一种改进的混合蛙跳算法求解有约束优化问题

提出一种适用于求解有约束优化问题的改进混合蛙跳算法(improved shuffled frog leaping algorithm, Im-SFLA)。该算法针对混合蛙跳算法(shuffled frog leaping algorithm, SFLA)在进化后期搜索速度变慢且容易陷入局部极值的缺陷,将模拟退火和免疫接种思想引入到具有高斯变异和混沌扰动的SFLA中。标准测试函数仿真结果表明Im-SFLA能显著提高收敛速度和精度,并能有效克服局部极值,全局寻优能力明显优于SFLA。使用静态罚函数法将有约束优化转化为无约束优化,对12个有约束优化测试函数的实验结果表明Im-SFLA寻优精度高、鲁棒性强,是一种十分有效的求解有约束优化问题的算法。     

混合算法在轻钢结构优化设计中的应用

结合粒子群优化（PSO）算法快速的全局收敛性和蚁群优化（ACO）算法较强的寻优能力,提出了一种融合PSO算法和ACO算法的混合算法。首先利用PSO算法较强的全局搜索能力,产生各粒子的最优位置值;然后对ACO算法的蚂蚁总个数进行调整,在保证算法全局搜索能力的同时,避免陷入局部最优;最后利用改进的ACO算法对最优位置值做进一步优化。将该混合算法应用于轻钢结构优化设计中,建立优化设计模型。以轻钢门式框架为例,利用该模型进行优化分析,并与文献[11]中改进模拟退火算法的优化结果进行对比。结果表明,混合算法经过61次迭代后能够求出较好的全局最优解,合理可行。     

几何约束求解的BFGS混沌混合算法

为了提高约束求解的效率和鲁棒性，提出了一个将混沌方法嵌入BFGS算法的约束求解混和算法.将
约束求解问题转化为优化问题，并对多变量函数求全局极值，用混沌算法跳过局部搜索陷阱.算法分析确
定几何元素的初始搜索范围，并利用BFGS方法的超线性收敛速度和混沌优化方法的内在特点进行求解.对
Camel函数极值和正五边形约束求解的实验结果表明，该混合算法能够处理欠/过约束问题，有效克服BFGS
算法容易陷入局部最优以及无法越过临界点的情况，可以高效鲁棒地进行约束求解.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

非线形互补问题的障碍函数法

将非线形互补问题转化为约束的优化问题，在已经的利用内点障碍函数方法求解约束优化问题的基础上，提出了利用障碍函数方法求解非线形互补问题的采用序列无约束最小化方法（SUMT）的算法，并利用障碍函数的单调性证明了算法的全局收敛性．最后得出的数值试验表明了算法具有良好的适宜性和强收敛性．     

一种新的求解移动Agent路由问题优化算法

文章对移动Agent在无线传感器网络中的路由问题进行描述,给出该问题的多约束最优非劣路径求解模型,并提出一种SA-CA算法求解移动Agent路由问题:利用模拟退火(Simulated Annealing,SA)算法接受最优单体以推动文化算法(Cultural Algorithms,CA)中信仰空间的进化,并将搜索步长作为情景知识指导群体空间最优解的搜索.这种双层结构特性减少了搜索时间,表现出较好的全局寻优性能.仿真实验也表明,与粒子群优化算法(PSO)、遗传算法(GA)的计算结果相比,提出的新算法在保证求解准确性的同时,具有更快的收敛速度和较高的可靠性,是解决无线传感器网络多约束QoS路由的有效途径,能提高整个网络的性能.     

基于QPSO参数优化的LS-SVM智能标定

研究粒子群算法（PSO）优化最小二乘支持向量机（LS-SVM）的参数时,受到搜索空间有限的限制,容易陷入局部极值,直接影响罐容表的标定精确度的问题。针对该问题,作者采用量子粒子群算法（QPSO）选取LS-SVM的径向基核参数进行优化,建立了基于QPSO-LS-SVM的罐容表标定的软测量模型。仿真实验结果表明：该方法不用建立复杂的机理模型,只需利用QPSO-LS-SVM算法进行软标定,大幅度缩短了训练建模时间,提高了运行效率。     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量（HOC）的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声，其解法一般采用的是梯度搜索法，但是梯度搜索过程难以避免局部收敛而且计算复杂．粒子群优化算法（PSO）具有算法简洁，易于实现，且不需要梯度信息等优势．使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题，为滤波器参数的优化提供了一种新的思路．仿真结果表明，使用PSO优化算法求解自适应滤波器系数能获得更高的精度．同时PSO算法受系统跃变的影响较小，因此它在求解非平稳过程模型系统时具有一定的优势．     

混合群智能算法在模体识别中的应用

为了避免传统吉布斯算法的诸多缺陷,提高算法的求解能力,对蚁群算法（ACO：Ant Colony Optimiza-tion）进行了改进：引入粒子群算法（PSO：Particle Swarm Optimization）动态调节ACO函数中的参数获得最优解。在奔腾PC机的实验平台上、Windows 2003Server操作系统下、开发工具为VB的模拟实验中,结果证明,混合的群智能算法使经典旅行商问题求解的计算时间缩短,提高了算法的收敛速度,有较好的发展前景。利用PSO处理连续优化问题的优点,将混合算法应用于生物信息学的模体识别中,可实现更加快速的基序发现处理。     

粒子群优化算法在桁架优化设计中的应用

粒子群优化(PSO)算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点.为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计.首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值.对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计.     

基于并行技术的几何约束求解的研究

针对几何约束的求解问题,在阐述了利用DM-分解求解几何约束问题的基础上,提出了基于并行技术的求解方法.这种方法首先将一个几何约束求解问题分解成一些具有某种偏序关系的较小的几何约束求解问题,然后将各个小的几何约束问题分配到各个处理机上,进行并行处理,从而提高求解速度.     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

一种用于BN结构学习的自适应遗传退火算法

模拟退火算法（SAA）和遗传算法（GA）作为智能算法是结构学习的重要方法．针对两种典型算法存在收敛速度慢或过早陷入局部最优的问题,利用GA进行选择,通过SAA进行搜索并利用独立性测试信息自适应引导算法的进化,提出一种自适应遗传模拟退火算法（AGSAA）,应用于贝叶斯网络（BN）结构学习．仿真结果表明AGSAA在学习的准确性和运行效率上均要优于SAA．     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

基于改进遗传算法的弹药运输车辆调度问题研究

建立了弹药运输车辆调度问题的数学模型,针对传统遗传算法求解该问题具有收敛速度慢、易陷入局部极小的缺点,提出了一种改进的遗传算法予以求解。在改进算法中引入一种基于信息素的遗传交叉算子,该算子能利用以信息素形式保存的全局信息,从而提高收敛速度;算法中的变异算子采用Relocation、Exchange、2-opt＊及2-opt 4种启发式搜索算法,尽可能扩大搜索范围。算例分析表明了所提改进遗传算法求解弹药运输车辆调度问题的有效性和可行性。     

二维欠约束系统求解算法的研究

从工程绘图实际出发，根据剩余自由度最小局部影响原则，提出了一种新的二维欠约束求解算法。该算法通过判别剩余自由度最小影响域范围，补充约束条件，将欠约束问题转化为满约束问题。深入探讨了算法中的两个关键性技术问题：约束最小局部影响域搜索算法和圆弧处理算法。该算法计算简便、求解效率高，较好地解决了欠约束求解问题。     

采用扰动加速因子的自适应粒子群优化算法

针对粒子群算法容易陷入早熟收敛和搜索效率不高等问题,分析了几个现有的改进粒子群优化算法．在粒子对称分布有利于提高搜索结果的基础上,对粒子群优化算法进行了改进．改进后的算法可以在运行过程中的不同阶段自适应地以余弦函数的变化方式调整惯性权重系数;在加速因子线性变化的基础上,基于一定的条件对加速因子进行扰动;并确定了相应条件参数的参数取值．通过几个经典的函数,对该算法进行了验证,并与相关文献中改进的粒子群优化算法进行了对比．结果表明,新算法不仅显著提高了收敛速度,而且能有效地改善早熟现象．     

一种快速实现多峰值函数优化的改进遗传算法

针对基本遗传算法具有的收敛早熟、局部搜索能力差等缺点,提出了一种快速实现多峰值函数优化的改进算法。该算法包含并行小生境技术、可疑峰值点判断、引入局部搜索参数等策略,并采用C语言成功编写了通用程序。数值算例表明：该改进算法能有效防止早熟收敛,明显提高遗传算法的收敛效率,快速搜索到目标函数的所有最优点。该算法对求解多峰值函数优化问题具有普适性。     

用遗传算法求解网络最短路效率

为提高求解大型网络最短路问题(SP)的效率,采用遗传算法求解。应用可变长编码提高算法运行效率,通过构造杂交、变异算子,以其提供的一种全局搜索能力来提高解的质量及加快种群收敛速度,从而提高运算效率。因杂交及变异而产生的不可行解,则通过一个简单的修复函数,将其修复为可行解,并使它们加入遗传运算且保持种群的多样性,使遗传算法能更高效的运行。通过对大型网络最短路问题的数值实验,在同一网络中,遗传算法的运行时间明显少于Dijkstra算法,求解效率优于Dijkstra算法。