求解约束多目标优化问题的Agent进化算法

针对目前Agent进化算法难以处理含约束多目标优化的问题,把标准化的约束违反程度作为一个优化目标,从而对Agent所具有的能量产生影响;设置了最优解集和最优可行解集两个外部存储集,以便在寻优过程中保持Agent群体的多样性;对可行解以及约束违反程度小的Agent进行局部爬山操作,更加有利于寻找最优可行解。将算法应用于数值实例和焊接梁的设计优化问题中,表明该算法既保持了种群的多样性,又能够快速收敛。     

新的混合分解高维多目标进化算法

在基于分解技术求解高维多目标优化问题的思想启发下,为了提高多目标优化问题非支配解集合的分布性和收敛性,提出新的基于个体支配关系的混合分解高维多目标进化算法.该算法采用分子种群的进化模式,设计新的基于有效阶的个体支配关系用于个体的比较和更新操作,以便在增加个体选择压力的同时提高解集分布的多样性.为了改善该算法的局部搜索性能,将Powell搜索作为局部搜索算子,采用传统优化与进化算法相融合的混合进化策略.为了检验提出算法的性能,将提出算法用于求解5~20个目标的6类标准测试问题,与同类算法相比,该算法在收敛性和分布性方面均具有较大的改进和提高.     

矿井风流智能按需调控算法与关键技术

为快速实现井下用风地点智能按需调控优化,提出一种基于多策略融合麻雀搜索算法的矿井风流智能调控方法.以用风地点需风量为优化目标建立数学模型,采用不可微精确罚函数对模型进行去约束化;依据风网灵敏度理论分析灵敏度衰减特征,初步确定待优化风量的最优调节分支集及其风阻调节范围作为初始解集;为求解目标用风地点风量的最优可调值,利用多策略融合的改进麻雀搜索算法在初始解集内对目标函数进行寻优,依次采用Tent混沌映射初始化种群、自适应权重动态控制发现者的搜索步长、联合柯西算子与高斯算子对每代个体变异扰动,并基于贪婪规则保留优值的改进策略,根据改进后算法的寻优结果判定最优调风方案;经矿山智能通风系统实验平台测试,验证了矿井用风地点按需调控算法及方案可行可靠.     

基于正态分布和自适应变异算子的ε截断算法

针对约束优化算法不能很好协调收敛性及分布性的问题,提出一种基于正态分布和自适应变异算子的ε截断算法。将正态分布引入模拟二进制交叉算子中,使算法可搜索的空间范围更广,更易跳出局部最优;利用自适应变异算子,将种群个体当前信息与变异算子结合起来,引导种群向真实的Pareto前沿进行进化;结合自适应的ε截断策略,保留Pareto最优解和一定数量的不可行解,同时利用不可行解的信息,加大对搜索空间的探索力度,从而提高种群多样性。采用3种标准测试函数对算法进行测试,试验结果表明:本研究所求解集能够很好的跟踪真实的Pareto解集。该方法可以有效地协调算法的收敛性及分布性。     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进.改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解.实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能.     

自适应两阶段大规模约束多目标进化算法

针对求解大规模约束多目标优化问题时遇到的收敛速度慢和可行解难以找到的困难,提出了一种自适应两阶段大规模约束多目标进化算法。首先,算法在第一阶段根据决策变量的性质,自适应地选择部分变量进行优化,且不考虑任何约束使种群快速跨过不可行区域,逼近无约束帕累托前沿。其次,算法在第二阶段考虑全部的约束,利用ε约束处理技术对变量进行整体优化;同时,利用存档将进化过程中获得的可行且非支配的解保存并更新,以不断地提高种群的收敛性与多样性。最后,将所提算法与其他6种算法在37个测试函数上进行实验对比,结果表明：所提算法在25个函数上取得了最佳结果,且分别至少在31个函数上优于对比算法;所提算法在90%以上函数中的可行率都能达到100%,可以有效地解决大规模约束多目标优化问题。     

一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

一种混合一维搜索的矢量拟态物理学算法

针对约束优化问题,首先引入收缩系数,使得越界个体沿着速度方向回到问题空间,并且保持搜索方向不变。然后利用违反约束量函数来判断个体是否在可行域内,用一维搜索的方法保证个体在迭代过程始终都在可行域内。最后利用矢量拟态物理学优化算法搜索目标问题的最优解。通过对10个典型约束优化测试函数的仿真测试,并与类电磁算法比较发现,本算法在最优适应值的精度上优于类电磁算法,方差的结果也说明了算法的稳定性,这表明该算法是简单有效的。     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进．改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解．实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能．     

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。     

用于求解多目标优化问题的克隆选择算法

提出一种用于求解多目标优化问题的新算法,将抗体群中的抗体分为支配抗体和非支配抗体代替传统算法中对所有个体分配适应度值,以适应多目标优化问题存在一系列无法相互比较的Pareto-最优解的特点;对非支配抗体进行选择,有利于算法向着理想Pareto-前端搜索,而且加快了收敛速度;克隆操作实现了全局择优,有利于得到分布较广的Pareto-前端;采用非一致性变异操作以提高算法的局部搜索能力,有利于所得解的多样性．与已有算法相比,新算法所得的最优解分布最广,很大程度上支配着其他算法得到的最优解,评价指标S降低到了3%以下．     

机械产品曳引系统的优化设计方法

针对机械产品曳引系统的性能优化,应用非支配排序遗传算法（NSGA II）求解曳引性能的三目标优化问题,即最大曳引效率、最小曳引功率和最小制动力矩.根据曳引性能优化模型中设计变量分为连续值和离散值的特点,引入浮点数与二进制数混合编码策略.通过改进NSGA II的二进制交叉、变异规则,保证了设计变量的全局寻优能力和有效性,使得算法一次运行就能够求得分布均匀的Pareto最优解集.实验数据分析表明,采用混合编码策略,NSGA II算法较线性加权法和Pareto强度进化算法（SPEA）能够获得边界性和分布性更好的Pareto最优前沿.     

解决高维多目标优化的分组进化算法

高维多目标优化是解决工程应用中的常见优化问题,传统的优化算法解决四维以上优化问题效果欠佳。针对该问题及当前高维多目标优化降维算法存在的不足,提出了分组进化算法。该方法将目标函数划分为若干组,分别进化求得各组的Pareto非支配解集,在各组非支配解集上应用SPEA2算法综合求取全体目标函数的Pareto最优解。对该方法的理论可行性进行了证明,重新定义了SPEA2算法中个体适应度。仿真实验,应用标准测试函数、优化性能指标同当前的高维多目标降维算法进行了比较,结果表明,该算法具有性能上的优势。     

自适应Tent混沌搜索的蚁狮优化算法

针对蚁狮算法存在的早熟收敛和不易得到全局最优解等问题,借鉴混沌优化算法,提出了自适应Tent混沌搜索蚁狮算法.该算法首先使用Tent混沌映射初始化种群,然后自适应调整混沌搜索空间得到最优解,改善适应度较差个体,提高种群整体的适应度和寻优效率,同时使用锦标赛策略选择蚁狮个体.最后,利用混沌算子优化蚂蚁随机游走行为,与蚁狮觅食行为形成了全局、局部并行搜索模式.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂高维基准函数的寻优测试实验表明,对于30维基准函数,该算法经过约0.5秒收敛到最优值;对于50维基准函数,约2秒收敛到最优值.与标准蚁狮算法和其他优化算法相比,该算法具有较好的收敛速度和寻优精度,适合复杂高维函数寻优.航迹规划实验表明,对于包含7个威胁源的空域环境,当搜索维度为10维时,该算法经过0.939秒,迭代30次基本可以达到航迹代价的全局最优值.与标准蚁狮算法相比,能够更加快速准确地得到一条满足要求的航迹,具有实际应用价值.     

一种改进的头脑风暴优化算法

针对头脑风暴优化(BSO)算法精度较差、后期收敛速度慢的问题,提出了一种改进的BSO (MBSO)算法. MBSO算法通过对种群分组策略概率参数的调节,改变个体生成方式调节参与全局和局部搜索的个体比例,算法前期加强全局搜索后期加强局部搜索,有效避免陷入局部最优.同时MBSO算法根据搜索所处不同阶段采用可变最大步长的策略加速算法收敛并提高了优化精度.采用6个标准测试函数对MBSO算法搜索性能进行了测试,与原始BSO算法、粒子群优化(PSO)算法和差分进化(DE)算法结果进行比较实验.仿真结果表明,MBSO算法可以有效地避免陷入局部最优,稳定地找到更好的最优值,收敛速度显著加快. MBSO算法在优化问题中表现出了优异的性能和巨大的潜力.     

取消变异的小生境遗传算法及应用

为提高算法寻优能力,提出取消变异的小生境遗传算法.算法在寻优过程中采用最优保持子代种群产生策略,通过对种群中个体适应值惩罚机制的小生境操作,加速淘汰适应值低的个体,实现种群基因多样性,克服了遗传算法中随进化代数的增加种群个体趋于相似而造成全局搜索能力下降的缺点,增强了遗传算法在解决多变量多峰值优化方面的能力.将小生境遗传算法用于典型测试函数进行寻优测试,与取消变异改进遗传算法和基本遗传算法比较,证明了其在多变量、多峰值优化问题中的有效性和收敛性.     

复杂机械产品性能意图优化研究

为解决专用装备制造业中复杂机械产品多设计参数、多设计约束、多设计目标的设计优化问题,采用一种基于Pareto最优解的多目标广义差分进化(GDE)算法.GDE算法在普通差分进化算法的基础上改进了约束条件的处理方法,利用差分进化算法模拟生物种群进化,以群体中的所有个体为对象,采用随机化技术对一个被编码的参数空间进行高效搜索,通过反复迭代搜索到多目标优化问题的近似Pareto最优解集.以高速工业平缝机勾线机构的设计为例,通过对求得的Pareto最优解集的分析,得到了高速工业平缝机勾线机构的设计特性,为设计人员今后进行高速工业平缝机勾线机构性能设计优化提供了充分的依据.     

基于反向学习的自适应α约束病毒种群搜索算法

为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。     

基于反向学习的自适应α约束病毒种群搜索算法

为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。     

求解TSP的并行混沌优化算法

结合群体优化计算的思想,提出一种并行混沌优化算法,即每一个个体进行混沌串行搜索,得到新的个体,从而在搜索过程中保留了混沌优化的随机性、遍历性等优点.所有个体按照寻优指标进行淘汰,保证算法具有并行的寻优策略,从而保证算法能够在解空间进行充分的寻优搜索.仿真试验验证了该方法的有效性.