求解航天器最优交会问题的改进和声搜索算法

针对航天器最优交会问题,基于C-W模型建立一种燃料时间混合指标,并提出一种改进和声搜索(AHS)算法进行求解.在AHS算法中,提出一种全局均匀学习操作,利用了当前全局最优和声的指导作用,取代了原始和声搜索算法的基音调整操作,增强全局搜索和局部搜索的平衡,并对参数PAR进行了有效的动态调整,以更好适应算法的搜索进程.利用几个最优交会实例对AHS算法的有效性进行了测试,数值结果表明AHS算法能够取得满意的结果,并且优于其他算法.     

动态协同和声搜索算法及其在无线传感器网络覆盖中的优化

研究一种动态协同和声搜索算法,并对无线传感器网络的覆盖感知模型进行求解.该算法设计多种群动态协同进化策略,改善和声搜索算法的多样性.在和声记忆库考虑阶段,引入轮盘赌选择,提高搜索的有效性.同时,对算法参数进行动态调节,以提高算法的优化性能.无线传感器网络覆盖优化问题的优化仿真结果表明所提算法取得较优的结果.     

改进的新颖全局和声搜索算法

为了提高和声搜索算法的寻优性能,提出了改进的新颖全局和声搜索(INGHS)算法.通过差分向量范数定义和声记忆库多样性,以和声记忆库的多样性信息为指导实现位置动态更新,并结合变异操作更新和声记忆库.算法采用动态位置更新策略产生新和声,在寻优早期具有较好的全局搜索性能,在寻优后期具有较好的局部搜索性能,提高了算法跳出局部最优的能力.利用7个标准测试函数对所提算法与目前已知文献中优秀的改进HS算法进行性能测试,测试结果表明所提算法具有较好的寻优性能.     

和声蛙跳算法在复杂优化问题中的应用研究

和声搜索算法在求解复杂优化问题时,仅仅通过随机的方式产生新元素,搜索过程中新个体的有效性难以持续保证,影响算法的优化性能.针对该问题,将混合蛙跳算法的族群内部局部寻优模块嵌入和声搜索的算法框架中,将和声搜索算法的随机性与混合蛙跳算法的导向性相耦合.定义算法自适应调整参数并以此为基础对两种算法进行动态调用,从而实现两种算法的耦合动态搜索.将改进算法应用于标准测试函数和车辆路径问题的优化,模拟计算结果表明：本文提出的改进算法具有更强的全局搜索能力,得到的解更优,适合用于求解复杂优化问题.     

融合和声搜索的混沌粒子群优化算法及工业应用

针对粒子群算法在优化过程中容易出现"早熟"现象,提出一种融合和声搜索及混沌的改进混合粒子群优化算法。混沌粒子群算法运行稳定,具有较好的鲁棒性和适应性。和声搜索算法是一种模拟乐队调音获得完美和声过程的元启发优化算法,具有较强的全局搜索性能。通过对4个标准函数的测试比较,结果表明:改进的融合和声搜索的混沌粒子群优化算法(chaos particle swarm optimization algorithm with harmony search,CPSO-HS)跳出局部最优位置能力强,收敛速度快,稳定性高。改进的CPSO-HS算法已成功应用于重油热解模型的参数估计。     

和声搜索算法在聚类分析中的应用

提出了一种改进的和声搜索算法并应用到聚类分析中.首先,将状态反馈机制引入到和声搜索算法中,通过判断和声记忆库中"最优"和声和"最差"和声之间的差异,来动态调整和声记忆库考虑概率和移动步长,使算法能够快速地收敛到全局最优解.通过更新和声向量中精度变量对应的聚类中心来最小化目标函数值,获得数据样本的最优划分.其次,提出了一种数据样本真实聚类中心数的确定方法,当输入样本数大于真实聚类中心数时,通过计算能够自动地确定数据样本真实聚类中心数目.最后,应用4种性能指标来比较所提算法与蚁群聚类算法和原始和声搜索聚类算法的性能.结果表明,所提算法的性能优于另两种算法.     

用于求解旅行商问题的多策略离散型和声搜索算法

基于求解旅行商问题(TSP),提出了一种多策略离散型和声搜索算法.文中通过引入-opt算法设计了一种离散型即兴创作过程,并结合3种策略来提高全局寻优能力:采取教学优化策略给出了产生和声的新方式,以改善和声记忆库的质量;采用精英扰动策略探索最优和声的邻域进行精细搜索,以提高算法的收敛精度;通过排序选择更新策略保持和声记忆库的多样性,避免算法早熟收敛.实验结果分析表明,该算法能够有效求解TSP,具有可靠的全局收敛性和较快的收敛速度.     

并行混沌与和声搜索的多目标混合优化算法

针对传统的混沌优化算法对初始值敏感、搜索精度低和收敛速度慢,以及和声搜索收敛不稳定、处理多目标优化问题时适应性差等不足,研究了一种多目标并行混沌与和声搜索混合优化算法(MOCOHSA).MOCOHSA利用并行混沌优化的全局搜索能力与和声搜索算法的局部搜索能力,并在和声搜索中引入自适应操作,在解决多目标优化问题时表现出良好的搜索速度和收敛性能.对8个多目标优化测试函数的优化计算中,该算法表现出比其它多目标优化算法更好的性能.算法最后用于解决卫星热管设计问题.     

基于改进蚁群算法的HMM参数估计

针对隐马尔可夫模型(HMM)的传统参数估计方法容易陷入局部最优,对初始参数值要求较高且会出现过耦合现象,为了提高模型的鲁棒性和识别性能,提出一种基于改进蚁群算法的HMM参数训练估算法(HMM-ACO).该算法根据信息素的变化实现全局搜索,较好地解决了迭代算法易发生的局部陷阱问题.与其他全局优化算法相比,该算法识别精度有较大提高.实验表明,利用HMM-ACO算法训练的隐马尔可夫模型具有较好的分类识别性能.     

基于全局和声搜索算法的特征基因选择方法

鉴于DNA微阵列数据中无关基因和冗余基因对分类精度和效率的影响,提出一种基于全局和声搜索的特征基因选择方法,首先采用ReliefF算法对微阵列基因数据集排序,取排序靠前的N个基因构成初选基因子集,然后利用全局和声搜索算法选择特征基因.两个公共微阵列数据集上的仿真实验表明,该算法全局搜索能力强,分类精度高,能够有效地剔除噪声和冗余基因,是一种有效的特征基因选择算法.     

用和声搜索算法求解技术站列车解编方案

确定到达列车的解体顺序和出发列车的编组顺序(即列车解编方案)是技术站编组调机运用计划的核心问题.本文为解决该问题,构建相应的优化模型,利用结合邻域搜索的和声搜索算法进行求解,采用目标函数值评价新的和声,邻域搜索策略用于获取新的和声.最后利用算例对所设计算法的求解效率进行分析验证,表明:算法收敛速度较快,而与邻域搜索策略的结合,有利于扩展其搜索范围与提升全局搜索能力,降低对选择概率的依赖.通过对不同参数条件下计算时间的测试说明,所设计算法能够满足技术站编组列车解编方案编制的要求.     

基于细胞型膜计算框架的和声搜索算法及其应用

和声搜索算法为一种元启发式算法，该算法具有参数少、可操作性强等优点，膜计算作为自然计算的一个分支，本身具有较大的发展潜力与完备的计算性.本研究将两者结合，提出一种基于细胞型膜计算框架的和声搜索算法，利用细胞型膜计算框架来构建算法的膜结构，并根据膜计算框架的结构，使用现存的和声搜索算法的迭代方式作为基本膜内的进化规则，设计通信机制使不同膜之间相互传递信息，有利于丰富种群的多样性与平衡算法的全局和局部搜索，并设置外部档案记录最优个体来控制种群进化的方向，从而提高算法的精准搜索能力.最后，在CEC基准函数下进行数值优化实验，仿真结果表明，HS-MC算法在求解数值优化问题上比其他算法具有更好的性能，并使用HS-MC算法优化Elman神经网络的权值和阈值来预测上证指数的开盘指数，预测结果表明，HS-MC算法具有较好的寻优能力和实用性.     

带有全局交叉的修正和声搜索算法

为增强和声搜索算法的全局搜索能力,提出一种带有全局交叉的修正和声搜索(MHSgc)算法.MHSgc算法采用多和声记忆库协同创作,应用邻域学习策略进行调整,取代原有的基音调整,从而增加了种群多样性.同时,提出一种全局交叉操作,并融合到MHSgc算法中,防止算法陷入局部最小.针对几个标准函数进行了实验仿真,数值结果表明,上述算法优于文献报道的8种智能算法(HS,IHS,GHS,NGHS,EHS,ITHS,MPSO,RMDE),具有较好的优化潜力.     

基于模拟退火-单纯形法的模型参数估计研究

针对模型参数估计问题难以准确求解的不足,提出了一种模拟退火和单纯形算法结合的混合优化算法.该算法利用模拟退火的随机全局搜索能力和单纯形算法的确定性多面体搜索策略,把这2种算法进行结构上的组合,通过采用新的反射操作,构成了模拟退火单纯形算法用来求解带有约束的优化问题.对7种测试函数的实验结果表明:该混合优化算法比传统模拟退火算法和单纯形算法有着更好的搜索精度.最后将该算法运用在了模型参数估计问题上,能够准确地辨识出模型参数,证明了该算法在模型参数估计问题中的有效性.     

改进的自适应和声搜索算法

和声搜索算法是一种启发式优化算法,针对现有改进的和声搜索算法(IHS)的不足,提出了一种改进的自适应和声搜索算法(IAHS).在该算法中,采用自适应的和声保留概率、音调调节概率和音调调节步长产生新解,每次迭代产生多个新解,充分利用和声记忆库的信息.本文用了5个标准的测试函数对该算法进行测试,结果表明该算法(IAHS)有较强的寻优能力和跳出局部最优解的能力.     

混合Kriging代理模型的高维参数估计优化算法

基于Kriging代理模型的优化算法对于解决函数计算昂贵的优化问题非常有效,但并不适用于高维参数的优化.针对该问题,提出了一个混合Kriging代理模型和多种优化技术的算法.该算法在Kriging模型选择新样例点时使用单维参数独立优化以克服维度灾难并提高收敛速度,同时基于已构建的Kriging代理模型信息提出一种新的动态坐标扰动策略,并将该策略用于高维参数优化以得到更好的目标函数值.为了保证不丢失全局最优解,在使用一般期望提高加点策略作为选点原则时,在期望函数的多个峰值同时选点.为了验证算法的有效性,将该算法应用于具有41维参数的人类白细胞代谢网络参数估计问题.实验结果表明,在有限的迭代次数下,该算法能产生较小的目标函数值,以及和实验拟合较好的参数估计结果.     

和声搜索算法在求解最短路径问题中的应用

提出了一种改进的全局和声搜索算法来解决最短路径问题.首先,定义了动态基因突变率,并引入到和声搜索算法中,有效地阻止了算法陷入局部最优解.其次,应用动态优先值编码方案,根据和声向量中变量对应节点的优先值来构造路径,通过迭代更新和声记忆库,并最终获得最短路径.对由20～100个节点构成的网络拓扑进行仿真实验,应用三种性能指...     

基于FPSO-SA算法的威布尔分布参数估计研究

为解决威布尔分布等复杂分布模型采用常规方法很难直接进行参数估计的问题, 提出了基于模糊粒子群模拟退火算法的威布尔分布参数估计。该算法根据粒子个体纵向和横向运动特性, 引入模糊逻辑推理动态调整惯性权值因子, 提高了粒子群算法(PSO: Particle Swarm Optimization)的收敛速率; 将上述模糊粒子群算法(FPSO: Fuzzy Particle Swarm Pptimization)与模拟退火算法(SA: Simulated Annealing)结合, 以FPSO算法的速度位置更新公式作为SA算法的状态生成函数, 再运用Metropolis算法以概率接受新状态, 获得全局最优参数估计值。将基于上述智能算法的参数估计法运用到威布尔分布参数估计中, 提高了参数估计精度。实际应用表明, 该参数估计方法在复杂分布模型参数估计中具有可行性和有效性。     

考虑时变资源价格因素的Q学习强化和声搜索网格任务调度算法

针对传统网格任务调度算法不考虑价格时变因素缺点,提出一种基于Q学习强化和声搜索算法的考虑时变资源价格因素网格任务调度算法.首先,综合考虑价格时变因素影响,对网格任务调度模型进行改进,提出一种新的调度模型;其次,利用Q学习算法对和声搜索算法进行改进,平衡了算法的广度和深度搜索能力;最后,通过与同类算法的仿真对比结果表明,该算法和模型具有较好的收敛速度优化性能,并且在资源价格满意度和任务调度长度两个层面具有更全面的优化性能.     

和声搜索算法优化神经网络的无线网络室内定位

室内环境复杂多变,无线信号具有强烈的时变性,支持向量机存在定位效率低,神经网络参数难以确定等难题。为了改善无线网络室内的定位效果,提出了和声搜索算法优化神经网络的无线网络室内定位模型。首先收集无线网络定位的训练样本,采用压缩感知算法减少训练样本的规模,然后采用聚类算法对样本进行聚类分析,选择最有效的训练样本,最后采用和声搜索算法优化神经网络实现无线网络定位,并通过具体仿真对比实验测试了该算法的可行性。测试结果表明,该算法的定位效果可以满足无线网络的定位实际要求。