发酵过程调度问题的约束指导模拟退火算法

针对实际的发酵生产过程,构造了基于STN(状态任务网)的MILP(混合整数线性规划)优化调度模型．提出了根据模型解的分析,利用约束作为指导而启发式地产生新解的约束指导模拟退火算法求解该模型,避免了不可行解的产生,加快了算法的收敛速度,提高了解的质量．使用该方法构成的生产调度系统已在实际制药企业实现．     

具有混杂约束的非线性优化神经网络

目的为解决一类同时含有等式约束和不等式约束的混杂约束的非线性规划问题．方法利用神经网络具有内在大规模并行运算和快速收敛特性理论,提出了一种非线性优化神经网络解决一类混杂约束的非线性规划问题．结果该模型既克服了采用罚函数方法的神经网络求解优化问题的缺陷,同时与引入松弛变量的优化神经网络相比,具有电路实现简单、计算量小和收敛速度快等特点．此外,利用能量函数对神经网络的稳定性和收敛性进行了分析,进而保证所提出的神经网络具有全局稳定性．结论通过两个数值仿真例子验证了所提出的优化网络的有效性．     

求解有约束非线性规划的混合混沌算法

针对带有约束的非线性规划问题,提出了一种新的算法.首先把有约束的非线性规划转化为含有2个目标的无约束的优化问题,然后利用混沌优化算法和最速下降法来混合求解.数值计算结果显示,该算法是可行有效的.     

基于混合模拟退火的勤务编排技术研究

为了优化航空公司勤务编排结果,在考虑勤务编排规则、机组成本和人力因素的基础上,构建了勤务编排优化模型,且综合平衡了各项目标函数.运用局部搜索法获得初始解,并与模拟退火算法结合,形成求解勤务编排问题的混合模拟退火算法.最后通过启发式操作将不可行解转化为可行解.仿真实验表明,混合模拟退火算法能够有效缩小算法搜索空间,减少计算时间,提高运行效率.与基本模拟退火算法和遗传算法相比,混合模拟退火算法运算速度和运算结果均有明显地提高.     

求解无功优化的线性规划最钝角松弛法

采用最钝角松弛算法求解无功优化问题的线性规划模型,为解决线性化步长调整问题在该模型中增加了信赖域约束。首先,根据最钝角原理定义主元标的概念及其计算公式,计算各个不等式约束的主元标。然后,根据不等式约束的主元标值对其进行筛选,形成一个松弛的线性规划问题,用原始单纯形法对其求解。如果松弛问题的最优解能满足原问题的不等式约束,则直接获得原问题的最优解。否则,将所有剩余的约束条件全部添加到松弛模型中,得到改变约束条件顺序后的原问题,再用对偶单纯形法进行新的求解。该算法本质上是一种2阶段单纯形法,并且第二阶段的求解可以充分利用第一阶段松弛问题的解信息,大大提高第二阶段的计算效率。以5个试验系统和1个省级538节点实际系统为测试系统,通过与单纯形法、信赖域内点法进行比较,验证其有效性。     

求解超大型线性规划的并行单纯形算法

提出了一种求解超大型线性规划的并行单纯形算法，将原线性规划分成若干个子线性规划，每台计算机用单纯形法计算一个子线性规划，各机间象高斯消去法一样分块消去、分块回代，当满足一定条件时得到原线性规划的最优解．     

关于求线性规划初始正则解的一个新方法的注记

在线性规划问题的求解中,对基变量取负值的情形,文献提出一种求初始正则解的新方法．该文对这种方法作了进一步讨论,指出它实质上是由原有单纯形法和对偶单纯形法两个阶段组成．第一阶段通过引入非负右手边向量构造辅助线性规划问题,然后用单纯形法求解这个辅助问题获得原问题的一个正则解（如果存在）;第二阶段由此正则解出发,用对偶单纯形法求得原问题的最优解（如果存在）．通过大规模例子对这种算法进行数值试验,结果表明它的计算效率非常低,因而对这种方法进行了改进．     

混合型区间线性规划的求解

仅含不等式约束的区间线性规划的求解问题已有较好的算法。对含有等式约束的区间线性规划求解问题,现有的算法效率都不能令人满意,并会出现辅助问题没有可行解的问题。该文讨论既含不等式约束又含等式约束这种混合型区间系数线性规划的求解问题。利用问题的几何结构,提出了一种新的辅助问题,有效地降低了计算复杂性。并给出了辅助问题不可行时的处理方案。     

混合GA与SA求解非线性约束优化

在蜚 线性约束优化中，处理好约束条件和增强局部搜索能力是解决这类问题的关键。本文在给出问题一般形式的基础上，设计了一个模型退火和遗传算法结合的算法。它用模拟退火算法来增强局部搜索能力，用线性交叉来处理约束以外的解，将可行解与不可行解用适应值的正负来区分。仿真试验表明，该算法收敛速度快、搜索能力强、稳健性好，本方法是对应用遗传算法求解非线性约束优化问题的又一次深入探索。     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

混沌优化算法在非线性约束规划问题中的应用

综述了混沌优化算法在国内的研究历史与现状 ,介绍了算法的基本步骤 .针对非线性约束问题 ,提出了一种新的、可行的混沌优化算法 .实例计算表明 ,该算法稳定性好、简单、易于掌握 ,对于多维、非线性、复杂约束问题的求解具有普适性     

基于遗传模拟退火算法的钢管订购和运输优化问题求解

钢管订购和运输中的参数优化问题是个复杂的非线性规划问题.针对路费与路线长度的非线性关系、目的地的需求量及货物的未知价格等影响因素,建立了钢管订购和运输问题的二次规划模型,探讨了利用遗传算法求解该问题的方法,并在此基础上提出利用遗传算法与模拟退火算法相结合的方法对该问题进行求解.实验结果验证了利用遗传模拟退火算法求解该问题的可行性与高效性,为求解该类问题提供了一个有效的新途径.     

SMA被动-自适用控制装置及结构地震反应控制分析

针对SMA被动控制装置减震效果不理想的问题,通过对SMA本构关系的分析,得出SMA弹性模量与温度的关系式,并对超弹性SMA和形状记忆SMA进行了材料性能试验研究.利用SMA弹性模量随温度变化特性和SMA超弹性滞回耗能特性,设计了一种新型SMA被动-自适用控制装置,并给出SMA控制装置最大输出控制力和等效刚度的计算公式.最后,针对某三层框架结构,分别在未控、主动控制和SMA半主动控制三种情况下,进行了地震时程仿真分析.结果表明:大震下框架结构底层位移和加速度反应幅值分别降低50.4%和41.7%,控制效果接近主动控制效果.     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

采用混合遗传算法的敏捷卫星自主观测任务规划

为改进敏捷卫星观测大规模地面目标点时传统的遗传算法求解效率低下的问题,提高智能优化算法的求解效率,改进了传统的遗传算法,提出了禁忌退火遗传混合算法。首先,考虑到航天器在观测地面目标点的过程中所面临的时间约束、姿态轨道动力学约束等多种约束条件,建立了相应的适应度函数。所提出的适应度函数能够兼顾高观测收益与低观测能耗,反应了实际工程问题的观测需求。随后,为改进传统遗传算法的变异过程,提出了禁忌退火变异方法。这一变异方法在个体变异寻优的过程中,引入了禁忌搜索方法与Metropolis法则,提高了算法搜寻到全局最优解的概率,加快了算法的收敛速度。研究结果表明,与传统的遗传算法相比,禁忌退火遗传混合算法节省了约40%的算法运行时间,该算法的运行效率也高于退火遗传算法、禁忌遗传算法等其他种类改进的遗传算法,从而验证了禁忌退火遗传混合算法求解敏捷观测卫星任务规划问题的高效性。     

混合优化策略的蛋白质折叠结构预测

为提高蛋白质折叠结构的预测精度,提出了一种融合改进模拟退火算法与序列二次规划法的预测策略.将序列二次规划法加入具有回火退火功能的模拟退火算法中,利用其局部最优化的能力对由模拟退火算法求得的全局优化结果进行二次优化,进而求得全局最优化结果.对所提方法进行了计算机仿真研究,并与其它方法进行了性能比较,实验结果表明,该方法能够有效提高蛋白质折叠结构的预测精度.     

基于模拟退火的粒子群算法求解约束优化问题

针对复杂约束优化问题,提出一种基于模拟退火(SA)的粒子群(PSO)算法(SAPSO)。该算法使粒子的飞行无记忆性,结合模拟退火算法重新生成停止进化粒子的位置,增强了全局搜索能力。同时采用双群体搜索机制,一个群体保存具有可行解的粒子,用SAPSO算法使粒子逐步搜索到最优可行解;另一个群体保存具有不可行解的粒子,并且可行解群体以一定的概率接受具有不可行解的粒子,有效地维持了群体的多样性。仿真结果表明:该算法能够快速准确地找到位于约束边界上(或附近)的最优解,具有较好的稳定性。     

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。