自适应细菌觅食算法在优化问题中的应用

细菌觅食算法在求解优化问题时,以固定的步长进行趋向操作,同时以固定概率对细菌个体进行随机驱散操作,虽然可以一定程度上增加种群多样性,但是在进化后期容易使优秀的个体流失,影响算法的寻优质量.针对上述问题,论文提出步长自适应调整和驱散概率自适应调整两项改进策略,分别根据算法进化程度和细菌个体的能量值动态调整趋向操作的步长和驱散操作的概率,从而使算法在保证种群多样性的前提下,保持细菌个体具有较高觅食能力,促进算法局部搜索和全局优化的平衡.对标准测试函数和TSP问题的测试结果表明:基于自学习的细菌觅食算法具有较强的全局寻优能力,适合求解高维复杂优化问题.     

自适应采样免疫算法及其对随机优化问题的应用

基于体液免疫的简化机制,设计随机优化免疫算法处理高维随机优化问题．算法的关键在于设计：（1）动态分配群体中各抗体采样次数的自适应采样算法;（2）抗体进化算子;（3）进化群体和记忆集的采样数．该算法具有结构简单、灵活、易于应用的特点．数值实验及多种算法比较显示,此算法具有噪声抑制能力强和寻优速度快速等特点,对于不同噪声幅值的高雏随机优化,均能在优化质量、噪声抑制、执行效率中获得满意效果．     

粒子群优化算法在TSP问题中的应用

新型模糊自适应PSO与惯性权值线性递减PSO的测试结果表明,新型PSO在优化单峰函数的性能明显优于后者;对多峰函数的优化问题上,前者比后者具有更大寻找全局最优解的潜力。这些实验是对连续的函数空间的优化问题。为了考察新型模糊自适应PSO在解决组合优化一类离散问题的性能,我们通过对PSO的离散化,使用经典的TSP问题进行测试。     

基因算法在求解非光滑优化问题中的应用 (三峡地区资源环境生态研究)

本文考虑了基因算法在求解非光滑优化问题中的应用。非光滑优化方法致力于求解目标函数为连续不可微函数的数学规划问题。因为目标函数的不可微性,传统的以梯度为基础的确定性算法在求解非光滑问题时会遇到障碍,所以运用不需要梯度信息而只需要目标函数值信息的遗传算法来求解非光滑问题是一个不错的选择。遗传算法是基于自然界生物遗传变异过程而设计的一种优化算法,它首先对问题的可行解进行编码,编码方法有0-1编码,格雷编码和实数编码,然后运用交叉算子,变异算子和选择算子产生下一代种群。当种群迭代达到一定的次数后,种群中的最优染色体就会收敛到原问题的最优解。本文设计的基因算法基于实数编码,算子分别采用算术交叉算子,非一致变异算子,最佳选择算子。     

求解约束优化问题的自适应免疫混合蛙跳算法

针对基本混合蛙跳算法存在收敛速度幔和优化精度低等不足,提出了免疫混合蛙跳算法.将免疫算法的信息处理机制插入到基本混合蛙跳算法中,免疫接种算子可以改善算法的搜索能力,以此引导算法的进程.同时通过自适应机制来维持种群的多样性,使得算法在保持开发与探索平衡的同时提高了收敛精度.通过对13个经典约束优化问题测试函数的仿真实验,表明了自适应免疫混合蛙跳算法在约束优化问题上具有很好的性能.     

混合优化算法及在约束优化问题中的应用

针对混沌优化方法和Alopex算法的特性,将改进的Alopex算法嵌入到混沌优化算法中,提出了一种混合优化算法,此算法充分发挥了改进的Alopex算法的快速搜索能力和混沌优化方法细致寻优的特性,提高了算法的收敛速度,避免了优化算法陷入局部最优的缺陷;同时将混合优化算法应用于约束优化问题中．仿真结果表明了混合优化算法的有效性．     

噪声环境下函数优化问题的混合优化算法

针对噪声环境下的函数优化问题提出一种混合粒子群优化算法UPSOOHT, 并考察了最优计算量分配（OCBA）和噪声幅度对算法性能的影响. 该算法将粒子群优化算法与假设检验及OCBA有效地结合, 具有很好的全局搜索能力和局部精化能力. 与其他优化算法比较的测试结果表明, UPSOOHT算法的性能和抗噪声能力都具有明显的优势.     

简化的自适应粒子群优化算法

胡旺等人在2007年提出了一种简化粒子群优化算法,基于他的思想,我们给出一个简化自适应粒子群优化算法,在该算法中权重采用标准粒子群算法的自适应权重公式,但是权重的最大值根据解的进化情况不断更新,解改进的成功率的越大权重最大值增大,反之,解改进的成功率的越小权重最大值减小.最后,通过几个典型例子对给出的算法进行检验并与其...     

地球物理反问题的自适应均匀优化算法

针对地球物理反问题存在非线性和多参数性的特点，本通过对目前流行的模拟退火算法选择模型在整个模型空间具有非均匀性特点的分析，采用均匀设计模拟退火方法求解地球物理问题，为了使该方法便于应用，提出了模型不同分量的温度参数和退火过程的选取方式，提出了温度参数的具体计算方法，使该反演方法具有自适应的特点，理论和实际资料的试算表明了该方法的正确有效性。     

遗传算法在马斯京根模型参数估计中的应用

在马斯京模型参数估计问题中,引进了绝对残差绝对值和最小准则及相对残差绝对值和最小准则,直接优选参数,探讨了遗传处的原理及本身参数优化特性,总结了参数的简便设置技术,并针对该法的寻优效果明显依赖于模型参数的初始变化区间的大小,及可能会出现过早收敛的问题,提出了自适应加速遗传算法,通过实例应用,进行了本文方法与传统优化方法的比较,结果表明,本文方法具有直观、简便,快速、适用性强等特点,可广泛应用于各种优化问题中。     

基于自适应遗传算法的无刷直流电机的优化设计

对遗传算法特别是自适应遗传算法作了分析，重点研究了交叉算子和变异算子对遗传算法收敛性的影响，提出了一种改进的自适应遗传算子的方法。该方法可在遗传模式得到保证的基础上加快新个体的产生速度，所构造的遗传算子随适应值自动变化，对远离最优值的个体采用较大的遗传算子值，对接近最优值的个体采用较小遗传算子值，以提高得到全局最优解的概率。通过测试函数的求解，验证了所构造的自适应算子的有效性和正确性。实算结果表明，在无刷直流电机的优化设计中，改进后的自适应遗传算法可在满足各项性能指标的前提下取得良好的优化效果，得到全局最优解的概率较改进前有明显提高。     

基于云遗传算法的不确定性环境下平台资源调度适应性优化方法

针对战场环境中不确定因素对平台资源调度方案的影响,提出了一种面向不确定事件的平台资源调度适应性优化方法。考虑平台损耗和任务处理时间2个方面的不确定性,建立以最大任务执行效率为目标函数的平台资源调度的适应性优化问题的数学模型,根据不确定事件对平台资源能力或任务属性的影响来判断是否触发调度方案的适应性优化,并基于云遗传算法设计了平台资源调度适应性优化问题数学模型的求解方法,最后通过算例进行了验证。仿真结果表明,使用云遗传算法对平台资源调度方案进行适应性优化调整,能得到更加优化的平台任务匹配关系,并从整体上缩短使命完成时间。     

自适应遗传算法优化模糊小脑模型

首次采用遗传算法（ＧＡ）设计模糊小脑模型神经网络（ＦｕｚｚｙＣＭＡＣ）的隶属函数．提出一个自适应ＧＡ优化算法，并且以优化模糊小脑模型ＦｕｚｙＣＭＡＣ学习正弦曲线．仿真实例表明，采用自适应ＧＡ方法优化的ＦｕｚｙＣＭＡＣ学习精度比标准小脑模型ＣＭＡＣ提高大约三个数量级、比标准ＦｕｚｚｙＣＭＡＣ（三角形隶属函数）提高一个数量级．自适应ＧＡ方法优化的ＦｕｚｙＣＭＡＣ学习速度比普通ＧＡ优化的速度快且进化过程的振荡明显减小，仿真证明该方法比普通ＧＡ优化方法稳定，收敛效果好．     

自适应遗传算法求解运动员最佳配对问题

采用引入了收敛因子和进程因子的自适应遗传算法求解运动员最佳配对问题,并在保持群体多样性和全局收敛性的情况下与回溯法进行对比.结果表明,自适应遗传算法能有效提高收敛速度,对较大规模的配对问题也能快速求解.     

改进的自适应遗传算法在结构优化设计中的应用

普通遗传算法经常出现易早熟、随机性较大、收敛速度较慢等问题,基于Sigmoid函数,提出了一种新的改进的自适应遗传算法.该算法可以有效提高收敛速度并防止算法陷入局部最优解,通过算例分析,证明了该方法的可行性和有效性.结果表明,提出的新型遗传算法可以为其在大型土木建筑结构的优化设计中的推广应用提供理论支持.     

一种参数自调整多种群遗传算法

在借鉴海明距离、爬山法思想的基础上 ,提出了通过划分种群 ,采用不同的自适应参数 ,在保持快速收敛于最优的同时不失种群的多样性 .新方法提高了搜索精度 ,较好地克服了未成熟收敛现象 ,并通过多元多峰数学函数对新方法和基本遗传算法进行比较评估 ,验证了新方法具有较满意的优化效果 .     

自适应变异粒子群优化算法

提出了一种自适应变异粒子群优化算法,该算法通过遗传变异提高种群多样性的方法使算法增强持续搜索能力,解决了PSO算法的早熟收敛问题。采用标准测试函数进行仿真实验,结果表明：提出的算法具有提高局部最优值的能力,且优化精度更高。     

基于种群过早收敛程度定量分析的改进自适应遗传算法

分析了现有的一些改进算法所提出的评价种群过早收敛程度的指标,讨论了它们的不足,提出了一个概念清楚,运算量小的新指标,并利用该指标给出一种新的交叉概率,变异概率自适应调整策略。仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度,而且还能增强算法的全局收敛性。     

应用自适应遗传算法的膜系优化设计消除机械瞄准具虚光问题

通过建立光在空气与金属表面的传播模型,分析了机械瞄准具照门缺口处虚光的成因并给出了用薄膜技术解决虚光问题的原理。进而针对问题作了基于自适应遗传算法的膜系优化设计,给出八层减反射膜系的结构参数并证明其有效性。