七星瓢虫优化算法及其在多学科协同优化中的应用

基于对七星瓢虫觅食行为的研究,提出一种新的生物学启发式算法——七星瓢虫优化算法(Seven-spot Ladybird Optimization,SLO)。通过6个标准测试函数将其与现有的两种启发式算法(GA、PSO)进行比较,探知其寻优能力。在此基础上,针对多学科设计优化协同优化算法求解效率不高、鲁棒性差等缺陷,将SLO引入协同优化算法系统级优化器,通过工程实例验证了七星瓢虫优化算法良好的寻优能力。     

用于求解旅行商问题的深度智慧型蚁群优化算法

启发式算法是求解组合优化问题求解的重要手段,其主要特征是能够以可接受的计算代价找到足够好的可行解.然而,设计良好的用于求解组合优化问题的启发式算法需要大量的专业领域知识以及大量的试错工作,且人工设计的启发式算法不能够保证在不同问题集上均具有一致性表现.另一方面,深度学习方法能够通过学习自动设计启发式规则,然而深度学习方法通常缺少在解空间内搜索的能力.为克服以上问题,提出了一种基于蚁群优化和深度强化学习的混合启发式算法框架.在该框架中,蚁群算法能够利用深度强化学习提取的启发式信息,而深度强化学习方法的解空间搜索性能也由于蚁群算法的加入而获得提高.采用经典的TSPLIB中的算例对该算法求解旅行商问题的效能进行了计算验证,结果表明采用深度学习方法能够极大地提升蚁群算法的计算表现,并降低其计算代价.     

串并联系统可靠性优化的蚁群算法

为获得高可靠性,串并联系统的设计中常采用不同型号的元件,由于系统中元件有数量型号等的限制,每一元件又有重量、费用、可靠度等标志,所以串并联系统可靠性优化问题为典型的NP-难问题。采用两种不同的状态转移规则和与系统属性紧密相关的信息素更新规则,通过局部循环和整体循环分别搜索代表各子系统结构和系统结构的解向量,用蚁群算法成功地解决了元件可选择不同类型的串并联系统可靠性优化问题,仿真结果表明,蚁群算法可以在相对短的时间内较快地找到问题的最优解,蚁群算法与其它元启发式算法一样,可以有效克服求解组合优化的计算复杂度问题。     

浅析智能优化算法

算法优化在许多的工程领域得到了广泛的应用,而求解线性、非线性、随机和几何规划等各种最优化的问题也得到了快速发展。智能优化算法是利用自然界中的事物与优化过程中所具有的某些相似性而进行搜索的一种搜索算法,相对于传统的优化算法,智能优化算法在求解速度等方面具有显著优点。     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

一种优化的蚁群算法

蚁群算法是一种新型的启发式算法,它具有许多优良性质,被广泛用于求解组合优化问题,但基本蚁群算法也存在诸多不足。为使蚊群算法对应TSP问题的解更加优良,提出了一种改进的蚁群算法并对它进行了试验,结果表明改进算法是有效的,这也为蚁群算法的优化提供了一个新的途径。     

一种求解约束优化问题的新算法

演化算法基于达尔文的适者生存的原理,通过模拟大自然演化过程寻找问题的最优解。由于演化算法的全局性、灵活性、自适应性和稳健性,它特别适用于解象非线性、不可导和多峰等高难度优化问题。近年来,演化算法已经成功地解决了一些工程优化问题。毫无疑问,演化计算是一类解决高难度优化问题最重要的办法之一。     

多蚁群分级优化的多目标求解方法*

为提高多目标优化方法的求解性能,在给出了蚁群算法优化函数类问题求解方法的基础上,提出了基于多蚁群分级优化多目标问题的求解方法。构建了子蚁群以自身启发式信息及以其他子群的启发式信息获得准Pareto解以及采用各子群的每一只蚂蚁获得的准Pareto解作支配判断,从而提高Pareto解的多样性;构建了父蚁群以准Pareto解作为空间节点构成TSP类似的组合优化问题,其求解结果以获得多目标优化问题的Pareto解的前沿,从而提高Pareto解的均匀分布性。通过优化实例验证,结果表明,多蚁群分级优化的多目标求解方法     

多尺度量子谐振子算法性能分析

多尺度量子谐振子算法(MQHOA)具有良好的全局收敛性以及自适应性。为分析研究MQHOA求解精度与速度具体性能,通过求解整数非线性规划问题,将MQHOA和采用量子行为模型且已被广泛使用的量子粒子群优化(QPSO)算法以及改进的随机平均最好位置量子粒子群(QPSO-RM)算法进行理论模型和实验对比,仿真实验中,MQHOA对7组无约束整数规划问题的求解均取得100%成功率且求解速度整体上略快于QPSO和QPSO-RM;对2组有约束整数规划问题的求解速度比QPSO、QPSO-RM稍慢,但MQHOA的求解成功率均为100%,高于后两者;通过和QPSO、QPSO-RM的收敛过程进行对比,MQHOA更快更早于对比算法收敛到全局最优解。实验结果表明:MQHOA能有效地适应整数规划求解问题,能够避免陷入局部最优解的情况从而获得全局最优解,并在求解精度和收敛速度上均优于对比算法。     

求解旅行商问题的多尺度量子自由粒子优化算法

针对目前元启发式算法在求解组合优化问题中的旅行商问题(TSP)时求解缓慢的问题,受量子理论中波函数的启发提出一种多尺度自适应的量子自由粒子优化算法。首先,在可行域中随机初始化表示城市序列的粒子,作为初始的搜索中心;然后,以每个粒子为中心进行当前尺度下的均匀分布函数的采样,并交换采样位置上的城市编号产生新解;最后,根据新解相较上一次迭代中最优解的优劣进行搜索尺度的自适应调整,并在不同的尺度下进行迭代搜索直到满足算法结束条件。将该算法和混合粒子群优化(HPSO)算法、模拟退火(SA)算法、遗传算法(GA)和蚁群优化算法应用在TSP上进行性能测试,实验结果表明自由粒子模型算法适合求解组合优化问题,在TSP数据集上相比目前较优算法在求解速度上平均提升50%以上。