用于多峰函数优化的免疫粒子群网络算法

针对多峰函数优化问题,借鉴粒子群优化特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。多峰函数优化的仿真结果表明,该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。     

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。     

基于自适应多种群策略的混合多目标优化算法

为了能够快速准确地获得多目标优化问题的一组具有较好质量和分布性的非支配解,提出了一种自适应多种群混合多目标优化算法.该算法将多目标优化问题分解为多个单目标子问题,在每次迭代时,根据种群在目标空间和解空间的分布情况为多个子问题分别构造子种群,并采用粒子群优化算法对子问题最优解实施搜索,利用差分进化算法对外部档案实施进化.通过对标准测试函数仿真实验,并与经典的及类似策略的多目标优化算法进行比较,结果表明所提出的算法能够利用较少的估值次数获得较好质量和分布性的非支配解集.     

一种融合邻域搜索的多策略差分进化算法

设计多策略差分进化算法的难点在于选择何种变异策略以及如何分配这些策略。提出一种融合邻域搜索的多策略差分进化算法,根据个体适应度值将种群分为3 个子种群,每个子种群分别采用不同的变异策略和参数值,使得各子种群的搜索能力可互补,有助于平衡整个种群的勘探和开采能力。同时,对适应度值最好的子种群采用邻域搜索操作,充分挖掘优质个体可能包含的有益信息用于指导搜索。在34 个测试函数上实验,与包含7 种差分进化算法在内的12 种进化算法进行对比,结果表明该算法在大多数函数上取得了更好性能。     

改进多相粒子群算法反演粗糙面下方导体目标

提出了一种能快速有效反演介质粗糙面下方导体目标参数的方法--改进多相粒子群算法,优化以双站散射系数的测量值和理论计算值为偏差的目标函数,当目标函数达到最小值时,实现地下目标参数的反演。为加快反演过程,提高反演精度,正问题采用了快速互耦迭代算法这一数值算法来快速准确求解双站散射系数。逆问题采用了基于子群和母群交叉搜索机制以及小种群策略的改进多相粒子群算法,能减少目标函数计算次数（对应正问题计算次数）、提高全局寻优能力。文中反演了一维粗糙面下方截面为圆柱和任意连续形状的导体目标,仿真实验验证了算法具有较好的反演精度和较强的抗随机噪声能力。     

基于自适应变异概率二进制PSO的球磨制粉系统控制

研究了一种新型自适应变异概率二进制粒子群算法。提出的自适应变异策略通过以一定的概率进行动态比特转换帮助算法更好地保持种群多样性和搜索新解,从而有效防止算法早熟。最终将提出的自适应变异概率二进制粒子群算法（adaptive mutation based pobability binary PSO,APBPSO）用于球磨制粉系统这一复杂多变量对象的PID控制器优化设计中以验证算法性能。多变量控制器分别采用了三种多目标优化目标函数,仿真结果表明提出APBPSO能有效避免陷入局部最优,其对控制器优化性能优于粒子群优化算法、离散二进制粒子群优化算法及基本的概率二进制粒子群优化算法。     

基于种群年龄模型的动态粒子数微粒群优化算法

针对微粒群优化算法的早熟停滞缺陷问题,提出了一种基于种群年龄模型的动态粒子数微粒群优化算法. 该算法建立了生物种群年龄模型,将每个粒子划分为不同的年龄段,动态地依据种群环境和个体信息有效地控制种群的粒子数规模;设计了较优粒子的生殖策略和较差粒子的死亡策略,增加群体的多样性和减少冗余计算量,以保证算法获得最优性能. 将此算法与其他改进算法进行比较,仿真测试结果表明,新算法具有较高的全局搜索成功率和效率,计算量显著降低,优化精度显著提高,能够有效地避免算法陷入局部停滞的缺点.     

求解二层线性规划问题的混合粒子群算法

结合粒子群优化方法和单纯形法为二层线性规划构造了一个混合粒子群优化算法.算法具有两层结构,其中粒子群算法用以求解上层规划问题,单纯形法用以求解下层规划问题.设计的粒子群在上层决策变量的可行城内搜索最优解,同时通过单纯形法求解下层规划问题得到每个粒子相应的下层规划问题的解.算法通过初始种群可行化,以及步长控制、不可行粒子淘汰等技巧避免了使用罚函数处理约束带来的困难,提高了粒子群优化算法的计算性能.最后,我们给出算法的数值例子并对该算法的计算性能加以分析.     

混沌粒子群混合优化算法的研究与应用

为使粒子群优化算法(PSO)初始粒子均匀分布在解空间,分析了混沌运动的遍历性并根据粒子间欧式距离大小改进了PSO初始种群提取方法。提出了一种混沌粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和混沌优化算法同时进行。对四个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能好。     

解决约束优化问题的一种改进PSO研究

为有效求解约束优化问题,提出一种改进粒子群算法（ICPSO）。该算法在处理约束时不引入惩罚因子,而是根据目标函数值和粒子违背约束奈件程度。并根据种群中介体的可行性,采用三种不同的交叉操作对粒子自身最优位置进行操作,同时对全局最优粒子采取变异操作以产生新的学习样本,引导种群的飞行,提升种群跳曲局部最优解的能力。最后,引入一种混合粒子速度更新策略,提升种群向最优解飞行的概率。标准测试函数的仿真结果表明ICPSO是可行的,有效的。     

基于多目标优化算法的多无人机协同航迹规划

多无人机协同航迹规划是无人机协同作战的关键技术之一。本文提出的一种针对多无人机协同航迹规划的多目标优化算法,即协同非支配排序进化算法(cooperated non dominated sorting genetic algorithms II,CO-NSGA II),针对多架无人机的航迹距离、安全性、时间以及空间的协同性进行规划。运用多目标优化算法,克服了传统航迹规划中需要为各目标函数取权值的不足,并且可以生成多组可供选择的解。同时引入协同进化策略,将各无人机的航迹规划视作子种群,各子种群间进行合作,子种群内采用非支配排序进化算法(non-dominated sorting genetic algorithms II,NSGA II)进行独立优化。考虑到各机间的协同约束,用时间空间协同系数替代传统算法中的“拥挤距离”参数。仿真结果表明通过本文算法能够有效实现多无人机协同航迹规划。     

基于分解技术的动态多目标引力搜索算法

为有效求解动态多目标问题,提出一种基于分解技术的动态多目标引力搜索算法.首先为在环境变化前,得到解集分布性和收敛性都较好的非支配解集,采用基于分解技术的静态多目标引力搜索算法求解环境变化前的静态多目标问题;当环境变化后,根据相邻子种群最优解的相似性与同一权重向量对应子种群最优解的相似性,提出一种新的对最优解的预测模型,以缩小环境变化后各子问题的搜索空间,提高算法的求解效率.最后与目前较先进的静态多目标算法和预测策略在四个测试问题上进行比较,实验结果表明,当待优化问题随时间变化时,本文方法能够取得收敛精度更高、解集分布性更好的最优解集.     

基于RHP-IVFSA的多智能体编组#br# 任务分配动态优化

智能体编组协同作战中任务分配的动态优化问题，提出一种基于滚动时域策略的多编组任务分配动态优化方法。以任务执行效率为目标函数，建立了满足个体任务时窗和编组资源损耗约束的问题模型。给出与突发事件特征对应的预测窗口、滚动窗口和滚动驱动机制。设计了一种改进快速模拟退火对优化子问题予以求解，给出解方案表达、邻域解生成、冲突消解等步骤，采用高温随机贪婪搜索、回火技术、禁忌设计和精英保留策略，避免算法陷入局部最优，提高算法的计算效率。案例的仿真计算表明，所建模型和求解方法可以对多编组任务分配计划进行在线优化，并使任务的执行效率始终维持较高水平。     

自适应分组量子衍生蛙跳算法

为提高传统蛙跳算法的优化能力,基于组内平均目标函数值实施动态分组,采用多量子比特概率幅实施个体编码,基于组内最优蛙和组间最优蛙确定旋转角度,采用基于张量积构造的多比特量子旋转门实施组内最差蛙的更新.标准函数极值优化的实验结果表明,该算法的单步迭代时间较长但优化能力较传统蛙跳算法约有两个数量级的提高,从而表明提出的分组策略和编码方法切实能够提高传统蛙跳算法的优化能力.     

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。     

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。     

面状LED发光体灯珠分布和组合连接优化算法

面状LED发光体灯珠的分布和分组问题,可建模为多约束优化问题来进行求解。提出了一种将面状LED发光体灯珠照度映射为质心容量限制Power图的容量,从而布局LED灯珠的方法,实现了面状LED发光体照度均匀的目标,进一步提出一种基于贪心策略的LED灯珠组合和连接优化算法,达到节省物料的目的。实例结果证明,所提方法简单、可行,布局和分组效果好,算法收敛速度快,可用于解决实际工程问题。     

基于免疫蛙跳算法的梯级水库群优化调度

针对混洗蛙跳算法存在的问题,结合克隆选择算法和混洗蛙跳算法各自优势,提出了一种免疫蛙跳算法(ISFLA),并将其应用于梯级水库群优化调度中. ISFLA将克隆选择算法嵌入到混洗蛙跳算法框架中,对整个群体循环进行分组进化与混合,在混合之后构造子群体执行克隆选择操作, 以提高算法的局部搜索能力.通过实际工程验证了该算法的可行性与高效性,从而为梯级水库群发电调度问题的求解提供了一种新的途径.     

基于一种加速收敛变异策略的交互式遗传算法

针对目前交互式遗传算法由于使用小规模的种群和较少的进化代数,容易导致算法的搜索能力有限、易陷入局部优化的问题,在引入一种加速收敛变异策略的基础上,提出一种新的交互式遗传算法。给出了算法设计实施中关键问题的处理,分析了算法的效率,并通过函数优化和服装设计问题的仿真实验验证变异策略和算法的有效性。     

使用高斯分布估计策略的改进樽海鞘群算法

针对樽海鞘群算法在求解复杂优化问题时存在种群多样性减弱、易于陷入局部最优等不足, 提出了一种使用高斯分布估计策略的改进樽海鞘群算法(salp swarm algorithm using elite pool strategy and Gaussian distribution estimation strategy, GDESSA)。首先提出一种精英池选择策略, 领导者位置在每次更新时随机从精英池中选择一个个体作为食物源, 增强领导者的探索能力, 丰富种群多样性。其次利用高斯分布估计策略对追随者公式进行改进, 通过拟合优势群体信息, 修正种群进化方向, 增强算法的寻优能力。使用CEC2017测试函数对改进算法进行测试, 并通过统计分析、收敛性分析、稳定性分析、Wilcoxon检验、Friedman检验、Iman-Davenport检验评估改进算法性能。仿真结果表明: 本文提出的改进策略能有效提高算法性能; 提出的改进算法相比其他算法, 具有更快的收敛速度和更好的收敛精度。