一种随机微粒群混合算法求解约束优化问题

将微粒群算法（Particle Swarm Optimization,PSO）与随机优化方法-Alopex算法相结合,提出一种随机微粒群混合算法（APSO）求解约束优化问题。该算法使PSO算法中微粒的飞行速度无记忆性,结合Alopex算法重新生成停止进化微粒的位置;采用双群体搜索机制,一个群体保存具有可行解的微粒,用APSO算法使微粒逐步搜索到最优解,另一个群体保存具有不可行解的微粒,并且可行解群体以一定的概率接受性能较优的不可行解微粒,这种简单的群体多样性机制使微粒能够快速、准确地找到位于约束边界上或附近的最优解。结果表明该算法寻优性能优良且具有较好的稳定性。     

集成粒子群优化算法在电网规划中的应用

电网规划是一个大规模、复杂的、具有非线性离散变量和多约束的多目标数学优化问题。在优化过程中,考虑了投资费用、可靠性和对环境的影响等三个因素。提出将模拟退火优化方法嵌入粒子群优化算法中,以此构建集成粒子群优化算法。在搜索过程中还加入变异操作来增加种群多样性,以避免早熟收敛。局部搜索增加了算法的开发能力,而变异操作提高了算法的探测能力。探测与开发能力的平衡,通过两个阈值来实现。通过对一220kv电力传输系统的实例研究表明,集成粒子群优化算法局部搜索能力有显著提高。     

多被动探测器对多目标定位模型及仿真

对于探测目标间距较小的目标群,提出使用3个被动探测器的探测模型。首先,重点研究了多被动探测器对多目标进行定位的目标关联问题;然后,建立了3个被动探测器的机动模型,提出了3个被动探测器多目标定位的目标关联算法。最后,通过仿真分析了各种因素对目标关联的影响。仿真结果表明提出的3个被动探测器机动模型和目标关联算法是有效的。     

一种求解车辆路径问题的混合多蚁群算法

提出一种新的蚁群算法（Multiple Ant Colonies Algorithm based on Sweep Algorithm, SbMACA）用以求解车辆路径问题（Capacitated Vehicle Routing Problem, CVRP）。该方法同以往蚁群算法的不同之处主要体现在两个方面：第一,首次将扫描算法应用于蚁群算法,通过对蚂蚁所构造的初始解中的不同子回路之间的点进行交换优化,该算法可以有效地改进初始解的质量;第二,提出并采用了一种新的多蚁群技术,各个蚁群分别进行各自的搜索,在各个蚁群均停滞后,对蚁群之间的信息素进行交换与更新,以利于蚁群跳离局部最优值。实验结果表明,SbMACA算法具有很强的搜索能力,求取各CVRP的Benchmark问题所得解的质量同最好解相比较而言,平均仅有 0.28%的差距,是求解车辆路径问题的一种十分有效的方法。     

量子遗传算法及在模糊控制器参数优化中的应用

提出了一种基于实数编码的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异。针对量子旋转门的旋转角方向的选择,提出了一种简易快捷的新方法。基于适应度函数的梯度信息,构造了旋转角大小的计算公式。该方法将每一量子位的两个概率幅,看作上下两个并列的基因,每条染色体包含两条并列的基因链,每条基因链代表一个优化解。在染色体数目相同时,可显著加速优化进程,提高获得全局最优解的概率。模糊控制器参数优化问题的仿真结果表明,该方法在搜索能力方面明显优于普通量子遗传算法。     

基于遗传算法与模糊选择的多播路由优化

遗传算法在优化计算特别是在多播路由问题中得到了广泛应用,但在进行大规模优化时,遗传算法存在着爬山能力差以及不成熟收敛等缺点。为此,提出基于启发式遗传算法和模糊选择机制的新型多播树计算方法,本算法采用树型结构编码和高效的遗传操作,同时优化时延、丢包率和带宽利用率等多个参数。仿真实验表明,这种算法用于多播路由多目标优化问题时,可以克服采用遗传算法进行多目标优化的缺陷。     

电厂湿法烟气脱硫过程优化控制研究

深入研究了具有混杂系统特性的电厂湿法烟气脱硫(WFGD)过程的优化与控制问题;运用混合逻辑动态的建模方法(Mixed Logical Dynamic)建立了WFGD过程的MLD模型,基于MLD模型的预测控制方法把WFGD过程优化问题转化为实时求解混合整数规划(MIQP)问题,实时给出了WFGD过程优化运行的连续决策变量(吸收塔浆液的PH值设定)和离散决策变量(循环浆液泵开启台数)的最优解;用同样方法实现WFGD过程基础回路级中具有非线性动态的PH对象的控制;仿真表明基于MLD模型预测控制方法很好地解决了WFGD过程的优化与控制问题。     

基于混合优化算法的遗传算法参数设定研究

有限计算量条件下遗传算法的理论收敛条件难以完全满足,参数选择的恰当与否直接影响到算法性能的发挥。针对这一情况,在分析现有参数设定方法的基础上,将遗传算法参数设定问题描述为随机优化问题,并提出一种解决该问题的新的混合优化算法,即基于序优化的巢分区算法。该算法将序优化思想融入巢分区算法的局部搜索过程,大大提高了局部搜索效率,而巢分区的算法框架则保证了算法的全局收敛性。以典型旅行商问题为算例的仿真结果验证了该方法的高效性与可靠性。     

The self-organizing worm algorithm

A new multi-modal optimization algorithm called the self-organizing worm algorithm (SOWA) is presented for optimization of multi-modal functions.The main idea of this algorithm can be described as followsdisperse some worms equably in the domain;the worms exchange the information each other and creep toward the nearest high point;at last they will stop on the nearest high point.All peaks of multi-modal function can be found rapidly through studying and chasing among the worms.In contrast with the classical multi-modal optimization algorithms,SOWA is provided with a simple calculation,strong convergence,high precision,and does not need any prior knowledge.Several simulation experiments for SOWA are performed,and the complexity of SOWA is analyzed amply.The results show that SOWA is very effective in optimization of multi-modal functions.     

EXPLORATION/EXPLOITATION TRADEOFF WITH CELL-SHIFT AND HEURISTIC CROSSOVER FOR EVOLUTIONARY ALGORITHMS

In order to tradeoff exploration/exploitation and inspired by cell genetic algorithm a cellshift crossover operator for evolutionary algorithm （EA） is proposed in this paper. The definition domain is divided into n-dimension cubic sub-domains （cell） and each individual locates at an ndimensional cube. Cell-shift crossover first exchanges the cell numbers of the crossover pair if they are in the different cells （exploration） and subsequently shift the first individual from its initial place to the other individual＇s cell place. If they are already in the same cell heuristic crossover （exploitation） is used. Cell-shift/heuristic crossover adaptively executes exploration/exploitation search with the vary of genetic diversity. The cell-shift EA has excellent performance in terms of efficiency and efficacy on ten usually used optimization benchmarks when comparing with the recent well-known FEP evolutionary algorithm.