动态无功优化的混合智能算法

针对存在离散控制设备动作次数约束的动态无功优化问题,提出免疫遗传算法和非线性内点法的混合算法.首先忽略控制设备的离散性和动作次数约束,采用非线性内点法求解初始优化解;然后按照控制变量的性质将原问题分解为连续优化与离散优化2个子问题迭代求解.在离散优化问题中,保持连续变量不变,采用免疫遗传算法优化离散变量,通过特别的编码方式使抗体自动满足动作次数约束;在连续优化问题中,保持离散变量不变,采用非线性内点法优化连续变量.混合算法充分结合了免疫遗传算法和非线性内点法的优点,能较快求解动态无功优化的近似最优解.IEEE14节点系统的仿真结果验证了混合算法的有效性.     

求解非线性方程组的一种新方法及应用

针对非线性方程组求解问题提出一种变异量子粒子群算法,该算法首先把非线性方程组的求解转化为约束优化问题,然后根据可行性规则,引入约束违反度函数,结合变异算子,不断地寻找更优可行解,逐渐达到搜索全局最优解。数值实验表明,所设计变异量子粒子群算法是可行的、有效的,是求解非线性组的一种成功算法。     

解优化问题的遗传加速信赖域搜索算法

针对解优化问题的信赖域算法迭代点变化受到信赖域半径约束导致运算速度下降,作者提出了一种遗传加速信赖域搜索算法,该算法在信赖域迭代点变化速度受到信赖域半径约束时,用遗传算法在扩大了的信赖域内求解信赖域子问题,得到加大了的迭代步长,摆脱了短步长迭代的约束,同时通过调节参数可以控制遗传算法加速次数的多寡,从而提高了收敛速度.算法分析和算例表明了新算法的有效性.     

概率约束优化问题的一个光滑D.C.近似

概率约束优化问题通常是非凸且非光滑的,因而在数值计算上存在困难.基于Pinar-Zenios光滑和函数,建立了概率约束优化问题的一个光滑D.C.近似问题,提出了求解光滑D.C.近似问题的序列凸近似(SCA)算法,分析了初始解的选取方法,并讨论了算法的收敛性,收敛定理表明可以由SCA算法可以得到光滑D.C.近似问题的KKT点,并且在迭代过程中,确保了由SCA算法生成的解序列的极限点是近似问题的KKT点.     

改进的量子粒子群优化算法对多维多选择背包问题的求解

针对多维多选择背包问题无法在多项式时间内找到最优解, 且由于其强约束限制条件, 在求解过程中易陷入局部最优的问题, 提出一种改进的量子粒子群优化算法对该问题进行求解. 首先, 在量子粒子移动过程中, 通过判断其与下次迭代个体的位置关系确定其位置信息的可用性, 通过该信息充分保留粒子位置的多样性; 其次, 提出一种新的位置扰动方法, 避免种群陷入局部最优. 最后, 将该算法在标准数据集上进行测试, 对算法的收敛速度和运行时间进行分析, 测试结果表明, 该算法在求解准确性上得到明显提升.     

基于贪婪策略整体分布优化算法的0-1背包问题求解

提出了一种思想简单且可用于0-1背包问题求解的基于贪婪策略整体分布优化算法.该算法首先随机产生一个初始种群,经贪婪策略将种群变成价值相对较高的可行解,保留本次最优解;然后以最优解为中心,用柯西分布产生新的种群,经贪婪策略将新种群变成相对价值较高的可行解,再保留本次最优解,重复以上过程,达到最大迭代次数,求出问题的全局最优解;最后,对不同规模的问题进行了实验.结果表明:该算法在求解0-1背包问题上是有效的,比遗传算法、贪婪算法具有更强的寻优能力.     

非光滑约束优化的改进水平束方法

为求解一类非光滑约束凸优化问题,提出了基于Bregman距离的水平束方法,将传统欧氏距离推广到广义Bregman距离,从而可充分利用可行集的几何结构,提升计算效率。该方法利用多面体模型近似原问题的目标函数和约束函数,并引入改进函数作为最优性判别函数。最后证明了算法的全局收敛性并分析了迭代复杂度。     

多输入多输出系统特征模发射最小化误码率优化功率分配

在多输入多输出系统特征模发射设计中,基于最小化误码率准则优化发射功率分配问题没有简单的闭式解,求解方法有通用优化算法(如内点法)和Q函数契尔诺夫近似功率分配法.前者计算量大且不能理论分析,而后者只能获得近似功率分配解.文中将此约束优化问题的解用W主分支函数表示,将其转化为求解关于W函数的问题,提出了W函数求解法.利用W函数的简单求解算法,所提出方法能获得更精确的优化功率分配解.数值模拟结果也显示,该方法获得了较其他求解方法更低的系统误码率.     

求解约束优化问题的改进教-学优化算法

提出了一种非线性约束优化问题改进的教-学优化算法,该算法首先提出了自适应的教学因子,对学习阶段的迭代方程进行改进,引入了差分变异策略;其次利用约束违反度函数将约束优化问题转化为无约束双目标优化问题,在每次迭代中按照约束违反度的大小保留部分性能较优不可行个体,有效地维持了种群的多样性;最后数值实验表明,该算法具有较快的收敛速度和较好的全局寻优能力.     

基于遗传算法的协同优化方法

针对协同优化的系统级优化可行域可能不存在的问题,采用遗传算法,并借鉴逐步增强约束强度的思想,提出了基于遗传算法的协同优化算法.该算法利用各子学科返回的优化值,计算种群中个体的不可行度,根据不可行度和阈值来判定该个体是否为可行解.提出利用循环迭代次数调整阈值的方法,保证了系统级优化向一致性等式约束不满足度减小的方向进行,达到了有效增强子学科间一致性的目的.最后,利用减速器典型算例对该方法进行了验证,结果表明该方法的优化性能良好.     

基于离散近似迭代法的多阶段M-SAD投资组合优化

提出了具有交易成本和交易量限制的多阶段均值一半绝对偏差（M-SAD）投资组合模型,并用自创算法——离散近似迭代方法求解。该算法的基本思路为：首先,将连续型状态变量离散化,根据网络图的构造方法将上述模型转化多阶段赋权有向图;其次,运用嘉量原理求出起点至终点的最长路程,即获得模型的一个可行解;最后,以该可行解为基础,继续迭代直到前后两个可行解非常接近。文章还证明了该方法的收敛性和复杂性。     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

多目标混合混沌优化算法研究及应用

为了求解多目标优化问题,提出一种基于混沌搜索的多目标模糊混沌优化算法．将混沌优化方法与模糊优化方法有机地结合起来,应用混沌优化算法求出各个单目标的最优解;将各最优解模糊化;应用模糊非对称方法的思想和模糊集合理论中的最大满意度原理,将多目标优化问题转化为单目标非线性规划问题;最后应用混沌优化算法求解单目标优化问题,得到满意度最大的解．结果表明,所提出的多目标模糊混沌优化算法是可行和有效的,为求解多目标优化问题提供了一种新的有效方法．     

量子行为粒子群优化算法在几何约束问题上的应用

几何约束问题可以等价为求解非线性方程组问题,同时也可以将几何约束问题转化为一个优化问题来求解.受经典粒子群优化算法和量子动力学启发,提出一种新的算法——量子行为粒子群优化算法(QPSO)来求解几何约束问题.在QPSO模型里,粒子的状态不再通过位置和速度来决定,而是通过一个波函数来确定.这种算法的主要优点就是可以在感兴趣的问题上保持种群的多样性.实验结果表明,该方法可以提高几何约束求解的效率和收敛性.     

一种遗传算法求约束优化问题的新方法

为了更好的解决约束优化问题,介绍了利用遗传算法求解约束优化问题的一般方法,在分析传统方法的基础上提一种遗传算法求解约束优化问题的新方法,将约束优化问题分成两步:首先不考虑目标函数,把约束优化问题转换为一个约束满足问题来处理,获得一个可行解;然后对目标函数和已满足约束的条件进行优化,最终获得一个最优解。还对该方法在不同问题下作了分析,证明了该方法对求解有约束优化问题有良好性能。     

水库发电优化调度约束处理方法性能差异

针对水库发电优化调度复杂约束问题,采用搜索空间限定法、强制修复法和惩罚函数法三种约束条件处理方法,结合粒子群优化(particle swarm optimization, PSO)算法求解水库发电调度过程,分析不同约束处理方法对水库发电优化调度运行结果的影响,比较不同处理方法下种群适应度和寻优能力等方面的性能差异.结果表明：当水库水位可行域逐月控制时,三种约束条件处理方法均可使种群较快趋于最优解;当水库水位全年以同一可行域控制时,搜索空间限定法、强制修复法比惩罚函数法优化效果更好,可有效减少种群数目和迭代次数.     

处理带约束的多目标优化进化算法

针对当前对求解多目标优化的遗传算法中主要考虑如何处理相互冲突的多个目标间的优化,而很少考虑对约束条件的处理的问题,提出一种求解带约束的多目标优化遗传算法,利用邻域比较与存档操作遗传算法处理多个相互冲突的目标之间的优化、利用不可行度选择操作处理约束条件和选用约束主导原理指导进化过程选择操作; 面向多目标约束优化算法,列举了2个难点典型问题进行仿真计算研究,仿真结果表明该算法能较大概率地获得多目标约束优化问题的可行Pareto最优解.     

目标超平面上的一种对偶单纯形算法

提出求解第一阶段线性规划问题的对偶单纯形算法.首先,将具有最优值的辅助目标函数作为新约束加入第一阶段问题中;然后,以该约束所在行为枢轴行进行旋转变换产生辅助超平面上的一个极顶点,如果这个点可行,第一阶段对偶单纯形算法结束,否则,迭代固定在辅超平面上极行;接下来,以右手项取负值的所有约束之和为目标(约束),通过对偶迭代使右手边的值单调增加,同时保持右手项为非负的约束仍然可行,一旦右手边取负值的约束变为可行,就将其从目标约束中删除,直至获得一个可行解或者得到原问题无可行解的结论;最后,从NETLIB和MIPLIB测试数据库中选取一些标准的中大规模算例,通过MATLAB编程在计算机上实现数值试验,初步计算结果表明与经典单纯形算法相比,提出的算法在大部分问题上使用更少的迭代次数和执行时间,因而具有更高的计算效率.     

基于增广Lagrangian算法的供应链生产计划协调优化

为解决具有分布特点的多厂供应链生产计划的协调问题,提出了一种基于增广L agrang ian松弛算法的内部价格协调优化策略。利用增广L agrang ian松弛算法将工厂之间的耦合约束松弛,从而把整个供应链计划问题分解为多个可利用本地信息求解的单厂计划子问题。为获取问题可行解与加快算法的收敛速度,又分别提出了一种前溯式可行化算法与一种模糊次梯度算法。通过协调中心对产品内部价格的迭代更新,实现了整个供应链生产计划的协调优化。仿真结果表明,该策略能够较好地协调多厂供应链计划,效果明显优于已有的协调方法。     

机会约束优化问题的Log-Sigmoid近似

许多具有重要价值的实际问题的数学模型均为机会约束优化问题,该类问题通常是非凸且非光滑的,有效求解方法多集中于凸近似。基于Log-Sigmoid函数,将机会约束函数光滑化并且建立相应的光滑近似问题。通过收敛性分析,证明了当参数充分小时,光滑近似问题的可行集、最优值和最优解集分别收敛于真问题的可行集、最优值和最优解集。