基于改进蚁群算法的航天器再入轨迹优化

基于十进制蚁群算法对航天器再入轨迹进行了优化设计。给出了过载约束下的航天器再入轨迹优化的数学模型,对模型进行归一化及离散化处理,采用罚函数法对约束进行处理,将连续、高度非线性的优化问题转化为无约束的离散最优问题。针对传统蚁群算法易陷入局部最小值的问题,将增加了局部搜索策略的十进制蚁群算法应用于轨迹优化中,在满足过载约束的条件下实现总吸热量最小的目标。仿真结果表明十进制蚁群算法与传统蚁群算法相比能跳出局部最优值并快速地搜索得到航天器最优再入轨迹。     

云模型和混沌粒子群算法的多目标无功优化

为了克服基本粒子群算法易陷入局部最优值和后期收敛速度慢的不足,提出一种基于云模型的自适应粒子群算法。该算法首先采用混沌优化策略对粒子群进行初始化,增加粒子取值的多样性;其次根据粒子的适应度值将种群中的粒子分成靠近最优值、较靠近最优值和远离最优值3个子群,并分别采取不同的惯性权重生成策略进行处理,其中较靠近最优粒子子群的惯性权重由正态云发生器动态自适应调整,摆脱算法陷入局部最优值束缚;最后在迭代后期通过正态云算子实现粒子的变异操作,使算法后期快速收敛到最优解。对标准IEEE30节点系统和IEEE118节点系统进行测试仿真,结果表明了文中算法解决多目标无功优化的有效性。     

基于改进禁忌-粒子群算法的配电网重构

为解决配电网重构问题,提出一种改进的禁忌-粒子群算法。该方法结合禁忌搜索算法的短期记忆功能,克服了粒子群算法局部搜索能力较弱和容易陷入早熟收敛的缺陷。算法结合配电网络结构的特点,采用十进制编码策略,提高了迭代过程中解的有效性。最后通过典型的IEEE测试系统进行优化计算,并与文献其他方法优化比较。结果表明了算法的搜索效率更有效。     

基于云模型和K-means聚类的蝙蝠优化算法

为了改善蝙蝠算法在函数优化中稳定性差,易陷入局部最优的问题,利用云模型随机性和稳定倾向性的特点,提出了一种蝙蝠优化算法,根据个体适应度值,利用K-means聚类算法把种群划分为三个区域,分别采用不同的频率生成策略,使算法既能稳定的控制搜索空间范围,又能避开局部最优解,同基本的蝙蝠算法比较,仿真结果表明,该算法在函数优化问题中具有较高的精度和较快的搜索速度.     

一种改进的量子遗传算法

针对量子遗传算法存在储存量大和易陷入局部最优解等问题,提出一种新的量子遗传算法。该算法采用角度编码方式表示染色体从而减少编码的存储空间;引入小区间方法初始化量子种群, 使量子染色体均匀分布于初值空间;利用改进的旋转门对种群进行更新操作;采用动态的量子步长调整策略实现自适应搜索;引入量子交叉和量子变异操作防止早熟问题。通过典型的多峰值函数优化实验表明该算法具有收敛速度快、全局寻优能力强和计算时间短的特点,可以用于多峰值函数优化问题。     

采用危险度预警的进取麻雀搜索算法

为了解决麻雀搜索算法在迭代后期种群多样性降低且容易陷入局部最优的问题,提出一种采用危险度预警的进取麻雀搜索算法。首先制定保持进取策略,选取种群中适应度值优秀的个体与适应度值变化幅度大的个体共同培育生成学习样本,加快寻优速度。然后将种群进化过程分为稳定阶段和进取阶段,并在每个阶段执行不同策略：稳定阶段策略利用全局最优解和学习样本引导种群进化,增强局部开发能力;进取阶段策略利用个体历史最优解和学习样本引导种群进化,增加种群多样性并提高全局探索能力。此外,设计危险度预警策略用于检测种群是否陷入局部最优,并通过保存的优秀样本动态更新较差个体,帮助种群跳出局部最优。与其他几种有代表性的改进麻雀搜索算法一起针对CEC2017测试集进行对比实验,其结果证明了本文算法在收敛速度和收敛精度上有明显改进,能有效避免陷入局部最优。     

基于增量式PID的改进粒子群算法

基于粒子群优化(PSO)算法的简单模型和增量式PID控制原理,引入PID增量算子和4个新随机因子,对标准粒子群优化(SPSO)算法进行了扩展.扩展粒子群算法(EPSO)提升了粒子自身认知能力和社会认知能力,增加了粒子共享的信息量,粒子在运动过程中更加智能化.4个新随机因子的引入,提高了种群的多样性,一定程度上克服了PSO容易陷入局部最优的缺陷,提高了PSO算法全局搜索能力.对6个常用目标函数进行优化仿真,结果表明EPSO算法较SPSO算法收敛速度显著加快,且不易陷入局部极值点.SPSO算法是EPSO算法的一种特殊情形;EPSO算法作为SPSO的扩展,可应用于所有SPSO求解的优化问题.     

用于函数优化的小世界优化算法

借鉴小世界现象的有关机理，构造了不同的小世界优化算子，主要包括局域短连接搜索算子和随机长连接搜索算子．将优化过程视为在搜索空间（网络）中从候选解向最优解的信息传递过程，利用小世界现象有效信息传递的有关机理实现了一种新的优化算法一一小世界优化算法．通过对复杂函数的优化问题进行仿真试验，表明与相应遗传算法相比，新算法可以更好地保持解的多样性，能够有效地避免陷入局部极小值的问题，并在一定程度上克服了早熟和遗传算法欺骗问题，并且收敛速度快，因此具有解决复杂问题的潜力。     

融合多策略的萤火虫算法

针对萤火虫算法在求解高维复杂函数时存在的收敛速度慢、寻优精度低和易陷入局部最优等缺点,提出一种融合多策略的萤火虫算法（IMSFA）。首先,利用混沌映射和动态对立学习策略优化初始种群,加快算法的收敛速度;其次,对个体的移动策略进行多样化设计,降低算法陷入局部最优的概率,提高算法的寻优精度;最后,对超出解空间的个体使用归优边界限制策略,保证算法可以朝着一个较优的方向进行搜索。在8个基准函数上对IMSFA进行优化测试,并使用Wilcoxon秩和检验对其进行评估,结果表明,IMSFA在收敛速度、搜索精度、克服局部最优和寻优稳定性方面有着出色的表现。     

改进邻域搜索算法的矩形件排样优化研究

针对矩形件排样问题,给出精确的数学优化模型,提出一种改进邻域搜索算法的求解方法.为了克服一般邻域搜索算法易陷入局部最优解和搜索效率低的缺点,挖掘矩形件排样的问题特征,提出反悔算子、距离受限邻域算子、以"满足容忍度"接受劣解等3种新的改进策略.以矩形件排放顺序为编码,利用"最下左填充算法"进行解码,优化矩形件排样方案.对...