快速群搜索优化算法及其应用研究

在群搜索优化算法GSO(Group Search Optimize)基本原理的基础上,提出了改进的群搜索优化算法——快速群搜索优化算法QGSO(Quick Group Search Optimize),并应用于结构优化设计。算法的改进主要有3个方面:第一,当算法不前进时,适当加大游荡者的数目;第二,引进粒子群算法(PSO)的搜索方式,将GSO中的角度搜索改为步长搜索,并考虑群体最优值和个体最优值;第三,引入遗传算法,通过个体最优值与群体最优值的杂交重新生成游荡者。采用QGSO优化算法分别对平面和空间桁架结构进行了离散变量的截面优化设计,并与GSO优化算法和启发式粒子群优化算法(HPSO)的计算结果进行了比较,结果表明:该文改进的群搜索优化算法QGSO与GSO算法和HPSO算法相比具有较好的收敛精度和更快的收敛速度,可应用于工程结构的优化设计。     

包装物回收物流中的车辆路径优化问题

目的提高遗传算法(GA)求解包装物回收车辆路径优化问题的性能。方法通过对传统GA算法的改进,提出混合蜂群遗传算法(HBGA)。首先改进传统GA算法的初始种群生成方式,设计初始种群混合生成算子;其次,提出最大保留交叉算子,对优秀子路径进行保护;然后,在上述改进的基础上引入蜜蜂进化机制,用以保证种群多样性和优秀个体特征信息的利用程度;最后,对标准算例集进行仿真测试。结果与传统GA算法相比,HBGA算法在全局寻优能力、算法稳定性和运行速度方面均有所改善。HBGA算法的全局寻优能力和算法稳定性均优于粒子群算法(PSO)、蚁群算法(ACO)和禁忌搜索算法(TS),但运行速度稍慢于TS算法。结论对传统GA算法的改进是合理的,且HBGA算法整体求解性能优于PSO算法、ACO算法和TS算法。     

快速被动群搜索优化算法及其在空间结构中的应用

在快速群搜索优化算法QGSO(quick group search optimizer)基本原理的基础上,提出了改进的快速群搜索优化算法--快速被动群搜索优化算法QGSOPC(quick group search optimizer with passive congregation),并应用于结构优化设计.采用QGSOPC优化算法分别对空间结构进行离散变量的截面优化设计,并与QGSO优化算法、群搜索优化算法GSO(group search optimize)和启发式粒子群优化算法(HPSO)的计算结果进行比较,结果表明改进的快速被动群搜索优化算法QGSOPC与QGSO算法、GSO算法和HPSO算法相比不但具有较好的收敛精度和更快的收敛速度,而且具有很好的稳定性.该算法可有效率地应用于实际结构的优化设计.     

混合蝙蝠算法在包装件配送中的应用研究

目的使蝙蝠算法(BA)适应包装件配送车辆路径问题(VRP)的求解,并提高该算法的求解性能。方法在标准BA算法的基础上提出混合蝙蝠算法(HBA)。首先,设计改进的蝙蝠算法(IBA),使其能够适用于包装件配送VRP问题的求解。其次,引入混沌系统,对IBA算法进行混沌初始化。然后,设计裂变算子和变异算子。在IBA算法迭代前半段,将蝙蝠种群中较差的一半蝙蝠重新混沌初始化,以提高种群多样性。在IBA算法迭代后半段,对陷入局部最优解的蝙蝠进行鲶鱼扰动。最后,提出HBA算法并对企业实例进行仿真测试。结果 HBA算法求得的最优配送距离为773.01 km,相对于GA算法(781.25 km)和IBA算法(786.04 km)分别节约了8.24 km和13.03 km。结论与IBA算法和GA算法相比,HBA算法求解包装件配送VRP问题的全局优化能力更强、收敛速度更快。     

一种改进的人工蜂群算法及其在桁架几何优化设计中的应用研究

由于人工蜂群(artificial bee colony,ABC)算法存在收敛速度慢、易陷入局部最优的缺点,采用设置自适应缩放因子和基于适应度排序的选择方式代替传统的轮盘赌模型,提出了一种改进的快速人工蜂群算法(fast artificial bee colony,FABC).基于这种FABC算法对4个离散变量的几何优化模型进行了优化,并与遗传算法(GA)、蚁群算法(ACA)、启发式粒子群优化算法(HPSO)和群搜索算法(GSO)作了比较.结果表明,这种改进的人工蜂群算法具有较好的收敛精度.另外,ABC算法以及FABC算法结构简单,可应用在其他优化问题上.     

基于混沌模拟退火PSO算法的威布尔分布参数估计应用研究

针对三参数威布尔分布模型采用精确解法直接求解的不足,提出基于混沌模拟退火粒子群优化方法进行参数估计。引入Logistic混沌因子调整粒子群优化算法的更新策略以充分释放其遍历搜索能力,并采用模拟退火方法依据Tsallis接受准则以一定概率接受新状态,使算法避免陷入"早熟"进而实现全局最优搜索;同时为降低算法在迭代计算上的时间开销,运用图解法获得的初始解为其提供搜索范围。将该方法运用到轴承转子可靠度威布尔分布参数估计中,实验分析表明该方法具有可行性和有效性,与遗传算法、模拟退火粒子群优化算法相比具有更好的寻优能力。     

包装物回收物流中的车辆路径优化问题

目的提高遗传算法(GA)求解包装物回收车辆路径优化问题的性能。方法通过对传统GA算法的改进,提出混合蜂群遗传算法(HBGA)。首先改进传统GA算法的初始种群生成方式,设计初始种群混合生成算子;其次,提出最大保留交叉算子,对优秀子路径进行保护;然后,在上述改进的基础上引入蜜蜂进化机制,用以保证种群多样性和优秀个体特征信息的利用程度;最后,对标准算例集进行仿真测试。结果与传统GA算法相比,HBGA算法在全局寻优能力、算法稳定性和运行速度方面均有所改善。HBGA算法的全局寻优能力和算法稳定性均优于粒子群算法(PSO)、蚁群算法(ACO)和禁忌搜索算法(TS),但运行速度稍慢于TS算法。结论对传统GA算法的改进是合理的,且HBGA算法整体求解性能优于PSO算法、ACO算法和TS算法。     

求解连续空间优化问题的扩展粒子蚁群算法

扩展蚁群算法是蚁群算法创始人Dorigo提出的一种用于求解连续空间优化问题的最新蚁群算法,但该算法的收敛速度参数和局部搜索参数取值缺乏理论指导,因此其性能受算法参数影响较大.本文提出一种求解连续空间优化的扩展粒子蚁群算法,将粒子群算法嵌入到扩展蚁群算法中用于在线优化扩展蚁群算法参数,减少了参数人为调整的盲目性.从而改善扩展蚁群算法的寻径行为.通过将本文提出的算法与遗传算法、克隆选择算法、蚁群算法、扩展蚁群算法对5种典型测试函数优化的结果对比表明,本文算法在搜索速度和全局搜索能力方面均优于其它算法.     

一种改进的蚁群遗传混合智能算法在TSP问题中的应用

蚁群算法、遗传算法作为两大仿生优化算法,有其各自的适用域与局限性。原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但是由于两种算法混合,当求解问题规模变得越来越大时,求解步骤也会增多,从而使得求解速度会有所缓慢。本文改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力,进而扩大解的搜索空间。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解,提高了其寻优能力和速度。仿真结果表明,改进后的算法在寻优能力,收敛速度及求解精度上均取到了较好的效果。     

一种用于匹配场反演的遗传算法

遗传算法在接近全局最优解时,存在搜索速度变慢、过早收敛、个体的多样性减少很快、甚至陷入局部最优解等问题。通过在遗传算法中引入模拟退火因子、混沌因子和多样性测度因子,在很大程度上克服了原有遗传算法的早熟、局部搜索能力差的缺点。同时,又能发挥原有遗传算法的强大的全局搜索能力,保证了改进后的混合遗传算法能较好地收敛于其全局最优值。     

基于IALO算法的蓄电池参数辨识

合理的等效电路模型及准确的模型参数对蓄电池荷电状态(SOC)的准确估计具有重要影响。针对蓄电池三阶Thevenin等效电路模型,基于改进蚁狮优化算法,提出了一种模型参数辨识方法。引入混沌Logistic映射初始化,使初始化群体遍及解空间,有利于寻找全局最优解;引入自适应惯性权重加随机柯西变异策略,有效提高了算法收敛速度;引入精英反向学习策略,有效提高了群体的多样性,避免算法陷入局部最优解。5个测试函数的测试结果表明:相比于蚁狮优化算法、粒子群算法与樽海鞘优化算法,改进蚁狮优化算法收敛速度更快,精度更高。对蓄电池三阶Thevenin等效电路模型进行参数辨识,结果表明:改进蚁狮优化算法相比蚁狮优化算法具有更高的辨识精度。     

混合蝙蝠算法在包装废弃物逆向物流中的应用

目的为了提高蝙蝠算法(BA)求解包装废弃物逆向物流问题的性能。方法在标准BA算法的基础上提出混合蝙蝠算法(HBA)。首先,构建新型蝙蝠表达式,使BA算法适用于包装废弃物逆向物流问题的求解。其次,引入自适应惯性权重,改造蝙蝠速度更新公式;然后,引入粒子群算法(PSO),对每次迭代中任一随机蝙蝠进行粒子群操作;最后,利用HBA算法对企业实例和标准算例进行仿真测试。结果企业最优回收距离为776.63 km。与遗传算法(GA)、蚁群算法(ACO)和禁忌搜索算法(TS)相比,HBA算法能够求得已知最优解的标准算例个数最多为6个,求得最好解与已知最优解的平均误差最小为8.58%,平均运行时间最短为4.39s。结论 HBA算法的全局寻优能力、稳定性和运行速度均优于GA算法、ACO算法和TS算法。     

求解集装箱装载问题的混合蚁群模拟退火算法

目的 针对物流行业中存在的大规模、复杂、多规格货物的集装箱装载问题,提出一种基于塔装载启发式算法、二维装载点启发式算法、蚁群模拟退火算法的混合算法。方法 首先,采用塔装载启发式算法将三维待装箱装载成塔集,即将三维装箱问题降为二维装箱问题,有效降低集装箱的装载规模;其次,蚁群算法通过融入信息素选择更新策略,并利用自适应信息素挥发系数来提升算法整体的收敛速度,同时结合模拟退火算法对每代优秀路径集进行局部搜索,避免算法因收敛过快而陷入局部最优;最后,将蚁群模拟退火算法与二维装载点启发式算法相结合,优化每座塔的装载顺序和放置姿态,寻找最优的装载方案。结果 实验证明,在250组算例中,采用混合算法后,集装箱的平均空间利用率为90.92%,优于其他3种对比算法。结论 设计的混合蚁群模拟退火算法适用于解决大规模集装箱装载问题。     

模糊聚类和混沌自适应粒子群的神经网络色彩匹配

目的研究基于混沌理论、粒子群算法、模糊聚类和人工神经网络的色彩匹配模型。方法结合混沌理论和动态自适应策略,对粒子群算法进行改进,得到混沌自适应粒子群算法,并应用于径向基人工神经网络的基函数中心,以及扩展常数和网络权值的优化中;通过模糊聚类分类样本数据,得到混沌自适应粒子群径向基人工神经网络色彩匹配模型,并将模型与其他色彩匹配方法进行比较。结果CSAPSO RBF ANN色彩匹配模型的平均绝对误差、均方根误差和色差平均值分别为0.0106,0.000 96和1.9122。结论 CSAPSO RBF ANN色彩匹配模型具有良好的普遍性、通用性和泛化能力。     

System Reliability Optimization Using Gray Wolf Optimizer Algorithm

For the past two decades, nature‐inspired optimization algorithms have gained enormous popularity among the researchers. On the other hand, complex system reliability optimization problems, which are nonlinear programming problems in nature, are proved to be non‐deterministic polynomial‐time hard (NP‐hard) from a computational point of view. In this work, few complex reliability optimization problems are solved by using a very recent nature‐inspired metaheuristic called gray wolf optimizer (GWO) algorithm. GWO mimics the chasing, hunting, and the hierarchal behavior of gray wolves. The results obtained by GWO are compared with those of some recent and popular metaheuristic such as the cuckoo search algorithm, particle swarm optimization, ant colony optimization, and simulated annealing. This comparative study shows that the results obtained by GWO are either superior or competitive to the results that have been obtained by these well‐known metaheuristic mentioned earlier. Copyright © 2016 John Wiley & Sons, Ltd.     

智能优化平台的并行实现及在光学设计中的应用研究

构建了一个智能优化平台,包括粒子群算法、蚁群算法、遗传算法、模拟退火算法、混沌算法和复合形法。该平台包括4个模块,分别是优化问题选择,优化参数设置,优化过程显示以及优化结果输出。将该优化平台应用在RGB LED混合白光的优化设计中,对混合照明模块中发光效率和显色指数进行优化,给出了混合照明模块中发光效率和显色指数的计算方法。     

子母穿梭车式立体仓库复合作业路径优化

目的研究子母穿梭车式立体仓库中复合作业路径优化问题,有利于提高系统运行效率,降低成本。方法对于子母穿梭车式立体仓库在一次存取货作业中复合作业方式的实际调度路径,考虑到其运动机构的加(减)速度,以完成复合作业总时间最短为目标建立数学模型。针对该系统复合作业的运行特征,提出一种结合遗传和蚁群算法各自优点的混合粒子群算法进行优化求解。结果实例验证可知,与粒子群算法和蚁群算法相比,文中提出的混合粒子群算法具有性能稳定、优化效率更高等优点。结论文中所提复合作业路径优化方法能够有效地缩短子母穿梭车式立体仓库的复合作业时间,提高了进出库调度效率。     

改进粒子群算法在农产品物流配送路径管理中的应用

目的 为了更加合理地进行车辆路径调度管理,提高粒子群求解车辆路径优化问题的性能。方法 提出了一种动态猴子跳跃机制的粒子群优化算法,它借助群体的动态分组,采用不同的动态惯性权重来提高算法的速度,引入猴子跳跃机制来保证全局收敛性。最后把改进算法应用到物流配送路径优化的2个实例中,同一环境下,改进算法搜寻到最优路径适应值、平均运算时间,以及求得最优解的成功次数,均优于标准粒子群优化算法。结果 结果表明,改进的算法能快速有效地确定物流配送路径。结论 改进粒子群优化算法不仅具有较快的寻优速度,而且也提高了算法的收敛性,保证了寻优质量,因此具有很大的应用价值。     

Coupling ant colony optimization and the extended great deluge algorithm for the discrete facility layout problem

This article uses a hybrid optimization approach to solve the discrete facility layout problem (FLP), modelled as a quadratic assignment problem (QAP). The idea of this approach design is inspired by the ant colony meta-heuristic optimization method, combined with the extended great deluge (EGD) local search technique. Comparative computational experiments are carried out on benchmarks taken from the QAP-library and from real life problems. The performance of the proposed algorithm is compared to construction and improvement heuristics such as H63, HC63-66, CRAFT and Bubble Search, as well as other existing meta-heuristics developed in the literature based on simulated annealing (SA), tabu search and genetic algorithms (GAs). This algorithm is compared also to other ant colony implementations for QAP. The experimental results show that the proposed ant colony optimization/extended great deluge (ACO/EGD) performs significantly better than the existing construction and improvement algorithms. The experimental results indicate also that the ACO/EGD heuristic methodology offers advantages over other algorithms based on meta-heuristics in terms of solution quality.