动态调整策略改进的和声搜索算法

为了得到高维复杂问题的全局高精度最优解,提出一种动态调整策略,并用该策略改进和声搜索算法。算法选取和声记忆库中最差和声向量作为优化调整目标,随着迭代的进行,逐步降低决策变量的调整概率,该方法能够使得算法在全局探索能力和局部高精度开发能力之间实现平衡,有效提高了新和声更新最差和声的成功率。通过6个高维Benchmark测试函数的仿真结果表明,提出的动态调整策略能够有效提高和声搜索算法求解高维复杂优化问题的能力。     

求解人力资源分配问题的多目标和声搜索算法

人力资源分配问题是将若干个人力资源合理分配给若干个工作任务,从而达到人力生产效率最大化与人力生产成本最小化。文中提出一种改进的多目标和声搜索(MOIHS)算法来求解人力资源分配问题。MOIHS算法是通过改变记忆考虑的选择机制与微调概率来改进基本的和声算法提高算法收敛稳定性,并采用快速非支配排序方法与建立动态拥挤的距离来获得一个分布良好的Pareto解集。在求解人力资源分配问题时,同时优化人力生产成本最小化与效率最大化两个目标,最后通过一个实例可以得到在解决该问题上多目标改进和声搜索算法优于多目标遗传算法,求出的解集也具有良好的分布性。     

改进的和声搜索算法求解多目标优化问题

针对和声搜索算法在求解多目标问题时效率不高、易陷入局部最优、在算法后期收敛精度不够等不足.提出一种改进的多目标和声搜索算法,其思想是通过引入自适应操作,加强算法的全局搜索能力,增加解的多样性;同时对解集根据Pareto最优解进行非支配排序,提高算法效率,增加算法在后期的收敛精度.在数值仿真实验中选取4个测试函数进行实验,并同其他算法进行多方面比较,结果表明该算法具有更好的性能.     

基于云模型的NSGA-Ⅱ算法改进

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题.提出一种基于云模型的改进NSGA-Ⅱ算法,利用正态云模型云滴的随机性和稳定倾向性特点,分别对交叉、变异、拥挤距离算子进行改进.使算法既具有传统的趋势性和满足快速寻优能力,又具有随机性.在提高收敛速度与保持种群多样性之间做了个很好的权衡.通过求解多目标背包问题,对本文算法的多目标优化性能进行了考察,并与NSGA-Ⅱ算法进行比较,结果表明本文算法在整个解空间内能快速搜索到Pareto最优解,使搜索到的Pareto最优解在前沿均匀分布.     

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pareto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。     

改进的多目标和声搜索算法

针对和声搜索算法不能很好求解多目标优化问题的缺陷,引入邻域搜索算子,对和声记忆库内搜索到的分量进行扰动,对和声记忆库外进行Pareto邻域搜索,实现群体间信息交换,提高算法的全局搜索能力。数值实验选取4个常用测试函数并与NSGA-II、SPEA2、MOPSO 3个多目标算法进行比较,测试结果验证了改进算法的有效性。     

和声搜索算法研究进展

和声搜索算法是一种新兴的智能优化算法,通过反复调整记忆库中的解变量,使函数值随着迭代次数的增加不断收敛,从而来完成优化。算法概念简单、可调参数少、容易实现。研究了和声搜索算法的起源,基本思想;给出了和声搜索算法的步骤和基本流程,并分析了记忆库取值概率和微调概率对算法的影响。比较了和声搜索算法与遗传算法的差异,给出了和声搜索算法的应用前景和研究趋势。     

和声搜索-分布估计混合算法求解多目标优化问题

针对和声搜索算法不能很好地求解多目标优化问题的缺陷,提出一种多目标和声搜索—分布估计混合算法(MHS-EDA)。该算法一方面利用分布估计的采样操作对和声记忆库内进行搜索,拓宽了和声记忆库内空间;另一方面对和声记忆库外进行外部档案搜索,实现群体间信息交换,从而提高了多目标和声算法的全局搜索能力。数值实验选取六个常用测试函数,并与多目标遗传算法、多目标分布估计算法、多目标和声搜索算法进行比较,测试结果表明提出的混合算法能够有效地解决多目标优化问题。     

求解人力资源分配问题的多目标微粒群优化算法*

提出一种改进的多目标微粒群优化算法来求解人力资源分配问题.通过对种群进行正交初始化,保证了个体在整个可行解空间上的均匀分散,使得算法能够在整个可行解空间上进行均匀搜索;通过基于网格技术的外部存档非劣解删选策略,有效地保留了逼近Pareto前沿的非劣解;引入一种广义的学习策略来提升粒子向Pareto前沿收敛的概率.实验结...     

基于最大最小适应度函数的多目标粒子群算法

针对多目标优化问题提出了一种基于最大最小适应度函数（F_maximin）的粒子群算法，将此算法简称为IMPSO。它在求解多目标问题的非劣解前沿（Pareto Front）时表现出很好的性能。通过经典测试函数计算表明该算法保证收敛到多目标优化问题的Pareto最优前沿；同时，使用两个性能指标（GD和Diversity）验证了此算法优于其他的多目标粒子群优化算法。     

基于改进离散和声算法的批量流水线调度研究

针对批量流水线调度问题,提出了以总流经时间为目标的改进离散和声算法。与基本的和声算法相比,该算法首先采用了基于工件序列的编码方式,使其直接应用于调度问题,同时运用NEH和SWAP方法产生初始和声库,保证了初始种群具有较高的质量和多样性。使用自适应和声微调概率参数和INSERT方法产生新解,提高了算法的优化性能。为了提高算法的局部搜索能力,结合交换扰动策略和插入邻域搜索算法给出了两种混合求解策略。仿真实验表明所提算法的有效性。     

随机交叉全局和声搜索算法

针对和声搜索算法易陷入局部最优的不足,提出了一种随机交叉全局和声搜索（RCGHS）算法。通过最差和声向最优和声学习提高算法的全局搜索性能,引入其他和声向最优和声学习的交互策略提高算法的局部搜索性能。将两种学习策略随机交叉动态产生新和声,平衡算法的全局搜索和局部搜索性能。在和声记忆库更新阶段,利用即兴创作产生的和声向量与随机反向学习产生的和声向量中较优的个体更新和声记忆库。将RCGHS算法与目前文献中较优的几种改进HS算法、ABC算法、PSO算法和GWO算法进行性能测试,测试结果表明RCGHS算法具有较高的寻优精度和较快的收敛速度。     

基于极大熵和声搜索算法的非线性方程组求解

提出一种基于极大熵和声搜索(HS)的非线性方程组求解算法。利用极大熵函数代替不可微的极大值函数,从而将非线性方程组问题转化为一个无约束极小化问题,并通过HS算法对其进行求解。数值实验结果表明,与牛顿算法相比,该算法简单直观,具有较高的求解准确性。     

基于圆形信赖域的改进和声搜索算法

针对标准和声搜索(HS)算法易陷入局部最优、收敛精度不高的不足,提出了一种基于圆形信赖域(CTR)的新型和声搜索算法--CTRHS。该算法运用逐双音调一次性产生方式,在记忆思考环节交互式地采取面向圆形信赖域的集约化思考操作,在双音调微调环节利用当前和声记忆库中的最好或最差和声来确定微调带宽,并且以新生成和声直接替换当前和声记忆库中最差和声来实现和声记忆库的更新。通过在9种标准测试函数上对CTRHS算法进行实验验证和算法性能对比,结果表明CTRHS算法在解质量、收敛性能上优于文献中已报道的7种HS改进算法,且当和声记忆库规模(HMS)、和声记忆库思考率(HMCR)分别取5和0.99时,它能表现出更佳的全局优化性能。     

求解批量流水线调度问题的改进和声搜索算法

针对以最大完工时间为目标的批量流水线调度问题,提出一种改进的和声搜索优化算法。该算法采用ROV规则的编码方式,使具有连续本质的和声搜索算法能直接应用于调度问题。对和声库的初始化和候选解的产生方式进行改进。针对该算法容易陷入局部最优的缺陷,将其与阈值接受算法结合,得到2种混合算法。仿真结果证明了该算法的有效性。     

基于和声搜索算法的知识即服务动态组合优化

面向服务的云计算环境为制造领域的知识创新提供了新的思路。知识即服务的动态组合是知识创新过程中的关键技术之一。云计算服务资源的虚拟性和动态性为组合的知识即服务的服务质量提出了新的挑战。针对制造领域知识即服务组合的服务质量优化问题,提出一种改进的和声搜索算法(SLHS),SLHS算法利用Skyline方法对和声记忆库进行初始化以提高算法的运行效率,并采用理想点法选择制造知识即服务以确保解的有效性。仿真实验中引入了基本和声搜索算法作比较。实验结果表明SLHS算法在解的质量方面和算法性能方面均明显优于基本和声搜索算法。     

一种新的智能优化及其改进研究

研究了一种新的进化算法-和声搜索(HS)算法,针对其在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出一种改进的和声搜索算法,算法在保留和声搜索的搜索机理的同时,把混合蛙跳算法中的局部搜索策略引入其中,维持了和声库的多样性,从而提高了对复杂问题的搜索效率.与同类算法相比,本文提出的和声搜索算法全局搜索能力强,收敛速度快,数值实验结果验证了算法的有效性和鲁棒性.     

改进和声搜索算法及其在连续函数优化中的应用

针对一般和声搜索(HS)算法在求解连续函数优化问题时存在的困难,提出一种改进的多样化和声搜索(IDHS)算法。该算法借鉴模拟退火算法的思想对参数的更新方式作出调整,并且限制保存在和声记忆矩阵中的一致和声的数量以增加解的多样性。数值仿真结果表明,与其他几种传统的和声搜索算法相比,该方法进一步提高了计算精度和收敛速度,以及全局寻优能力。     

改进二进制和声搜索算法求解多维背包问题

和声搜索（HS）是一种已广泛应用于连续优化问题的元启发式方法。针对典型的组合优化问题——多维背包问题（MKP）,提出一种改进二进制和声搜索（IBHS）算法。算法通过伯努利随机过程生成二进制群体,在候选和声生成算子中,引入动态自适应参数,通过算法参数的自适应调整来协调算法的全局搜索和局部搜索,并提出一种新的更有效的衡量商品多维加权价值密度的方法用于二进制个体修正和优化;引入精英局部搜索机制进行协同寻优,提高IBHS的收敛速度。通过求解10组不同规模的典型多维背包算例和与贪心二进制狮群优化（GBLSO）算法、改进的差分演化（MBDE）算法以及二进制修正和声（BMHS）算法的对比分析,实验结果表明,所提算法在求解MKP时有具有良好的收敛效率、较高的寻优精度和很好的鲁棒性。     

改进的和声搜索算法在函数优化中的应用

针对函数优化问题,通过分析和声搜索算法的2个关键参数(和声微调概率与和声微调幅度)对算法搜索性能的影响,提出和声微调概率与和声微调幅度随搜索过程的进行而动态适应变化的方法,从而得到9种改进的和声搜索算法。仿真实验表明,所得方法具有较好的优化性能,计算结果优于M_IHS算法。