融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法

阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。AO算法全局寻优能力强,但收敛精度低,容易陷入局部最优,而HHO算法具有较强的局部开发能力,但存在全局探索能力弱,收敛速度慢的缺陷。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了AO的探索机制与HHO的开发机制,提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能,并对比了几种经典反向学习策略,结果表明引入动态反向学习的混合算法收敛性能更佳,能够有效求解工程设计问题。     

混合动态系统及其应用综述

在概述混合动态系统产生背景与发展近况的基础上, 主要综述了混合动态系统研究中的若干重要问题, 包括描述混合动态系统的常见工具, 如自动机和Petri网, 以及混合动态系统的模型描述方法及用于描述混合动态系统的递阶结构模型和混合逻辑动态模型, 对混合动态系统控制器的设计和验证及其在故障诊断等方面的应用研究也作了介绍, 同时对混合动态系统的一些主要研究成果进行初步评价.     

物流动态车辆调度问题的混合禁忌搜索算法

在分析动态车辆调度问题的基础上,建立了基于时间轴的动态模型;接着针对该问题在实际中的应用,设计了基于并行节约法和禁忌搜索的混合算法以对动态车辆调度问题进行求解;最后给出算法实现和算例模拟,验证了该算法的有效性。     

基于LINGO的优化问题动态规划法求解

介绍了LINGO优化软件的使用,指出LINGO在求解动态规划问题时可以不需要目标函数。基于LINGO分别对最短路问题和生产批量计划问题使用动态规划法进行了求解,给出了相应的LINGO求解代码,增强了学生对动态规划法的理解同时提高了使用优化软件编程解决问题的能力。     

自适应动态邻域布谷鸟混合算法求解TSP问题

针对离散布谷鸟算法求解旅行商问题时邻域搜索效率低和易陷入局部最优解等问题,提出了一种自适应动态邻域布谷鸟混合算法（Adaptive Dynamic Neighborhood Hybrid Cuckoo Search algorithm,ADNHCS）。为了提升邻域搜索效率,设计了一种圆限定突变的动态邻域结构来降低经典算法的随机性;此外,提出了可根据迭代过程进行自适应参数调整的策略,并结合禁忌搜索算法来提升全局寻优的能力。使用MATLAB和标准TSPLIB数据库中的若干经典算例对算法性能进行了实验仿真,结果表明与其他基于布谷鸟算法、经典和新型群智能优化算法相比,ADNHCS算法在全局寻优能力以及稳定性方面表现更优。     

基于LINGO的优化问题动态规划法求解

介绍了LINGO优化软件的使用,指出LINGO在求解动态规划问题时可以不需要目标函数。基于LINGO分别对最短路问题和生产批量计划问题使用动态规划法进行了求解,给出了相应的LINGO求解代码,增强了学生对动态规划法的理解同时提高了使用优化软件编程解决问题的能力。     

求解0-1背包问题的一种新混合算法

用动态规划算法求解0-1背包问题的时空复杂度为O（nC）。这个空间复杂度在求解大规模问题上是不可接受的。从计算0-1背包问题最优值的递归方程出发,给出高效利用内存的动态规划算法。为了克服内存高效的动态规划算法带来的缺点,设计新混合算法求解0-1背包问题。该新混合算法的时间复杂度为O（nC）;它消除了回溯阶段,并且为求得放入背包的物品所使用的空间复杂度仅为O（「n/d?+C）,其中d为计算机字长。实验结果表明,混合算法的工作效率与理论分析相同。     

混合蚁群算法在车辆路径问题中的应用

蚁群算法在求解车辆路径问题过程中存在搜索时间长、易于陷入局部最优解的问题。为此,设计并实现一种混合蚁群算法。引入变异算子增强算法的全局搜索能力,采用2-opt法优化阶段最优解的子路径。通过对信息素的挥发因子进行动态调整,从而有效控制信息量的变化速度。实例仿真结果表明,该算法具有较好的求解效率和寻优效果。     

动态环境下一种具有记忆能力的分布估计算法

以概率模型为基本记忆元素,对动态优化过程中所产生的历史信息进行记忆和利用,提出一种具有记忆能力的分布估计算法用以求解二进制编码动态优化问题.设计了基于环境辨识技术的记忆管理策略,并对种群多样性进行动态补偿.实验结果表明,该算法具有良好的通用性,所采用的多样性补偿策略能够保证算法种群对最优解的持续搜索能力.在对5个动态优化问题的实验中,该算法在绝大多数情况下都显著优于现有的另外两种动态进化算法.     

求解矩形条带装箱问题的动态匹配启发式算法

矩形条带装箱问(RSPP)是指将一组矩形装入在一个宽度固定高度不限的矩形容器中,以期获得最小装箱高度.RSPP理论上属于NP难问题,在新闻组版、布料下料以及金属切割等工业领域中有着广泛的应用.为解决该问题,采用了一种混合算法,即将一种新的启发式算法--动态匹配算法--与遗传算法结合起来.混合算法中,动态匹配算法能根据4类启发式规则动态选择与装填区域相匹配的下一个待装矩形,同时将装箱后所需容器高度用遗传算法的进化策略进行优化.时2组标准测试问题的计算结果表明,相对于文献中的已有算法,提出的算法更加有效.     

利用二进制差分演化算法求解动态优化问题

利用进化算法求解动态优化问题是智能计算领域中的研究热点。基于HBDE求解动态位匹配问题（DBMP）和时变背包问题（TVKP）,在分析DBMP和TVKP的数学模型基础上分别提出利用HBDE求解它们的可行算法。与原对偶遗传算法的仿真计算结果比较表明：基于HBDE求解大规模DBMP和TVKPB问题不但是可行的,而且是高效的。     

一种具有混合编码的二进制差分演化算法

差分演化(DE)是Storn和Price于1997年提出的一种基于个体差异重组思想的演化算法,非常适用于求解连续域上的最优化问题.首先引入"差异算子"等概念,给出DE的一种简洁算法描述,并分析了它所具有的特性.然后,为了使DE能够求解离散域上的最优化问题,基于数学变换思想引入"辅助搜索空间"和"个体混合编码"等概念,通过定义一个特殊的满射变换,在辅助搜索空间的作用下将连续域上的高效差分演化搜索变换为离散域上的同步演化搜索,由此提出了第1个二进制差分演化算法:具有混合编码的二进制差分演化算法(HBDE).接着,给出了HBDE的依概率收敛和完全收敛的定义,并利用离散Markov随机理论证明了HBDE是完全收敛的. HBDE不仅完全具有DE的各种特性和所有优点,而且非常适用于求解离散域上的最优化问题,对随机生成的大规模3-SAT问题实例和典型0/1背包问题实例的数值计算表明:该算法具有很好的全局收敛性和稳定性,其性能远远超过二进制粒子群优化算法和遗传算法.     

求解CARP-RP-ML问题的改进算法

传统方法无法有效求解交通道路维护运作中的有补给点及多装载的容量约束弧路径(CARP-RP-ML)问题。为此,提出改进的启发式算法和遗传算法。启发式算法将不同的分割算法用于由所有需求弧随机排序得到的个体上,构造问题的可行解;遗传算法利用分割算法计算其个体适应值,确定对应的可行车辆路径及补给位置,并用局部搜索作为变异算子,进一步扩大搜索空间。数值实验结果表明,与启发式算法相比,遗传算法能更有效地求解CARP-RP-ML问题。     

蚁群算法在K-TSP问题中的应用

针对K-TSP(K—person Traveling Salesman Problem)问题，该文提出了一种利用蚁群算法求解该问题的新思路。该算法采用k只蚂蚁共同构造问题的一个解，并通过多组(每组k只)蚂蚁相互协作最终达到搜索最优解的目的。实验结果显示，该算法行之有效，是一种求解K-TSP问题的有效算法。     

动态信息素更新蚁群算法在指派问题中的应用

建立指派问题的数学模型,将其转化为旅行商问题,利用蚁群算法求解此问题。蚁群算法是一种解决组合优化问题的有效算法,但同样存在搜索速度慢,易于陷于局部最优的缺陷。该文提出一种具有动态信息素更新的蚁群算法,通过具体的算例分析,表明该算法比传统的蚁群算法有更快的收敛速度和较好的稳定性。     

遗传/粒子群混合算法在飞剪机结构优化中的应用

飞剪机结构参数设计需满足若干技术性能要求才能保证剪切质量。飞剪机结构参数优化设计问题要满足多个非线性约束要求,同时需优化多个目标函数,提出遗传算法/粒子群混合算法用于曲柄连杆式飞剪机结构参数优化设计,结合各自算法的优势,在算法运行初期利用遗传算法的全局搜索能力进行优化搜索,在算法运行后期利用粒子群较强的局部搜索能力进行搜索,综合考虑多个目标函数和约束条件,通过实例计算表明,该混合方法可以稳定、有效的获取到满意的优化设计结果。     

一种求解动态优化问题的改进自适应差分进化算法

针对原始动态自适应差分进化（SADE）算法局部搜索能力弱和寻优精度低的问题,提出一种求解动态优化问题的邻域搜索差分进化（NSDE）算法。通过引入邻域搜索机制,在划分种群最优个体的邻域空间范围内产生候选解,选取候选解集合中的最优解并对种群最优个体进行迭代,增强算法局部搜索能力。在传统基于距离的排斥方案中,引入hill-valley函数追踪邻近峰,提高算法寻优精度。实验结果表明,与SADE、人工免疫网络动态优化、多种群竞争差分进化和改进差分进化算法相比,NSDE算法在49个测试问题中分别有28、38、29和38个测试问题的平均误差更小,综合性能表现更好。     

基于编码转换的离散演化算法设计与应用

为了利用演化算法求解离散域上的组合优化问题,借鉴遗传算法（GA）、二进制粒子群优化（BPSO）和二进制差分演化（HBDE）中的映射方法,提出了一种基于映射变换思想设计离散演化算法的实用方法——编码转换法（ETM）,并利用一个简单有效的编码转化函数给出了求解组合优化问题的离散演化算法一般算法框架A-DisEA.为了说明ETM的实用性与有效性,首先基于A-DisEA给出了一个离散粒子群优化算法（DisPSO）,然后分别利用BPSO、HBDE和DisPSO等求解集合联盟背包问题和折扣{0-1}背包问题,通过对计算结果的比较表明：BPSO、HBDE和DisPSO的求解性能均优于GA,这不仅说明基于ETM的离散演化算法在求解KP问题方面具有良好的性能,同时也说明利用ETM方法设计离散演化算法是一种简单且有效的实用方法.     

求解作业车间调度问题的混合帝国主义竞争算法

针对最小化最大完工时间的作业车间调度问题（JSP）,提出一种结合帝国主义竞争算法（ICA）和禁忌搜索（TS）算法的混合算法。混合算法以帝国主义竞争算法为基础,在同化操作中融入遗传算法中的杂交算子和变异算子,使算法全局搜索能力更强。为了克服帝国主义竞争算法局部搜索能力弱的缺点,引入禁忌搜索算法进一步优化同化操作后的后代。禁忌搜索算法采用混合邻域结构和新型选择策略,使得算法能够更有效地搜索邻域解。混合算法兼具全局搜索能力和局部搜索能力,通过对13个经典的Benchmark调度问题进行仿真测试,并与近年4种新型混合算法进行对比分析,实验结果表明了所提算法求解Job Shop调度问题的有效性和稳定性。     

一种适于求解离散问题的二进制粒子群优化算法è

分析了二进制粒子群优化算法(BPSO)的缺陷.为克服此缺陷提出了"粒子位置的双重结构编码"的概念,以此为基础给出一种新的二进制粒子群优化算法--具有双重结构编码的二进制粒子群优化算法(简称DS_BPSO).DS_BPSO算法既保留了PSO的优点,又非常适用于求解离散优化问题.对随机3-SAT测试实例的数值计算表明:该算法的性能远远超过BPSO算法.