基于双种群粒子群优化新算法的最优潮流求解

提出一种带赌轮选择的双种群粒子群优化算法(TSPSO)求解最优潮流问题。在该算法中,对2个种群采取不同的参数设置,使得粒子在进化过程中具有不同的飞行轨迹,从而尽可能地探索解空间,增强算法的全局搜索能力;基于赌轮算法的概率选择机制使粒子可以在较好的可行解邻近范围内高强度搜索,增强了算法的局部搜索能力;采用自适应惩罚因子能有效区分最优潮流的目标函数和约束条件对种群进化的影响,使种群可以跨越不可行域到可行域进行搜索。通过IEEE30节点系统对该算法进行测试,结果表明,采用该算法可以有效求解最优潮流问题。     

基于多种群的高维多目标混合进化算法

目的 基于多种群的高维多目标混合进化算法求解高维多目标优化问题.方法 使用K-means聚类将初始种群划分为若干个子种群,引入粒子群优化算法加快种群的收敛速度;引入遗传算法提高解的质量;引入差分进化算法维护种群的多样性.此外,提出基于角度选择的存档机制进行子种群间的信息交流,进一步增加了种群的多样性.结果 与结论 在DTLZ标准测试集函数上进行仿真实验,数值结果表明MaOEA MP在大多数测试实例上具有较好的收敛性与多样性.     

几种最优投资组合在有效边界上相对位置

讨论了均值-VaR、均值-AVaR、方差-均值比等风险-收益投资组合优化模型的最优解的有效性.基于Markowitz均值-方差模型和有效边界理论,证明了如果各模型的最优投资组合存在,则一定位于均值-方差有效边界上.计算了各投资组合模型最优解处的均值和标准差,根据计算结果讨论了各模型的最优投资组合在有效边界上的位置.特别地,均值-VaR模型的最优投资组合在有效边界上的位置与置信水平有关.     

基于混合人工蜂群算法和A*算法的求解旅行商问题算法

针对旅行商问题（TSP）,基于群智能优化算法的人工蜂群算法 (ABC)可以较为有效的解决并规划出一条合理的路线。ABC算法的优点在于将优化求解的过程转化为模仿蜂群采蜜的仿生行为,容易求得可行解。但是该算法依然存在着种群数量过多、速度较慢的缺点。本文分析了ABC算法的模型并对更新策略进行了改进,在ABC算法得到初始解的路径点后再使用A-star算法进行优化,通过将两种算法组合的方式进行改进。实验证明在解决TSP的路径规划中,整体的路径表现更优,且减少了冗杂的迭代更新,提升了算法的效果。     

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.     

基于区域失衡子空间的领先NSGAII算法

针对传统进化算法求解多目标优化问题时存在计算量大、难以平衡收敛速度和种群分布均匀性的问题,本文提出了一种基于区域失衡子空间的领先NSGAII算法(NSGAII-URS).首先,基于NSGAII算法,结合局部搜索算法,在每次遗传过程中添加种群领先解解集,引导种群快速收敛;然后,将非支配解所在的目标空间均匀划分,提出稀疏子空间和空闲子空间的概念,通过基于稀疏度的局部搜索策略对失衡子空间优化,进一步提升种群分布的均匀性.我们将本文方法与其他5种先进的多目标进化算法比较,通过基准测试函数进行验证,并采用反世代距离(IGD)和超体积(HV)两个通用指标进行性能评价.实验结果表明,该算法在解的分布性和收敛性方面明显优于对比的其他多目标优化算法.     

基于进化规划的多目标投资组合选择模型研究

在Markowitz的均值－方差模型的基础上，讨论了股票价格中偏度的重要性，并由此引出了一个同时考虑均值、方差和偏度的多目标投资组合选择模型。提出了对该模型进行求解的进化规划算法，同时也说明了用进化规划方法处理多目标优化问题的合理性。用一个算例验证了采用进化规划技术求解多目标投资组合选择模型是有效的。     

基于混合遗传算法的投资组合优化改进模型研究

证券投资组合优化问题的实质就是有限的资产在具有不同风险收益特性的证券之间的优化配置问题.本文在马克维茨投资组合的均值一方差模型框架下,提出改进的证券投资组合优化模型,即以VAR作为风险度量工具和以RAROC作为目标优化函数的投资组合优化模型.从理论上讲该模型更符合投资工具的风险收益规律,同时采用遗传算法求解也保证了该模型在投资实践中应用的有效性.该模型和求解方法的有效性在上证A股市场的实证研究中得到了验证.     

基于子种群保留的可逆电路合成混合算法

为了进一步降低4bit以上中小规模可逆逻辑电路的量子代价,提出一种基于子种群保留的变长染色体编码混合算法.该算法在已有变长染色体编码混合算法的基础上,将子种群保留策略用于变长编码种群的进化,以保持种群多样性,避免陷入局部最优解;定义了变长编码染色体的近似度,以此作为种子提取和子种群划分的基础;提出了子种群重新启动策略和新的启发式子种群更新操作,克服变长编码种群进化过程中的遗传漂移,从而提高可行解率和解的质量.对4bit以上常用标准可逆函数测试结果表明该算法能大大降低合成可逆电路的量子代价.     

基于动态双种群粒子群算法的柔性工作车间调度

针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO).DPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息.该算法提高了全局寻优能力,有效地避免了早熟收敛的发生.将以DPSO算法为基础的排序算法和启发式分配算法(HA)相结合形成了解决柔性工作车间调度问题的新方法(DPSO-HA).通过对算例的研究和与其他方法的比较表明,该方法是有效可行的.     

基于子种群的改进人工蜂群算法

针对人工蜂群算法以及现有改进算法的不足,提出了一种基于子种群的改进人工蜂群算法.此算法利用个体适应值与种群适应值平均值的比较,将种群划分为两个子种群,每个子种群采用不同的搜索方式,有效地平衡了不同搜索方式的探索和开发能力.此外,采用分段Logistic方程的初始化方法产生初始解,提高算法的收敛速度.与基本蜂群算法和其他改进蜂群算法进行比较,数值仿真结果表明,所提算法在处理复杂数值优化问题时具有更好的寻优精度和收敛速度.     

多目标投资组合模型的模糊两阶段解法

对多目标证券组合投资模型进行了研究,模型以绝对偏差和代替方差作为投资组合的风险度量.该模型是一个多目标线性优化问题,采用两阶段模糊算法对模型进行求解,最后给出了该模型的一个实例的最优解.     

具有基数约束的多阶段均值-方差投资组合优化

考虑交易成本、阀值约束和借贷约束,提出了具有基数约束的多阶段均值-方差投资组合模型.该模型是一个具有路径依赖性的混合整数动态优化问题.提出了离散近似迭代法求解,并证明了算法的收敛性.最后,以一个具体的算例比较了不同基数约束的投资组合最优投资策略,并验证了模型和算法的有效性.     

用改进的遗传算法求解作业调度问题

作业调度问题JSP(Job Shop Scheduling Problem)是典型的组合优化问题.文中用改进的遗传算法来解决作业调度问题,在遗传算法中设计了一种调整算子,并证明了算法能够收敛到全局最优解;同时提出一种新的求解JSP问题的双目标函数、双种群遗传算子.每个种群侧重一个目标,各从不同侧面深度挖掘问题的信息,用以优化问题的解,两个种群再通过混合交叉得到更好的解,较大地提高了算法的收敛速度.     

基于改进粒子群算法优化电梯群控系统

给出的粒子群优化算法是一种群智能优化技术,利用群体和个体的智能行为来求解组合优化问题,并将多目标问题分别在粒子的各子种群中以内在并行的方式搜索多个非劣解,同时对各子种群粒子的适应度采用积分排序,较好地解决了电梯群控系统的多目标问题。充分弥补了传统方法解决多目标问题出现的不足。针对不同客流强度进行分析,分别得到不同平均的候梯时间和乘梯时间,结果表明采用此种改进的粒子群算法充分保证了算法的收敛速度和精度。     

基于微粒群算法的投资组合分析

介绍了将微粒群算法应用于求解均值-方差-峰度投资组合模型,分析了模型中的参数和求解结果之间的关系,并选取深交所4只股票来进行模拟仿真,最后仿真的结果说明微粒群算法对均值-方差-峰度模型是有效的。     

基于差分演化算法的证券投资组合研究

差分演化算法作为一种高效的全局优化方法,在众多领域得到了成功的应用.本文首次将差分演化算法引入到证券投资组合中,研究以Markowitz的均值-方差模型为基础的最佳证券组合的优化求解.实验结果表明,该算法与经典的传统遗传算法和粒子群优化算法相比,具有更快的收敛速度及更好的优化结果.     

均值-方差-峰度资产组合优化模型

基于对峰度风险的考虑,提出了均值-方差-峰度资产组合优化模型;用蒙特卡罗法求解模型的最优解;结合一个具体的例子,对模型做了灵敏度分析.     

一种改进的和声搜索算法及其应用

为了克服和声搜索算法(Harmony Search Algorithm,HSA)方向性差和收敛速度慢的缺陷,提出一种新的和声搜索算法。新算法设置一个主种群和多个子种群,主种群和子种群分别采用全局差分HSA和局部差分HSA进行优化,所有种群通过排序循环划分方法进行协同优化。随机3—SAT测试实例和三个典型Benchmark函数上的实验表明,新算法是可行的、有效的。     

协同学习差分进化算法及在双转向机构优化中的应用

根据齐次坐标变换法推导了双转向机构转向分析数学模型,然后采用差分进化(DE)算法求解该模型。针对基本DE算法可能出现早熟或收敛速度慢的问题,提出一种基于协同学习机制的差分进化(CLDE)算法。该算法采用两个子种群,每个子种群采用不同的变异策略,利用局部极值判断机制确定早熟收敛种群;针对早熟收敛种群,利用精英种群映射策略向精英种群进行映射学习,实现子种群间的信息交流;若不存在精英种群,则在自身种群内采用自适应高斯扰动策略实现自我调整。函数测试结果表明,CLDE优化精度更高、速度更快、稳定性更好。将该算法用于机构优化问题,结果表明,与基本DE算法、随机变异差分进化算法(RMDE)、多种群自适应差分进化算法(ADEMP)相比,CLDE的最优适应度值分别降低13. 83%、8. 33%和6. 25%,且表现出了较好的稳定性和收敛性。