求解约束优化的一种新的进化算法

罚函数法是解决约束优化最常用的方法,但如何确定罚因子是其难以克服与回避的问题.该文提出的求解约束优化问题的新的进化算法克服了这一困难,其基本思想是对种群中的个体按可行和不可行分别采取两种评价方案,对可行解按其目标函数值的大小加以评价,对不可行解按其违反约束的程度进行评价.作为评价个体优劣的适应度函数将可行点映射到(-1,1),将不可行点映射到(1,2),这样有效地区分了可行点与不可行点.数据实验与比较结果表明了该算法的有效性.     

一种求解约束优化问题的自适应差分进化算法

自适应算子选择方式已被用于差分进化算法求解全局优化问题及多目标优化问题,然而在求解约束优化时难于为自适应算子选择方式找到一种方式来恰当分配信用。为此,本文提出了一种基于混合种群的自适应适应值方式来对约束优化问题中变异策略进行信用分配并采用概率匹配方法自适应选择差分变异策略,同时对算法变异缩放因子与交叉率进行自适应设置提高算法的成功率。实验结果表明算法在求解约束优化问题相比于CODEA／OED, ATMES,εBBO-dm,COMDE 以及εDE算法有较高的收敛精度及收敛速度,同时验证了自适应方式的有效性。该算法可用于预报、质量控制、会计过程等科学和工程应用领域。     

一种求解航线优化问题的改进蚁群-遗传算法

航线优化是一个重要问题.运行所提出的算法,通过控制蚂蚁周游次数,找出航线优化问题的较好解,与ASA算法相比,大大缩短了搜索时间;再用较好解的航线表示作为初始种群,指定为父体,直接进行基因分组定界操作,大幅度降低了PGA算法的随机性.实验结果表明,此算法用于求解航线优化问题,是一种很好的算法.     

量子进化算法用于求解约束多目标优化问题的探析

本文提出了一种用于解决约束多目标优化问题的方法。本算法在进化算法的基础上加入了邻里竞争与邻里合作算子,并通过引入agent-based模型的设计理念,更加注重个体变化对整个群体的影响。本算法首先使用约束偏离值的方法将约束多目标优化问题简化为多目标优化问题;然后使用自我更新算子,当新产生的个体优于原先的个体时予以替换;之后通过邻里竞争与邻里合作加快种群内部的信息交流;最后加入量子加速算子,通过使用量子旋转门来扩大计算搜寻范围提高程序计算速度。本文最后与两种已有算法进行对比,实验结果表明,本算法完成了设计目标。在运行时间和输出结果精度方面都有不错的表现。     

求解约束优化问题的自适应精英捕鱼算法

在对捕鱼算法迭代过程进行研究和分析的基础上,针对将该算法用于求解约束优化问题时存在收敛速度慢、求解精度不高等缺点,提出了一种自适应精英捕鱼算法。该算法通过采用自适应撒网半径设置策略和精英个体保留策略来改善和提高算法搜索性能。最后,通过使用三个经典的工程设计问题实例对算法进行性能测试。实验结果表明,改进算法在收敛速度、求解精度和稳定性方面均有明显提高。因此,使用自适应精英捕鱼算法来求解约束优化问题是有效且可行的。     

一种针对约束问题改进的人工蜂群算法

人工蜂群算法是基于自然界蜂群行为的一种算法,该算法已被广泛应用在不同的约束类问题,它能有效解决0-1背包等约束问题。文中提出了基于可行规则和多目标优化问题的改进人工蜂群算法。针对人工蜂群算法存在收敛速度低的缺点,提出一种针对约束问题改进的人工蜂群算法,通过改变一些参数提高算法的收敛速度。对著名的13个约束问题进行试验验证,实验表明改进的人工蜂群算法的最优解和平均解都优于原始的人工蜂群算法。     

一种求解多目标优化问题的粒子群算法的研究

为改善多目标粒子群算法的收敛性和多样性,通过对粒子群算法全局极值和个体极值选取方式的研究,采用随机选取和评估选取相结合的方法选取全局极值和个体极值,提出了一种可用于解决多目标优化问题的粒子群优化算法,从而实现了对多目标优化问题的非劣最优解集的搜索,仿真实验结果证明算法是有效的。     

一种基于粒子群优化的多QoS约束选播路由算法

提出一种基于粒子群优化算法的多QoS约束选播路由算法(RDO-PSO).算法使用特殊相加算子,使得路径之间能够相互进行学习,解决了较差路径向较好路径学习的问题;通过设计随机扰动算子,使算法在陷入局部最优时迅速跳出局部最优,保证了粒子的多样性.网络仿真结果表明,算法有效可行,收敛速度快.     

求解多目标优化问题的GTSPA混合算法

为了有效求解多目标优化问题,文中结合遗传算法、禁忌搜索算法以及粒子群算法的优势,设计了一种新型的混合算法GTSPA,并对所设计的GTSPA混合算法的总体步骤进行了描述.通过从解的质量、算法的收敛性以及算法的复杂度这几方面对算法进行分析,可以发现:GTSPA混合算法是以较大概率收敛于全局最优的,具有很好的收敛性,并且运算相当快、计算复杂度并不高,具有很好的优势.     

一种解决约束优化问题的模糊粒子群算法

该文针对复杂约束优化问题,提出了一种模糊粒子群算法(FPSO),设计了一个新的扰动算子,在此基础上定义了模糊个体极值和模糊全局极值,利用这两个定义改进了粒子群进化的方程,利用该方程更新粒子的速度与位置,可以避免早熟收敛问题;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

QoS路由问题的反向优化算法

寻找满足两个加性QoS约束条件的路径是网络QoS路由研究的核心问题,线性搜索算法是重要近似算法之一。本文提出一种结合了反向优化策略的线性搜索算法。当线性搜索过程所得到的路径不满足QoS需求时,对搜索到的路径选取合适的节点进行反向优化。算法的时间复杂度为O(K(m+nlog2(n)))。仿真显示本文的搜索策略扩大了搜索空间,提高了寻找可行路径的成功率。     

求解TSP问题的离散型萤火虫群优化算法

基于求解TSP问题,提出一种离散型萤火虫群优化(DGSO)算法,该算法结合TSP问题特点,给出一种有效编码和解码方法,并定义适合编码的个体间距离计算公式和编码更新公式.同时,为增强算法求解TSP问题的局部搜索能力,加快算法的收敛速度,算法使用了操作简单的2-Opt优化算子.最后,通过对10个TSP问题进行仿真实验,实验结果表明本文提出的算法是在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.在大规模TSP算例中算法获得的最优值与理论最优值的误差也在1%以下.     

求解无约束优化问题的类电磁机制算法

 针对标准类电磁机制算法中电荷溢出和参数敏感的问题,提出了新的电荷计算公式;基于电磁场中的吸引-排斥原理,引导粒子沿着合力方向向较优的区域移动;为提高算法的局部搜索能力,结合邻域搜索技术来改进种群中的粒子.在此基础上,提出了求解无约束优化问题的类电磁机制算法.理论分析表明新算法以概率1收敛到问题的ε-最优解集.对28个标准测试函数进行了仿真实验,并和已有算法对比,结果表明新算法具有收敛快、求解性能好的优点.     

基于混合遗传算法的多目标问题规划

遗传算法在问题优化中的应用已有了许多研究，但对于大型多目标规划问题而言，由于其问题特性和计算量大而限制了遗传算法的应用。为探索新的问题求解方法，提出了一种基于遗传算法和梯度算法的问题优化混合算法。用梯度法每次迭代得到的结果来改进遗传算法的群体，而用遗传算法的最优个体与梯度算法的迭代解相比较，选择其中的最优点作为梯度法下一步迭代的初始点。通过保持迭代过程的最优解，加快了搜索速度，并保证收敛于全局最优解。算例表明该方法兼具遗传算法的全局搜索能力和梯度算法的局部搜索的特点，且具有良好的工程适应性。     

边缘计算多约束可信协同任务迁移策略

为保障边缘计算的服务质量,提出一种在多约束条件下边缘计算可信协同任务迁移策略。该策略基于任务需求,由边缘计算协同服务盟主节点组织调度协同服务盟员,基于用户任务迁移的K维权重指标,确定协同盟员调度优先级,以盟员负载均衡性为适应函数,通过贪心算法执行盟员任务分配与调度,基于路由捎带选择备用节点,通过迁移优先级评估,实现协同服务异常时的调度和迁移,由此提高边缘计算任务迁移的服务质量,保障任务迁移的可靠性。仿真实验表明,该机制能有效完成协同任务分发与迁移调度,提高边缘计算协同效率,保障网络服务质量。     

An Improved Grasshopper Optimization Algorithm for Global Optimization

We proposes an improved grasshopper algorithm for global optimization problems. Grasshopper optimization algorithm (GOA) is a recently proposed meta-heuristic algorithm inspired by the swarming behav-ior of grasshoppers. The original GOA has some drawbacks, such as slow convergence speed, easily falling into local optimum, and so on. To overcome these shortcomings, we proposes a grasshopper optimization algorithm based on a logistic Chaos maps opposition-based learning strategy and cloud model inertia weight (CCGOA). CCGOA is divided into three stages. The chaos opposition learning initialization strategy is used to initialize the population, so that the population can be evenly distributed in the feasible solution space as much as possible, so as to improve the uniformity and diversity of the initial population distribution of the grasshopper algorithm. The inertia weight cloud model is introduced into the grasshopper algorithm, and different inertia weight strategies are used to adjust the convergence speed of the algorithm. Based on the principle of chaotic logistic maps, local depth search is carried out to reduce the probability of falling into local optimum. Fourteen benchmark functions and an engineering example are used for simulation verification. Experimental results show that the proposed CCGOA algorithm has superior performance in determining the optimal solution of the test function problem.     

一种改进的灰狼优化算法

灰狼优化算法是最近提出的一种较有竞争力的优化技术.然而,它的位置更新方程存在开发能力强而探索能力弱的缺点.受差分进化和粒子群优化算法的启发,构建一个修改的个体位置更新方程以增强算法的探索能力;受粒子群优化算法的启发,提出一种控制参数a随机动态调整策略.此外,为了提高算法的全局收敛速度,用混沌初始化方法产生初始种群.采用18个高维测试函数进行仿真实验,结果表明：对于绝大多数情形,在相同最大适应度函数评价次数下,本文算法的性能明显优于标准灰狼优化算法.     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.     

考虑谐振约束的电网动态无功优化新算法

本文综合考虑负荷变化趋势后建立了动态无功优化新模型,该模型除考虑动作设备调节次数限制约束,还提出了计及投切并联电容器组时的谐振约束。其目标函数为考虑节点电压越限的系统有功功率损耗最小,并通过模拟退火算法实现全天动态无功优化控制。算例结果表明本文提出的动态无功优化新算法能够有效降低系统在一天内的损耗,有效地避免了由补偿电容器可能引起的谐振问题,提高电压合格率,并且满足实际运行的需要。     

改进型粒子群算法解决多维背包问题

微粒群优化算法(PSO)是一种基于种群的随机优化技术.将EDA算法与PSO算法结合起来,形成一种新的改进的算法(EPSO).算法将全局统计信息和全局最优解运用于解空间搜索,以期能更有效解决组合优化问题,最后将EPSO算法用于解决多维背包问题并进行了对比仿真实验.实验结果表明,在解决多维背包问题上,EPSO优于传统的PSO算法以及多种启发式智能算法,与此同时,EPSO算法使用更少的参数,因此更容易实现,运行更加稳定,效果更好.