一种新型的变领域搜索算法

一般变邻域搜索算法在连续优化问题的可行解空间上难以找到局部最优解。提出了一种结合SQP算法的变邻域搜索算法,该算法将SQP算法引入到变邻域搜索算法的局部搜索过程中,以SQP算法寻找局部最优解,以变邻域搜索算法跳出局部最优解的低谷,进而寻找到全局最优解。另外还对变邻域搜索算法的初始解和扰动过程进行了改进。数值实验表明,该算法具有良好的收敛性和搜索精度,求解效果优于文献算法。     

一种新的 QoS 全局最优 Web 服务选择算法

针对运用单目标优化算法求解基于 QoS 的 Web 服务选择问题的不足,设计了一种新的 QoS 全局最优Web 服务选择算法.该算法同时优化组合服务的多维 QoS 属性的多个目标函数,并产生 QoS 全局最优的 Pareto 最优解集.首先建立服务选择问题的多目标优化数学模型,然后采用归档式多目标模拟退火设计该算法以优选 Web服务.实验结果表明了该算法是可行的,实现了全局 QoS 最优化的组合服务.     

粒子群算法优化神经网络结构的研究

针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法（DePSO）和二进制粒子群优化算法（BiPSO）,同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。     

基于函数复杂度的自适应模拟退火和禁忌搜索新算法

在求解多峰复杂函数的过程中,传统的模拟退火算法和禁忌搜索算法经常出现算法快速收敛于局部最优解、后期收敛速度变慢和搜索能力变差等问题.为解决这些问题,本文给出函数复杂度的定义,并提出基于函数复杂度的自适应模拟退火和禁忌搜索算法.该算法首先根据函数复杂度自适应调整步长控制参数,然后根据调整后步长求得函数的粗糙解,在此基础上再使用初始步长求得全局最优解.实验表明,该算法不仅可以跳出局部最优解的限制,并且减少了迭代次数,有效地提高了全局和局部搜索能力.     

一种基于粒子群优化的自适应均衡算法

提出了一种自适应信道均衡的方法,它利用粒子群优化算法对均衡器系数进行自适应调整.由于粒子群优化算法具有实现简单、性能函数的单调性强、搜寻全局最优解的能力强等优点,将其用于自适应信道均衡将会改善传统均衡器均衡效果不理想的问题.仿真结果表明,该方法实用有效,在信道失真较大和最优解搜索精度方面表现出了优越性.     

基于改进灰狼算法的铁路隧道射线跟踪模型校正

针对灰狼优化（grey wolf optimization，GWO）算法易陷入局部最优和收敛精度差的问题，提出了一种基于对立搜索和Levy飞行策略的改进灰狼优化算法——OLGWO算法.在算法初始化阶段，采用对立搜索策略以缩小可行解范围；在灰狼位置更新过程中，为避免算法陷入局部最优采用了Levy飞行策略.4个标准测试函数的仿真实验表明，所提OLGWO算法在收敛速度及求解精度方面均优于GWO算法，可以较快且准确地搜索到目标函数的最优值.基于OLGWO算法对隧道射线跟踪传播模型进行校正的结果表明，校正后的模型在均方根误差和线性相关性方面具有较优的性能，能够实现铁路隧道环境中信号接收功率的精确预测.     

多加性QoS约束下的链路分离路由算法

对多个加性QoS约束下的链路分离路径问题进行了研究,针对现有算法求解结果依赖于网络结构,难以保证对任意网络都可求得可行解和最优解的问题,提出了一种与网络结构无关的多约束链路分离路径路由算法(MCLPRA,multiple constrained link-disjoint path routing algorithm).该算法基于SAMCRA,采用对解空间先分类,然后按类进行处理和搜索的方法,引入了控制搜索深度的参数,可保证对任意网络都能求得可行解.理论分析表明,MCLPRA能够在现有算法不能求解的情况下解得可行解和最优解.仿真结果显示,MCLPRA的可行解平均求解成功率明显高于现有算法且所求路径对长度也比现有算法更短.     

基于g-l-PSO算法的灰度图像增强方法

规则化Beta函数给出了灰度图像对比度变换函数的统一表达形式,但是Beta函数的参数需要根据具体图像而确定,难于找出合理的参数值.首先分析了传统PSO算法的不足,使用种群的局部最优解为遗传依据,全局最优解为变异依据,提出综合的g-l-PSO算法.将g-l-PSO算法用于确定Beta函数的参数,通过适应度评估,可以获取最适合当前图像的参数值.通过三幅Pout图像的增强效果分析,可知该灰度图像增强方法切实可行.     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

伪目标动态可行域约束法中的观测站最优路线规划算法

在针对非视距环境下单站机动定位的伪目标动态可行域约束法中,目标位置可行域大小直接影响到算法速度和最终定位结果的精度,因此该文提出了一种基于动态规划的观测站最优路线规划算法.该算法在当前测量时刻所测数据的基础上,以目标位置可行域收敛面积最大化为目标,分析出观测站运动到下一测量时刻的最优运动方向,从而达到缩短定位时间和抑制定位误差的目的,实现整个测量路线的最优化.     

基于改进遗传算法的油田配电网无功优化

遗传算法是一种模拟生物进化过程的优化算法,可用来求解包含离散化变量的复杂优化问题。将遗传算法应用于油田配电网无功优化,并对常规遗传算法的编码方式、遗传算子以及终止判据等方面进行改进,提高了计算效率和全局寻优能力。通过对油田配电网的分析和计算,结果表明该改进遗传算法应用于油田无功优化是合理可行的,其优化效果优于传统遗传算法。     

Adaptive Multi-layer Particle Swarm Optimization with Neighborhood Search

Particle swarm optimization (PSO) has shown a good performance on solving global optimization problems.Traditional PSO has two main drawbacks of premature convergence and low convergence speed,especially on complex problems.This paper presents a new approach called Adaptive multi-layer particle swarm optimization with neighborhood search (AMPSONS),where the traditional PSO is improved by employing an adaptive multi-layer search and neighborhood search strategy to achieve a trade-off between exploitation and exploration abilities.In order to evaluate the performance of the proposed AMPSONS algorithm,the performance of AMPSONS is compared with five other PSO family algorithms,namely,CLPSO,DNLPSO,DNSPSO,global MLPSO and local MLPSO on a set of benchmark functions.The comparison results show that AMPSONS has a promising performance on majority of the test functions.     

混沌优化算法在组合优化问题中的应用

组合优化问题一直都受到理论界和工程界的重视,此类问题的求解方法也有很多,却各有缺点和局限性,不能满足实际应用的需要。混沌优化算法在解决数值优化问题上具有一定的普遍性,可以很快找到全局最优解,不过组合优化问题的解不是一个数值,因此在前人研究的基础上,提出求解组合优化问题的混沌优化算法。首先分析混沌优化,并针对组合优化问题中的TSP问题,提出一种混沌优化策略,探讨在TSP问题中应用混沌优化算法的方法。结果表明了该方法的有效性。     

Analog circuits optimization based on evolutionary computation techniques

This paper presents a new design automation tool, based on a modified genetic algorithm kernel, in order to improve efficiency on the analog IC design cycle. The proposed approach combines a robust optimization with corner analysis, machine learning techniques and distributed processing capability able to deal with multi-objective and constrained optimization problems. The resulting optimization tool and the improvement in design productivity is demonstrated for the design of CMOS operational amplifiers.     

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近.实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法.     

基于遗传算法的影像匹配方法研究

影像匹配是立体视觉中的核心问题之一。本文基于传统的影像匹配技术,提出了一种基于遗传算法的影像匹配方法。针对简单的遗传算法易于陷入局部最优的缺点和影像匹配的具体问题,对基本遗传算法作了改进。实验表明,此种方法具有较好的匹配精度和速度,能应用于各种类型的匹配中。     

模拟退火算法在单目标规划问题中的应用

模拟退火算法是一种用于解决连续、有序离散和多模态优化问题的随机优化技术。它对于非常复杂，高度非线性的大型系统优化的求解，表现出比其他传统优化算法更加独特和优越的性能。现介绍了模拟退火算法的原理、数学模型及其求解步骤，并以一实例来说明模拟退火算法在解决组合优化问题时的有效性和优越性。     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

应用精英反向学习的多目标烟花爆炸算法

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.     

基于改进遗传算法的多目标JSP调度研究

针对多目标车间作业调度问题(JSP),提出了一种混合遗传算法,将多目标遗传算法得出的初步优化结果作为粒子群算法的初始粒子,利用粒子群算法强化局部搜索,加快收敛速度,改善了简单遗传算法局部搜索能力差、迭代效率低的问题.仿真结果表明了该算法对JSP调度的良好效果.