用改进蚁群算法求解函数优化问题*

提出将蚁群算法用于求解函数优化问题的新方法。使用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁觅食的方式,更新搜索路径上的信息素,按照转移概率来决定搜索方向,即通过信息素来指引搜索,最后搜索收敛于各个全局最优解。给出了基于此思想的具体算法,并通过计算示例仿真说明了该算法的有效性,表明该算法可以同时快速收敛发现多个全局最优解,并保持稳定。     

复形法粒子群优化算法研究

针对基本粒子群优化算法对复杂函数优化时难以获得最优解的缺陷,提出了一种复形粒子群优化算法。该算法采用复形法来提高粒子的局部搜索能力,从而保证了算法能够跳出局部最优,获得全局最优解。实验结果表明,与文献算法相比,该算法在基准函数优化时具有更强的寻优能力和更高的搜索精度。     

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     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

基于群智能的连续优化算法研究

在对蚁群优化算法(ACO)和粒子群优化算法(PSO)进行分析的基础上,提出一种解决函数连续优化的群智能混合策略-CA-PSO.在求解过程中,首先对解空间进行区域划分,进而利用ACO在优化初期具备的快速收敛性能,在整个解空间内搜索最优解的敏感区域.然后利用蚁群的搜索结果初始化PSO粒子,利用PSO快速和全局收敛性进行所在小区域内的搜索.种群更新时根据蚁群的拓扑结构和小区域间的阶跃规则,蚁群不断向最优解敏感区域聚集,使得敏感区域内粒子数增加,则局部的PSO搜索策略可以更细密的搜索最优.实例结果表明,CA-PSO既能保证解的分布性与多样性,又避免了在多峰值函数寻优过程中陷入局部最优解而停止运算,最终将收敛到全局最优解.     

粒子群Memetic算法求解多峰函数优化

针对目前多峰函数优化问题较难找到全部局部最优解的情况,提出了一种粒子群Memetic算法。算法结合了粒子群优化的全局搜索能力和爬山法的局部搜索能力,增强了算法搜索最优解的能力。实验结果表明,该算法求解精度较高,且收敛速度较快。     

斐波那契树优化算法求解多峰函数全局最优解的可达性分析

为分析和验证斐波那契树优化算法（Fibonacci tree optimization algorithm,FTO）求解多峰函数全局最优解的算法性能,对算法的可达性问题进行研究.本文基于斐波那契法构造一个斐波那契树结构,在搜索空间中进行全局、局部交替搜索,不易陷入局部最优解.对斐波那契树优化算法基于该结构的可达性进行分析和证明.通过跟踪算法求解过程中坐标点的累积分布仿真实验和到达率的对比实验,分析和验证了算法求解多峰函数全局最优解的可达性.     

多元优化算法的渐近性分析

本文提出了一种多元化智能个体分工明确、协同合作的超启发式智能优化算法—–多元优化算法.多元优化算法通过交替的全局、局部搜索迭代对解空间搜索以逐渐逼近全局最优解.搜索个体按照分工不同可以分为全局搜索个体(全局元)和局部搜索个体(局部元).全局元负责对整个解空间进行全局搜索以快速找到较优潜在解区域,局部搜索元负责对各个潜在解区域进行局部搜索以提高解的质量.该算法具有两个特点:分工明确的搜索策略不需要考虑均衡全局搜索和局部搜索,能够保证局部搜索能力的同时加强全局搜索以避免陷入局部最优解;全局、局部交替搜索保证了算法对全局最优解的渐近性.本文从理论上证明了算法的渐近性并且基于复杂多模态测试函数比较了几个优秀的进化算法.实验结果表明多元优化算法在渐近性方面优于其他几个比较的算法.     

一种基于竞选领导策略的改进粒子群算法

针对标准粒子群算法由于粒子多样性的大量丧失而导致的算法易陷入局部最优解,收敛精度不高的问题,提出一种基于竞选领导策略的改进粒子群算法,该算法在全局最优粒子的领导能力丧失时,通过引进细菌觅食算法的趋化算子对精英粒子进行优化,然后选出更具领导能力的粒子作为新的领导粒子来带领种群跳出局部最优解,以增强算法的全局搜索能力。通过四个典型函数的测试,结果表明改进算法在较好保留了标准粒子群算法快速收敛优点的前提下,有效地预防了早熟现象的产生,提高了收敛精度。     

一种新的求解动态连续优化的分层粒子群算法

为了高效求解动态连续优化问题,提出一种分层粒子群优化算法。该算法将动态函数定义域分成Q个子空间,每个空间用一个粒子群作为第一层进行独立搜索,Q个子空间的最优粒子再组成一个全局粒子群进行全局搜索,以达到全局牵引的作用,同时提出探测环境和响应环境的策略。利用经典的动态函数对算法进行测试,结果表明所提出算法能够迅速适应环境变化和跟踪最优解的变化,效果令人满意。     

竞选优化算法求解非线性方程组的应用研究

针对非线性方程组的求解在工程上具有广泛的实际意义,经典的数值求解方法存在其收敛性依赖于初值而实际计算中初值难确定的问题,将复杂非线性方程组的求解问题转化为函数优化问题,引入竞选优化算法进行求解。同时竞选优化算法求解时无需关心方程组的具体形式,可方便求解几何约束问题。通过对典型非线性测试方程组和几何约束问题实例的求解,结果表明了竞选优化算法具有较高的精确性和收敛性,是应用于非线性方程组求解的一种可行和有效的算法。     

Improved butterfly optimisation algorithm based on guiding weight and population restart

ABSTRACT

Butterfly Optimisation Algorithm (BOA) is a kind of meta-heuristic swarm intelligence algorithm based on butterfly foraging strategy, but it still needs to be improved in the aspects of convergence speed and accuracy when solving with high-dimensional optimisation problems. In this paper, an improved butterfly optimisation algorithm is proposed, in which guiding weight and population restart strategy are applied to the original algorithm. By adding guiding weight to the global search equation, the convergence speed and accuracy of the algorithm are improved, and the possibility of jumping out of the local optimal solution is increased by the population restart strategy. In order to verify the performance of the proposed algorithm, 24 benchmark functions commonly used for optimisation algorithm experiments are applied in this paper, including 12 unimodal functions and 12 multimodal functions. Experimental results show that the proposed algorithm improves the convergence speed, accuracy and the ability to jump out of the local optimal solution.     

正弦余弦指引的乌鸦搜索算法研究

乌鸦搜索算法模拟乌鸦觅食行为对个体位置进行更新与搜索，为降低基本乌鸦搜索位置更新策略本身存在的盲目性，将正弦余弦作为局部优化算子嵌入到基本算法中，提出了正弦余弦指引的乌鸦搜索算法。该算法通过正弦余弦操作使每一个乌鸦个体都可以充分吸收自身与最优个体的位置差信息，有效指引乌鸦个体沿最优值方向趋近最优值，改善算法的收敛效果和寻优精度。并对一系列测试函数进行寻优实验，实验结果表明该改进算法性能良好。     

基于量子遗传算法的XML聚类方法

主要用模式分析的核方法与量子遗传算法相结合研究XML聚类,提出了一种基于量子遗传算法混合核聚算法的XML文档聚类新方法。该方法先对XML文档约简,以频繁标签序列建立向量空间核的核矩阵,用高斯核函数求解初始聚类和聚类中心,然后用初始聚类中心构造量子遗传算法的初始种群,通过量子遗传算法与核聚算法相结合求得全局最优解的聚类。实验结果表明,使用该算法的聚类比改进的核聚算法、K均值算法等单一方法具有良好的收敛性、稳定性和更高的全局最优。     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

合蜂群杂草算法及其在灌溉制度优化中的应用

首先针对杂草算法容易早熟收敛的问题,将人工蜂群算法的寻优机制引入其中,提出了一种混合蜂群杂草算法。该算法对杂草种群中的每个个体利用采蜜蜂搜索方式进行变异,对群体最优个体利用跟随蜂搜索方式进行变异,用较优的变异结果替代原有个体,提高了算法的收敛精度。然后,通过对几个标准测试函数进行实验,验证了改进算法的优化性能。最后,将该算法应用到灌溉制度优化问题中,为制定灌溉水量分配方案提供了一种新的工具。     

具有时变需求的配送型多级库存优化研究

考虑到战术仓库的需求率具有时变性的特点,应用供应链管理的思想研究了一个战役仓库、多个战术仓库组成的配送型多级库存优化问题,建立了战役仓库采用等量订货策略,战术仓库分别采用等间隔、等量订货策略时的模型,并采用自适应遗传算法实现了模型的求解,实例验证了模型及算法的有效性.实例表明：战役仓库采用等量订货策略,战术仓库采用等间隔订货策略时总费用最低.     

Fast convergence optimization model for single and multi-purposes reservoirs using hybrid algorithm

Developing optimal operation policy for single or multi-purposes dams and reservoirs is a complex engineering application. The main reasons for such complexity are the stochastic nature of the system input and slow convergence of the optimization method. Furthermore, searching optimal operation for multi-purposes or chain reservoir systems, becomes even more complex because of interfering operations between successive dams. In this study, a new hybrid algorithm has been introduced by merging the genetic algorithm (GA) with the krill algorithm. In fact, the proposed hybrid algorithm amalgamates the advantages of both algorithms, first, the ability to converge fast for global optimum and, second, considering the effect of stochastic nature of the system. Three benchmark functions were used to evaluate the performance of this proposed optimization model. In addition, the proposed hybrid algorithm was examined for Karun-4 reservoir in Iran as an example for a hydro-power generation dam. Two benchmark problems of hydropower operations for multi-purposes reservoir systems, namely four-reservoir and ten-reservoir systems were considered in the study. Results showed that the proposed hybrid algorithm outperformed the well-developed traditional nonlinear programming solvers, such as Lingo 8 software.     

Hybrid evolutionary algorithm and application to structural optimization

This paper introduces a new evolutionary algorithm with a globally stochastic but locally heuristic search strategy. It is implemented by incorporating a modified micro-genetic algorithm with two local optimization operators. Performance tests using two benchmarking functions demonstrate that the new algorithm has excellent convergence performance when applied to multimodal optimization problems. The number of objective function evaluations required to obtain global optima is only 3.5–3.7% of that of using the conventional micro-genetic algorithm. The new algorithm is used to optimize the design of an 18-bar truss, with the aim of minimizing its weight while meeting the stress, section area, and geometry constraints. The corresponding optimal design is obtained with considerably fewer computational operations than required for the existing algorithms.