基于收敛速度和多样性的多目标粒子群种群规模优化设计

针对多目标粒子群优化算法种群规模难以确定的问题,文中提出了一种基于收敛速度和多样性的多目标粒子群优化（Convergence speed and Diversity-based Multi-Objective Particle Swarm Optimization,CD-MOPSO）算法.首先,利用优化过程的收敛速度和多样性指标构造种群规模适应度函数,完成了种群规模与优化性能关系的描述;其次,基于适应度函数设计了一种种群规模自适应调整方法,实现了种群规模的动态调整;最后,将提出的CD-MOPSO在基准优化问题ZDT上测试并应用于城市管网优化,实验结果显示CD-MOPSO能够根据求解问题自动调整种群规模,与NSGA-Ⅱ、MOPSO、SPEA2和EMDS-MOPSO相比具有更快的收敛速度和更好的优化结果.     

一种基于欧氏距离的种群规模动态控制方法

种群规模是决定算法性能最重要的参数,其大小会引发算法过早收敛或效率低下等问题。该文提出一种基于欧氏距离的种群规模动态控制方法(EDPS),通过引入欧氏距离建立核心圆域,利用核心圆域反馈的信息动态控制种群规模,提出基于核心圆域的增加/删除个体数目的方法。将该方法运用到粒子群算法、遗传算法和差分进化算法中,对收敛性进行分析,在测试函数上对其性能进行测试,实验结果表明了所提新策略的有效性。     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于遗传算法的TSP问题研究

TSP是一个典型的组合优化问题，并且是一个NP难题，其可能的路径总数与城市数目n是成指数型增长的，所以一般很难精确地求出其最优解，因而寻找出有效的近似求解算法就具有重要的意义。现就提出的一种求解TSP问题比较有效的改进的遗传算法进行了研究，从遗传算子、评估函数、种群多样性等方面对算法进行了分析，并对实例CHN144进行了测试，实验结果表明文中提出的算法在求解TSP问题上是有效的。     

Analysis of a FBG sensing system with transverse uniform press by using genetic algorithm

An analytical method in a quasi-static fiber grating sensing system under transverse uniform press is proposed based on genetic algorithm The effect of population size, generations, crossover ratio and mutation ratio to genetic algorithm, and the optimization parameters of genetic algorithm were given. The relevant experimental system is constructed. The simulation and experiments show that the analytical method proposed can be applied to analyze the reflective spectra of the quasistatic FBG sensing system at transverse uniform press, the strain measurement with high-precision of 0.91% can be realized     

Investigation on the evolutionary algorithms with their applications in MIMO detecting systems

In this paper, with the purpose of integrating the advantages of both the genetic algorithm and the particle swarm optimization, a new genetic particle swarm optimization (GPSO) algorithm is proposed. Furthermore, these three evolutionary algorithms are successfully applied to address the MIMO detection problem. Simulation results reveal that the GPSO‐based detection algorithm takes much less population size and iteration number when compared with the particle swarm optimization‐based detection method and the genetic algorithm‐based detection method. Besides, when compared with the optimal maximum likelihood detection method, the GPSO‐based detection algorithm can strike a much better balance between the BER performance and the computational complexity. Copyright © 2012 John Wiley & Sons, Ltd.     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法。进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型。利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表日周基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性。     

基于改进差分进化算法的合成孔径圆阵优化

天线阵列设计是合成孔径辐射计的一项关键技术。圆阵可以实现零冗余基线分布,具有结构简单、 易于与平台共形等特点,是当前广泛关注和应用的合成孔径辐射计天线阵列形式之一。针对以u-v 覆盖均匀程度最 大化为目标的合成孔径圆阵优化问题,利用一个新的目标函数,提出了一种基于改进差分进化算法的优化方法. 新 的目标函数具有计算量小和u-v 覆盖均匀程度衡量精度高的优点,并且改进的算法可以保持种群规模。典型的数值 仿真结果给出了16 ~40 个天线单元的优化圆阵排列, 验证了本文方法的有效性。     

基于两阶段搜索算法的多峰函数优化

多峰优化问题需要搜索多个最优值（全局最优／局部最优）,这给传统的优化算法带来很大程度上的挑战。本文提出了一种两阶段算法求解多峰优化问题。第一阶段采用带有邻域变异策略的排挤差分演化算法进行粗粒度搜索,在适应度景观上尽可能多的找到最优解的大概位置。搜索一定代数之后,调用DMC聚类方法把搜索种群划分成多个聚类,然后在每个聚类上调用协方差矩阵自适应演化策略算法进行精细搜索。另外,本文还提出搜索点补充策略用于平衡每个聚类的大小及增加算法初期的搜索能力。我们提出的方法和9个较新的经典算法在两个基准测试集上进行了大量对比测试,结果表明新算法是有效的,在大多数测试函数上都优于其它算法。     

一种求解冰壶比赛对阵多约束问题的逐层优化算法

冰壶比赛对阵编排问题是一个难于收敛的多约束优化问题.为此提出一种求解此类问题的逐层优化的单亲遗传算法.首先将待求解问题的多个约束进行分层;其次设计了靶向自交叉算子进行第一层优化以提高搜索效率,设计了定点-随机自交叉算子进行第二层优化以保持种群的多样性;最后,将改进的算法用于解决冰壶比赛对阵编排的多约束优化问题,构建了该问题的适应度函数.仿真实验表明,与粒子群算法和经典遗传算法相比,所提算法能够有效求解冰壶比赛对阵编排的多约束优化问题.     

多种群协方差学习差分进化算法

种群多样性与交叉算子在差分进化(DE)算法求解全局优化问题中具有重要作用,该文提出一种多种群协方差学习差分进化(MCDE)算法。首先,采用多种群机制的种群结构,利用每一子种群结合相应的变异策略保证进化过程个体多样性。然后,通过种群间的协方差学习,为交叉操作建立一个适当旋转的坐标系统;同时,使用自适应控制参数来平衡种群的勘测与收敛能力。最后,在单峰函数、多峰函数、偏移函数和高维函数的25个基准测试函数上进行测试,并同其他先进的进化算法对比,实验结果表明该文算法相较于其他算法在求解全局优化问题上达到最优效果。     

基于生态种群捕获竞争模型的多目标Memetic优化算法

本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.     

基于动态种群多策略差分进化模型的多目标进化算法

针对复杂的多目标优化问题,根据不同差分进化策略的特点,提出一种基于动态种群多策略差分进化模型和分解机制的多目标进化算法（MOEA／D-DPMD）。该算法将种群划分为3个子种群,每个子种群分配一种差分进化策略。为了提高算法的性能,依据每种差分进化策略的贡献度,动态的调整子种群的规模,各差分进化策略之间相互配合协同进化。采用具有复杂的PS的LZ09系列基准函数,测试新算法的性能,仿真结果表明邻域规模为25时性能最好。通过不同差分进化策略之间的对比分析,新算法也具有较强的优势。将其与MOEAD／DE和NSGA-II算法对比分析,结果显示该算法的收敛性和多样性均优于另外两种算法,是求解复杂多目标问题的有效方法。     

基于正弦调整的粒子群算法应用于换热网络

粒子群算法在优化换热网络综合问题后期,通常陷入局部极值而无法寻到全局最优解。通过对粒子群算法中的种群大小、迭代步数、最大速度、惯性权重4个参数的正交试验,得出了惯性权重是平衡算法局部搜索和全局搜索能力的一个重要因素。在综合分析标准PSO算法速度进化方程的基础上,提出了一种按正弦变化惯性权重的PSO算法,并利用标准测试函数验证了算法的性能。通过典型算例证明改进后的PSO对换热网络综合问题的有效性。     

基于改进遗传算法的C-RAN网络动态无线资源分配

针对云无线网络(Cloud Radio Access Network,C-RAN)中传统静态资源分配效率低下以及动态无线资源分配中资源种类单一的问题,提出了一种基于用户服务质量(Qulity of Service,QoS)约束的动态无线资源分配方案,对无线资源从无线射频单元(Remote Radio Head,RRH)选择、子载波分配和RRH功率分配三个维度进行研究.首先,根据传统的C-RAN系统传输模型和QoS约束在时变业务环境下建立了以发射功率为变量,以吞吐量最大为优化目标的优化问题;然后,基于改进的遗传算法,将原优化方案转变为通过优化RRH选择、子载波分配和RRH功率分配来达到提高系统吞吐量的目的;最后,将改进的遗传算法与其他智能算法在种群规模变化下进行了时间复杂度对比.实验结果表明,所提算法具有较低时间复杂度,所提资源分配方案下的平均吞吐量增益为17％.     

三目标柯西粒子群算法的电力系统无功优化

通过建立有功网损最小、电压偏差最小和静态稳定电压裕度最大的三目标无功优化模型。提出柯西粒子群算法,并针对IEEE14节点系统进行三目标电力系统无功优化。当种群多样性较差时,通过对交叉的粒子进行柯西变异从而扩大搜索空间,提高种群多样性,防止出现过早的收敛,进而避免了算法陷入局部最优解的问题,同时也提高了收敛速度。通过数据测试和比较柯西粒子群算法在收敛速度、精度、全局搜索能力上均优于常规差分进化算法和常规粒子群算法。其结果验证了该模型和算法的有效性,为电力系统安全经济运行提供了参考。     

A NEW OPTIMIZATION ALGORITHM BASED ON THE PRINCIPLE OF EVOLUTION

A new genetic algorithm is proposed for the optimization problem of real-valued variable functions. A new robust and adaptive fitness scaling is presented by introducing the median of the population in exponential transformation. For float-point represented chromosomes, crossover and mutation operators are given. Convergence of the algorithm is proved. The performance is tested by two generally used functions. Hybrid algorithm which takes the BP algorithm as a mutation operator is used to train a neural network for image recognition. Experimental results show that the proposed algorithm is an efficient global optimization algorithm.     

An Improved Grasshopper Optimization Algorithm for Global Optimization

We proposes an improved grasshopper algorithm for global optimization problems. Grasshopper optimization algorithm (GOA) is a recently proposed meta-heuristic algorithm inspired by the swarming behav-ior of grasshoppers. The original GOA has some drawbacks, such as slow convergence speed, easily falling into local optimum, and so on. To overcome these shortcomings, we proposes a grasshopper optimization algorithm based on a logistic Chaos maps opposition-based learning strategy and cloud model inertia weight (CCGOA). CCGOA is divided into three stages. The chaos opposition learning initialization strategy is used to initialize the population, so that the population can be evenly distributed in the feasible solution space as much as possible, so as to improve the uniformity and diversity of the initial population distribution of the grasshopper algorithm. The inertia weight cloud model is introduced into the grasshopper algorithm, and different inertia weight strategies are used to adjust the convergence speed of the algorithm. Based on the principle of chaotic logistic maps, local depth search is carried out to reduce the probability of falling into local optimum. Fourteen benchmark functions and an engineering example are used for simulation verification. Experimental results show that the proposed CCGOA algorithm has superior performance in determining the optimal solution of the test function problem.     

Resource Allocation Algorithm Based on PSO-GA for Multi-User OFDM System

In order to minimize the transmitted power in the multi-user orthogonal frequency division multiplexing (OFDM) system, a scheme combining the improved particle swarm optimization (POS) algorithm with genetic algorithm (GA) is proposed to optimize the sub-carriers and bits allocation. In the algorithm, a random velocity between the maximum and minimum particle velocity is used as the updating velocity instead of maximum or minimum velocity when the updated particle velocity is higher than the maximum particle velocity or lower than the minimum particle velocity. Then, the convergence population is used as the initial population of the genetic algorithm to optimize the sub-carriers and bits allocation further. Simulation results show that the transmitted power of the proposed algorithm is about 2 dB to 10 dB lower than that of the genetic algorithm, particle swarm optimization algorithm, and Zhang's algorithm.     

基于网格的改进序列鸡群算法

针对传统鸡群优化算法存在求解精度偏低、局部搜索能力弱等问题,提出了一种改进的鸡群优化算法。改进算法选择利用动态簇解决单一工作节点能力有限问题,提出一种基于网格的序列鸡群算法,优化标准鸡群算法的种群分组更新机制,仿真和实验结果表明该算法相比传统算法具有定位精度高、收敛速度快、实时性好等优点。