基于嵌入式菱形思维的参数实时评估微粒群算法

微粒群优化算法参数的选取是影响其性能和效率的关键.为了解决微粒群算法的参数优选问题,提出-种将可拓菱形思维嵌入到微粒群优化算法中,依赖被优化函数对参数进行自适应优选的高精度微粒群算法.基本思想是:(1)根据发散-收敛-再发散-再收敛这一菱形思维特点,建立微粒群算法参数优选的菱形思维模型,利用物元的可拓性对其进行发散性设计,再利用合适的评价方法时发散后的多种参数配置方案进行评价,取其中最优方案对应的参数作为算法当前代的参数值;(2)将菱形思维过程嵌入到微粒群算法的每一步,算法参数随着进化过程中的反馈信息不断被菱形思维优化,实现了参数选取过程的实时性和自适应性.该嵌入式优化算法既提高了算法的优化精度,又克服了迭代进化嵌套的高计算成本不足.最后通过对典型benchmark函数的优化仿真,表明该算法具有较高收敛速度和优化精度.     

基于改进离散微粒群优化算法的混流装配线多目标排序

产品投产排序是混流装配线有效运作的关键,它是标准微粒群算法无法直接应用的离散空间问题.提出改进离散微粒群优化算法来解决混流装配线多目标排序问题.提出了适应离散编码的粒子位置编码方式,有效避免了不可行解的产生,提高算法效率.引入了动态参数及自适应逃逸机制增强了粒子的多样性和搜索性能.分析了装配线参数变化对目标函数和相应投产序列的影响,并确定出了能够获得最优解的合理参数范围.提出评价指标对改进离散微粒群优化算法与基本离散微粒群优化算法进行了对比,对实际混流装配线的仿真实验表明提出的改进微粒群优化算法可以直接应用于离散排序问题,是一种高效的混流装配线排序算法.改进微粒群优化算法与遗传算法的仿真实验对比显示了提出方法在混流装配线排序问题中的优越性.     

微分进化微粒群算法及其控制

通过对微粒群优化算法的分析,提出了一种用微分方程组描述的微粒群优化算法——微分进化微粒群优化(DEPSO)算法,并利用传递函数对DEPSO算法的收敛性进行分析.在此基础上,通过引入PID控制器以控制DEPSO算法的动态进化行为,以增强微粒产生的多样性,从而改进微粒群优化算法的全局收敛性.仿真结果表明了此方法的有效性.     

基于离散微粒群优化的物流配送车辆路径问题

提出一种求解物流配送车辆路径问题的离散微粒群优化算法。通过引入随机交换序、PMX算子使微粒群优化算法能够求解车辆路径问题这类离散组合优化问题。设计了求解车辆路径问题一种新的整数编码方案，并采用罚函数法处理约束条件。计算结果表明，该算法是解决车辆路径问题的有效方法。     

不确定多项目选址问题的微粒群优化算法

针对项目收益具有不确定性、为区间数的多项目选址问题,首先,定义约束的满足测度和处理策略,把含区间参数多目标优化模型转化为确定型单目标优化命题;接着,利用微粒群算法优化该模型,给出离散变量连续化,微粒位置归一化、微粒位置解码等关键问题的解决方法.最后,优化8项目10位置选址实例,验证了所建模型的可行性及算法的有效性.     

单机不同尺寸工件批调度问题的优化算法

研究了单机环境下不同尺寸工件的批调度问题,引入微粒群算法对制造跨度进行优化.首先给出了问题的微粒表达形式,并根据问题的离散优化特性对微粒状态的更新方法进行了改进;然后将微粒群算法和分批的启发式算法进行有效结合,改善近似解的质量.实验中对各类不同规模的算例均进行了仿真,结果表明了微粒群算法的有效性.     

基于群集智能的多主体创新设计自动协商算法

为了解决复杂产品创新设计系统中多主体协作的冲突协商问题,提出一种基于模糊物元分析的启发式自适应变异微粒群全局优化算法.首先,引入模糊物元分析理论,将各设计主体的个性化要求、特征及相应的模糊量值结合起来建立其形式化模糊物元模型,应用模糊物元优化方法将多目标协商问题转化为单目标协商问题;然后,给出了该协商模型的自适应变异微粒群求解算法,在微粒群寻优过程中引入变异机制,根据自适应变异概率对惰性和适应度差的微粒进行突变操作,增大微粒间的差异性和非均匀性,有效阻止算法过早收敛于局部最优点,提高算法的求解速度;最后,通过在汽车动力传动系统参数优化匹配协同设计中的应用,表明了该协商算法的有效性.     

基于文化微粒群Elman网络的航煤干点软测量模型

将微粒群算法用于文化算法种群空间的优化,形成文化微粒群算法,并用常用测试函数检验该算法的性能;结果表明,文化微粒群算法具有比基本微粒群算法更好的优化性能。然后,籽文化微在群算法用于Elman网络连接权值和阎值的寻优,构成文化微粒群Elman网络,并将其应用于加氢裂化航煤于点软测量建模。结果表明,此模型精度高,应用前景广阔。     

基于改进微粒群的分布式工作流调度优化

为了提高分布式工作流的执行效率,通过研究微粒群算法PSOA的机理,结合分布式服务工作流调度的特点,提出了基于整数二进制编码的微粒群算法IBPSOA.IBPSOA采用服务类、服务实例作为整数-二进制编码方式,重新定义了微粒群算法的加/减法和乘法,增加了特殊的绝对值运算,速度与位置的更新加快了向最佳目标收敛的速度,实现了工作流优化调度.通过仿真实验和原型系统的运行,验证了IBPSOA算法是解决分布式计算环境下工作流调度优化问题的一个有效途径.     

优化差异工件单机批调度问题的混合微粒群算法

研究了单机环境下具有动态到达时间的差异工件批调度问题,设计了微粒群算法对此类问题进行求解,并结合动态规划进行优化.首先给出了问题的微粒表达形式,并根据问题的离散优化特性对微粒状态的更新方法进行了改进;然后将微粒群算法和动态规划算法进行有效结合,改善近似解的质量.在实验中,对各类不同规模的算例均进行了仿真,验证了该算法的有效性.     

基于贝叶斯算法的天线端到端优化

在确定天线的拓扑结构以后, 通常需要对天线的结构参数开展反复的优化才能达到设计目标, 快速有效的优化算法有利于缩短天线的设计周期。在建立综合目标函数的基础上, 同时考虑天线的多个优化目标和限制条件, 使用贝叶斯优化算法对天线进行端到端优化。基于在线更新的数据集, 高斯过程估计出目标函数的后验分布, 进而使用获得函数进行迭代。通过两种天线模型对提出的优化算法进行仿真验证, 结果表明, 由于建立了天线参数到综合目标函数的映射关系, 整个优化过程以端到端的方式实现, 与传统的优化方法相比, 所提算法的优化结果和优化速度都具有明显的优势。     

人工记忆优化算法

为了求解复杂函数优化问题,根据人类记忆原理构造出了具有全局收敛性的人工记忆优化算法. 在该算法中,每个记忆元对应着一个试探解; 将记忆原理的记忆和遗忘规律用于控制每个记忆元的状态转移; 记忆元的状态由与试探解相关的状态描述量以及记忆残留值构成,该值分为瞬时记忆、短时记忆和长时记忆三种状态类型,并依据记忆元接受刺激的强度被加强或衰减; 处在瞬时记忆、 短时记忆和长时记忆状态的记忆残留值衰减速度由快到慢,记忆残留值低于某个阈值的记忆元要被遗忘,不再被处理. 在记忆元状态转变过程中,记忆元从一个状态转移到另一个状态实现了对优化问题最优解的搜索. 该算法将试探解与记忆关联,使得试探解依据其质量好坏被自动分类; 处于长时记忆状态的试探解因其质量好,其部分变量的状态值将被传给其它质量差的试探解对应的变量,使其质量得到改善; 处于不同记忆状态的试探解交换信息时,只有很少部分变量进行状态信息交换,这样既可以使试探解的大部分变量的状态保持不变,又能使其质量得到改善,且可大幅减少变量处理个数,对于高维优化问题此举可大幅提高算法收敛速度; 随着演化的进行,质量差的试探解会不断被遗忘,被处理的试探解的数量会不断减少,因此,随着时间的推移,本算法的收敛速度将越来越快. 应用可归约随机矩阵的稳定性条件证明了本算法具有全局收敛性. 测试结果表明本算法的性能与现有的群智能优化算法相比,具有收敛速度快,求解精度高的优势.     

基于改进边际优化的离散变量优化设计算法

针对传统离散变量优化方法存在的目标函数测算次数多、收敛性不佳等问题,借鉴边际优化理论和模式搜索算法,设计了一种基于改进边际优化的离散变量优化设计算法.借鉴边际效用优化原理,通过引入周围单位步长空间的概念,在初始点选择、边际增量设计、禁忌搜索策略等方面进行了改进,并设计了变异操作以跳出局部最优.实例分析表明,所提算法能够...     

一种基于复形调优遗传算法的多学科优化方法

建立良好的优化方法,是多学科设计优化（multidisciplinary design optimization, MDO）求解的关键和难点。结合具有全局搜索能力的遗传算法和局部收敛特性的复形调优算法的优势,建立了全局优化算法,并将全局优化算法应用于多学科可行（multidisciplinary feasible, MDF）方法的多学科分析模型求解,建立了两级优化MDF（double optimization MDF, DO-MDF）方法和单级优化MDF（single optimization MDF, SO-MDF）方法两种计算构架。以CASCADE系统产生的多学科问题求解为例,对比5种计算构架对MDO求解的优化结果,结果表明,DO-MDF、SO-MDF两种计算构架通过有效关联学科分析的前馈信息流表现出更好的计算能力。     

含不确定参数线性优化的新鲁棒优化模型

针对椭球不确定数据鲁棒线性优化模型的保守性,提出了一种新的鲁棒线性优化模型。通过引入新的距离公式,把椭球不确定数据映射到单位球中,以此来改进鲁棒线性优化模型。新模型克服了原模型对数据扰动较大时的保守性,从而在解的鲁棒性和最优性之间得到一个比较好的平衡。通过对几个标准实际问题的测试,结果表明新模型在保证解的鲁棒性的同时具有良好的最优性。     

基于相位编码的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题, 提出一种适合连续优化的量子蚁群算法. 该方法直接采用量子位的相位对蚂蚁编码. 首先基于信息素强度和可见度构造的选择概率, 选择蚂蚁的前进目标; 然后采用量子旋转门更新描述蚂蚁位置的量子比特, 完成蚂蚁移动; 采用Pauli-Z 门实现蚂蚁的变异增加位置的多样性; 最后根据移动后的新位置完成蚁群信息素强度和可见度的更新. 由于优化过程统一在空间[0,2π]ⁿ 进行, 而与具体问题无关, 因此, 对不同尺度空间的优化问题具有良好的适应性. 以函数极值优化和聚类优化为例, 仿真结果表明该方法的搜索能力和优化效率明显优于普通蚁群算法和标准遗传算法.     

武器装备体系优化方法研究进展

武器装备体系优化是充分发挥体系效能、提高体系作战能力的重要途径。首先,论述了武器装备体系和体系优化的概念;然后,分析了当前7种主要体系优化方法--三层综合优化法、探索性方法、可执行模型法、对抗仿真优化法、多层次多阶段方法、多目标协同优化方法和数学规划法,比较各种方法的适用范围、选用模型的类型、模型关键要素、优点和不足等。最后,提出武器装备体系优化亟待解决的4个问题,为武器装备体系优化的进一步研究提供支持。     

Bayesian network learning algorithm based on unconstrained optimization and ant colony optimization

Structure learning of Bayesian networks is a wellresearched but computationally hard task.For learning Bayesian networks,this paper proposes an improved algorithm based on unconstrained optimization and ant colony optimization(U-ACO-B) to solve the drawbacks of the ant colony optimization(ACO-B).In this algorithm,firstly,an unconstrained optimization problem is solved to obtain an undirected skeleton,and then the ACO algorithm is used to orientate the edges,thus returning the final structure.In the experimental part of the paper,we compare the performance of the proposed algorithm with ACO-B algorithm.The experimental results show that our method is effective and greatly enhance convergence speed than ACO-B algorithm.     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

求解大规模优化问题的改进鲸鱼优化算法

提出一种基于非线性收敛因子的改进鲸鱼优化算法(简记为IWOA)用于求解大规模复杂优化问题.为算法全局搜索奠定基础,在搜索空间中利用对立学习策略进行初始化鲸鱼个体位置;设计一种随进化迭代次数非线性变化的收敛因子更新公式以协调WOA算法的探索和开发能力;对当前最优鲸鱼个体执行多样性变异操作以减少算法陷入局部最优的概率.选取15个大规模(200维、500维和1000维)标准测试函数进行数值实验,结果表明,IWOA在求解精度和收敛速度方面明显优于其他对比算法.