modal functions.The main idea of this algorithm can be described as followsdisperse some worms equably in the domain;the worms exchange the information each other and creep toward the nearest high point;at last they will stop on the nearest high point.All peaks of multi-modal function can be found rapidly through studying and chasing among the worms.In contrast with the classical multi-modal optimization algorithms,SOWA is provided with a simple calculation,strong convergence,high precision,and does not need any prior knowledge.Several simulation experiments for SOWA are performed,and the complexity of SOWA is analyzed amply.The results show that SOWA is very effective in optimization of multi-modal functions.     

一种求解动态多峰优化问题的Memetic粒子群算法

很多现实的优化问题往往是动态和多峰的, 这就需要优化算法既能够发现尽可能多的最优解, 同时还要追踪到这些最优解在动态环境中的变化轨迹. 为了解决这种动态多峰优化问题, 本文提出了一种Memetic粒子群优化算法. 在提出的算法中, 利用一种新的species构造方法来保证其能够发现不同最优解所在搜索区域, 利用一种适应性的局域搜索算子来增强species追踪到最优解的能力, 利用重新初始化策略来进一步改善算法在动态多峰环境中的性能. 通过对一组标准动态测试函数--移动峰问题的仿真实验来检验所提出的 MPSO算法在求解动态多峰优化问题的有效性.     

差异演化算法及其改进

针对一类非凸、多峰及非线性函数优化难的问题，本文提供了一种新的求解策略——差异演化算法，该算法比其它演化算法稳健性强、收敛速度快。同时，为进一步提高差异演化算法的优化性能，该文也提出了一些改进措施，包括自适应线性变异以及迁徒操作，最后的仿真试验验证了本改进算法的优越性。     

基于免疫克隆选择算法的多用户检测技术研究

为了解决最佳检测器计算复杂度较高的难题，提出一种精简有效的克隆选择算法。把人工免疫系统和神经网络系统的信息处理机制引入到CSA提出了免疫克隆选择算法。所提ICSA通过使用随机Hopfield神经网络制备疫苗构成新的免疫算子，把新的免疫算子结合到克隆选择算法中，不仅加快了克隆选择算法的收敛速度，并提高了克隆选择算法的全局收敛能力。然后在CDMA系统利用此算法设计了新的多用户检测器。仿真结果证明了ICSA检测器能够快速收敛到全局最优解，并且无论抗多址干扰和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

一种基于改进的免疫克隆选择的优化方法

通过在克隆选择过程中引入聚类竞争机制,提出了一种免疫聚类竞争的克隆选择算法.采用了抗体聚类、竞争扩增、克隆删除、体细胞高频变异、抗体循环补充等思想及相关算子操作,增强聚类族中的优秀个体获得克隆扩增实现亲和力成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡.实验仿真及应用结果表明:该算法具有可靠的全局收敛性及较快的收敛速度,将其应用于冶金过程目标优化中取得较好的效果.     

面向多峰函数的自适应小生境量子进化算法

为解决量子进化算法在多峰优化时只能找到一个最优解,无法找到所有全局和局部最优解的问题,提出自适应小生境量子进化算法。利用佳点集理论初始化种群,使种群均匀分布在整个搜索空间;提出中心地形信息小生境自适应识别方法,用于自适应的识别峰值所在区域,并建立小生境完善策略,提高小生境识别速度;借助量子进化算法的快速寻优能力精确寻找各个峰值点;采用动态种群调整策略,维持种群的多样性,自适应地调节种群规模。仿真实验结果表明,该算法具有较强全局优化能力和局部优化能力,且搜索到的每个最优解都达到了理想值。     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

Global Convergence Analysis of Non-Crossover Genetic Algorithm and Its Application to Optimization

Selection, crossover, and mutation are three main operators of the canonical genetic algorithm (CGA). This paper presents a new approach to the genetic algorithm. This new approach applies only to mutation and selection operators. The paper proves that the search process of the non-crossover genetic algorithm (NCGA) is an ergodic homogeneous Markov chain. The proof of its convergence to global optimum is presented. Some nonlinear multi-modal optimization problems are applied to test the efficacy of the NCGA. NP-hard traveling salesman problem (TSP) is cited here as the benchmark problem to test the efficiency of the algorithm. The simulation result shows that NCGA achieves much faster convergence speed than CGA in terms of CPU time. The convergence speed per epoch of NCGA is also faster than that of CGA.     

自适应加速差分进化算法

差分进化算法是一种新的进化计算技术,具有良好的优化性能,但是对于高维多模态函数,算法易早熟收敛;其优化性能受差分进化模式类型及演化控制参数取值的影响较大.为此,提出自适应加速差分进化算法,该算法利用混沌的遍历性产生初始群体,以克服种群体初始化时的盲目性和随机性;其次随着搜索过程的进行随机自适应地调整缩放因子和选取差分进化模式,以减少人为因素影响,增强搜索能力.通过对多个函数进行仿真试验研究,结果表明该方法寻优效果显著,明显减少了迭代次数,提高了计算效率.