基于改进蚁群算法的双向物流路径优化

针对物流路径优化已有算法运算过程复杂、精度不高、过早收敛等问题,对蚁群算法进行了改进,以解决物流路径优化问题.为了消除蚁群算法的易停滞、收敛慢等问题,从蚂蚁转移策略、信息素更新方式以及遗传算法的融合等方面对算法进行了改进.针对双向物流的路径优化问题,通过增加启发函数、设计转移策略等方面来改进蚁群算法,使得算法能更好地考虑综合因素来进行搜索,能够更全面、更准确地找到合适的下一节点,从而得到更优的路线.     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明:新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

基于自适应搜索的免疫粒子群算法

经典粒子群算法由于多样性差而陷入局部最优,从而造成早熟停滞现象.为克服上述缺点,本文结合人工免疫算法,提出一种基于自适应搜索的免疫粒子群算法.首先,该算法改善了浓度机制;然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源;最后对劣质子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,不仅避免了种群退化现象,而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性.     

一种拟随机初始化模拟退火粒子群算法

针对粒子群优化算法在求解高维问题时易出现的早熟收敛、停滞现象,提出一种拟随机初始化模拟退火粒子群算法.采用Hammersley方法对算法进行初始化,可以提高算法在高维搜索空间的搜索能力,进一步将模拟退火思想引入到粒子群优化算法中,结合粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳特性,使算法具有跳出局部最优从而实现全局最优的能力.分别在5个经典测试函数上测试算法的性能,仿真实验结果表明,提出的算法有效克服了传统粒子群优化算法在求解高维空间优化问题时易出现的停滞现象,在进化后期仍保持较强的搜索能力,提高了传统粒子群优化算法在高维空间的全局寻优能力.     

含分布式电源的配电网无功优化算法研究

针对含有分布式电源的配电网,对其无功优化进行了算法改进,提出了一种新的遗传算法方案,重新设置了自适应判据和算法结束判据.以IEEE33节点系统为算例模型,对所提出算法进行验证,结果表明,改进的无功优化算法改善了算法的"停滞"现象,验证了算法改进对结果产生的优化作用.     

最大频繁项集挖掘中搜索空间的剪枝策略

最大频繁项集挖掘可以广泛应用在多种重要的Web挖掘工作中.为了有效地削减搜索空间,提出了一种新的最大频繁项集挖掘中的搜索空间剪枝策略.这种策略基于深度优先遍历词典序子集枚举树,利用树中子节点与父节点扩展集中相同项的扩展支持度相等的特性,对搜索空间进行剪枝.应用该策略,对MAFIA算法进行改进优化.实验结果表明,该剪枝策略可以有效削减搜索空间,尤其在稀疏但包含长频繁项集的数据集上,搜索空间削减掉2/3,算法的时间效率比原MAFIA算法提高3～5倍.     

信息素S型更新的耦合ACO算法及其应用

针对蚁群算法存在易过早收敛、出现停滞现象、陷入局部极值的问题,提出S型信息素更新策略与Alopex算法相耦合的改进蚁群优化算法(IACO).该算法定义全新的S型动态自适应信息素全局更新函数,使信息素增量随迭代次数和目标函数值变化而动态变化,同时耦合Alopex算法以提高算法的局部搜索能力.将IACO算法应用于支持向量机参数的优化中,构成IACO-SVM模型.利用UCI标准数据集进行数值实验.研究结果表明:IACO算法具有较强的寻优性能,IACO-SVM模型具有较高的平均分类准确率和较好的稳定性.     

改进的蚁群禁忌搜索混合算法

蚁群算法作为一种全局搜索的方法,具有正反馈性、并行性、分布性、自组织性等特点,在求解复杂组合优化问题上具有强大的优势.但是,蚁群算法也存在一些不足之处:例如,算法需要较长的搜索时间、容易出现早熟停滞现象.为了更优地解决旅行商问题,改进单纯用蚁群算法求解旅行商问题的结果,通过蚁群算法、免疫算法和禁忌搜索算法自身的特点,分别对三者的优势和不足进行分析,提出一种将三者混合使用的求解旅行商问题的算法.     

基于启发式策略的最短路径算法

在讨论经典Dijkstra算法和启发式策略算法（A^＊,矩形算法等）的基础上,提出一种基于Dijkstra算法的动态方向限制搜索算法用于求解道路网络中两节点之间最短路径．该算法结合人类的搜索思路和动态灵活的处理方式,对最短路径算法的搜索策略进行改进,动态改变搜索限制区域,减少计算时间．该算法不仅可以单独提高计算最短路径的效率,而且与其他算法结合起来还可取得更好的效果．实际结果证明动态方向限制搜索算法比经典Dijkstra算法减少近50％的搜索节点数和搜索时间．     

用于函数优化的小世界优化算法

借鉴小世界现象的有关机理，构造了不同的小世界优化算子，主要包括局域短连接搜索算子和随机长连接搜索算子．将优化过程视为在搜索空间（网络）中从候选解向最优解的信息传递过程，利用小世界现象有效信息传递的有关机理实现了一种新的优化算法一一小世界优化算法．通过对复杂函数的优化问题进行仿真试验，表明与相应遗传算法相比，新算法可以更好地保持解的多样性，能够有效地避免陷入局部极小值的问题，并在一定程度上克服了早熟和遗传算法欺骗问题，并且收敛速度快，因此具有解决复杂问题的潜力。     

基于Cauchy和Gaussian分布状态发生器的模拟退火算法

模拟退火 (SA )算法是一种常用的概率性全局优化算法 ,但其搜索行为和优化性能对参数有严重的依赖性 ,其中状态发生器的设计最为关键。论文主要研究函数优化中基于 Cauchy分布的状态发生器 (SGC)和基于 Gaussian分布的状态发生器 (SGG)对 SA算法性能的影响。对分布机制的研究表明 ,SGC有利于大范围搜索和脱离极小区域 ,而SGG较适合于局部搜索。对不同复杂度的典型问题的仿真表明 ,优化简单单极小问题时 SGC的优化效率优于基于SGG,优化复杂多极小或存在平坦区的简单问题时 SGC的优化度和鲁棒性均优于 SGG。进而利用对尺度参数的“退温”控制 ,提出了 SGC的改进策略 ,较大程度上提高了优化度和鲁棒性。     

基于小世界算法的机械手时间最优运动规划

针对机械手运动规划通常存在建模复杂、参数多和优化效率低的不足,提出了基于小世界算法的机械手时间最优运动规划。首先运用末端分离法进行机械手工作姿态的简化模型建立;然后结合摆线运动方程,并以工作姿态和关节运动学为约束,建立时间最优的运动规划模型;最后引入基于精英集聚效应的小世界优化算法来提高模型求解精度。仿真测试结果表明,与禁忌遗传算法、基本小世界算法相比,精英集聚效应小世界算法使得机械手规划模型的运动时间和总均方差分别平均降低23.3%和19.7%,且表现出较好的收敛性和稳定性,进而验证了时间最优规划模型的有效性。     

网格下基于并行混合GA的复杂函数优化算法

为了解决传统单一GA在解决复杂函数优化时容易陷入局部最优的问题,文中结合模拟退火和网格服务的思想提出了网格下基于并行混合GA的复杂函数优化算法CDOPHGA-Grid。通过比较仿真试验表明:CDOPHGA-Grid算法的收敛速度随着网格节点个数的增加而增加;在相同情况下,CDOPHGA-Grid算法比传统单一的GA的收敛速度提高了约60倍。     

离散变量桁架结构拓扑优化的改进混合遗传算法

为了避免在结构拓扑优化过程中杆件和节点的增删带来计算上的麻烦,在对桁架结构进行受力分析的基础上设计了一些启发式准则来产生可能的拓扑结构形式,然后采用一种改进的混合遗传算法进行截面优化.混合遗传算法将离散复合形法引入到遗传算法中,一方面利用遗传算法为离散复合形法提供可行点;另一方面利用离散复合形法对遗传算法种群中的可行个体和不可行个体进行改进,从而提高了遗传算法的局部寻优能力,并对标准遗传算法在选择、交叉和变异操作上作了一些改进.它将两种算法的优点集中在一起,同时又弥补了两者的不足.算例的结果表明,该方法用于桁架结构拓扑优化是简单、快速和有效的.     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

基于回溯法油管传输射孔排炮算法研究

根据油管传输射孔特点,为减少射孔枪串接时在射孔井段产生的接头总长度,对如何得到油管传输射孔最优射孔枪串接方案进行了理论分析。采用多叉树对问题进行了数学建模,为减少对多叉树的遍历次数,减少计算机运算时间,采用回溯法搜索最优解,并在回溯法的基础上对算法进行了优化。测试结果表明,油层数据简单时,回溯法与遍历法频率相当;而当油层数据复杂时,回溯法频率变高,最后设计实现了基于回溯法的排炮软件。     

引入侦查子群的蚁群算法求解0/1背包问题

针对标准蚁群算法易于出现早熟停滞等缺陷,在原有算法基础上引入一定比例的侦查蚁群。在优化过程中侦查蚁群以一定概率做侦查搜索,以扩大了解的搜索空间;在信息素更新策略上,为了兼顾当代和历代的搜索成果,采取了信息素混合更新策略,同时增强侦查子群的最佳路径信息及剩余全部蚁群路径信息,有效抑制了收敛过程中的早熟停滞现象,提高了算法收敛速度。通过4个典型0/1背包问题(KP)实例进行了仿真实验,并与标准蚁群算法进行性能比较,结果表明该算法不仅能够克服早熟现象,而且能够加快收敛速度。     

基于克隆选择的小世界优化算法

针对小世界算法在多极值等复杂函数优化中存在算法后期种群多样性退化、全局搜索效率下降等问题,提出一种基于种群克隆选择的小世界优化算法。该算法以小世界现象信息传递的高效性改进克隆过程中体细胞高频变异的随机性,实现克隆增殖、克隆选择以及小世界网络短连接等算子在局部空间的搜索,克隆删除与小世界随机长连接在全局空间的搜索。实验结果表明:各种克隆算子与小世界变异算子相结合,增加了种群的多样性,扩大了搜索范围。与其他算法相比,该算法在收敛速度和多极值点函数搜索能力等方面具有明显改善。