一种求解作业车间调度的细胞膜优化算法

在细胞膜优化算法的基础上,对作业车间调度算法进行研究。将细胞膜优化算法用于求解置换流水车间调度问题中的最小化最大完成时间。膜计算是一种仿生物技术的计算模型,它建立在生物细胞的结构基础之上,将优化问题的解看作一个物质,将物质分为三类:脂溶性物质、非脂溶性高浓度物质和非脂溶性低浓度物质,通过搜索区域的不断调整,获取新的最优物质,层层解剖,提取优化模型,将全局优化算法进一步升华。所提算法在不同规模的问题实例上与其他几个具有代表性的算法进行了比较。实验表明,该调度方法具有较好的效果。     

新型全局优化蝙蝠算法

通过对生物智能机理的借鉴,许多解决复杂问题的新方法不断涌现.最近,Yang基于蝙蝠的回声定位行为,提出了一种新的全局优化算法——蝙蝠算法,同时将一些现有算法的优点引入到该算法中.首先讨论了蝙蝠算法的生物学动机,从原理上描述了蝙蝠回声定位行为和算法实现流程,随后求解了函数极值优化问题.仿真结果表明,蝙蝠算法的性能优于粒子群算法.最后,对进一步研究作了展望.     

一种有效的解无约束全局优化的进化算法

为了解决进化算法在求解全局优化时易陷入局部最优和收敛速度慢的问题,设计了一个杂交算子,利用种群中最好点与其他点间的关系确定搜索方向,从而快速地找到实值函数的下降方向,一旦算法找到优于种群中最好点的点,利用所构造的两条直线交点的投影对其进行进一步优化,使函数值更迅速地下降.提出了适合杂交算子的初始种群生成方法.设计了一个既能提高收敛速度又能摆脱局部最优的变异算子以增强算法的效果.在此基础上,提出了一个求解全局优化问题的高效进化算法,并从理论上证明了全局收敛性,从数值上验证了有效性.     

一种新的全局优化BP网络*

将L-M算法与填充函数法相结合,提出一种训练前向网络的混合型全局优化GOBP(Global Optimization BP)算法。L-M算法的收敛速度快,利用它先得到一个局部极小点,然后利用填充函数算法跳出局部最小,得到一个更低的局部极小点,重复计算即可得到全局最优点。经实验验证,该算法收敛速度很快,避免了局部收敛,而且性能稳定。     

鼠疫传染病优化算法*

为了求解多局部最优解的优化问题,采用具有脉冲预防接种的时滞鼠疫传染病动力学模型,提出了一种新的群智能算法——鼠疫传染病优化算法(PIDO)。在该算法中,假设某个村庄生活有若干村民,每个村民均由一些特征来表征;鼠疫病毒在该村庄流行,村民通过与病鼠有效接触而染上该传染病;鼠疫病毒攻击的是人体的很少部分特征,在鼠疫病毒作用下,每个村民的生长状态会在易感、暴露、发病、治愈这4个状态之间随机转换,从而实现对全局最优解的随机搜索;村民的体质强弱程度用HHI指数描述,村民的HHI指数越高,其体质越强,继续生存的可能性也越高。PIDO算法拥有S_S、S_E、E_E、E_I、E_R、I_I、I_R、R_R、R_S等9个算子,演化时每个算子每次仅处理总变量数的1/1 000～1/100。案例研究结果表明,PIDO算法具有搜索速度快和全局收敛性的特点,适于求解维数较高的全局优化问题。     

一种快速全局优化的改进蚁群算法及仿真

在介绍基本蚁群算法原理的基础上,对其作了许多改进以提高其全局优化寻优速度,并给出了详尽的新算法编程仿真实现步骤,最后将未改进的基本蚁群算法与本文改进后的蚁群算法分别应用于TSPLIB中的Att532TSP问题进行了仿真实验.仿真研究表明,改进后的算法具有优良的全局优化性能,效果令人满意.􀁱     

快速寻优的全局优化进化算法

为了加快进化算法中种群的寻优速度,设计双变异算子,提出一种进化算法。该算法以种群的多样性、算法的收敛速度、全局与局部搜索能力的综合均衡为设计重点,利用概率论和Markov链证明了该算法的全局收敛性,通过对6个基准函数进行测试,从数值上验证了该算法的有效性。     

一种求解全局优化问题的新混合遗传算法

把简化的二次插值法融入实数编码遗传算法,构成适于求解全局优化问题的混合遗传算法,该混合算法可以较好解决遗传算法的早熟收敛问题,提高了收敛速度,改善了解的质量,并减少了计算量.由于该混合遗传算法对目标函数的性质没有要求,适合求解大规模问题和工程实际问题.通过对23个标准测试函数的仿真实验,并和已有算法的比较,结果表明本文提出的混合遗传算法是非常有效的.     

一种新的进化算法——种子优化算法

受自然界种子传播方式的启发,提出一种进化算法--种子优化算法,该算法通过模拟植物生存的自适应现象,逐代进化,寻找最优结果,解决复杂的优化计算问题,对该算法的全局寻优性能进行分析证明,通过典型优化问题的实例仿真实验,表明该算法具有较好的寻优性能.     

一种新型优化算法——学习算法*

从优化算法应该具有的共性出发,提出一种全新的算法——学习算法（LA）。该算法记录历史最优解和当前最优解这两组关键历史信息,然后让当前解向这两种最优解聚集（即学习的过程）;同时为了不放弃其他区域的搜索,让当前解的一部分完全随机地被重置。该算法原理简单,可调参数少且各参数对算法效能的影响易于掌控。在多最优函数以及复杂函数的最小化测试中,通过与GA、PSO的比较,发现LA确实是一种有效的优化算法,其优化效率并不低于现有算法。数值实验还表明,LA在多最优解问题的寻优中相对GA和PSO具有非常明显的优势。     

一种利用膜计算求解高维函数的全局优化算法

鉴于传统优化算法在求解高维多模态优化问题时存在收敛速度慢,求解精度低的缺点,针对上述问题提出了一种基于膜计算的优化算法。算法首先对高维空间进行分割,分割后每个子空间作为一个基本膜,基本膜区域中采用差分局部搜索策略提高算法的局部搜索能力和收敛速度。基本膜区域将局部最优解定时传送给表层膜。表层膜区域中采用全局搜索策略寻找全局最优解。通过对5个benchmark函数仿真验证,实验结果表明,该算法在收敛速度,求解精度和稳定性方面都有较大优势。     

多峰值全局优化的混合算法

根据遗传算法在较小的可行区域内一般有较好的求解结果这一事实,提出了一种混合算法。该算法先利用区间算法求解全局优化问题来得到包含所有最优解的小区间,随后运用遗传算法进行后续过程。算法能够有效缩小一个较大的可行区域空间,提供高适应值的初始种群,求出多峰值问题的全部最优解,提高算法的求解精度同时避免陷入局部最优。最后数值实验说明了算法的有效性。     

基于P系统的粒子群优化算法

为了克服算法早熟收敛问题并提高算法精度, 引入了膜计算理论。将PSO算法与P系统相结合, 提出了一种基于P系统的粒子群优化算法 (P-PSO), 有效地平衡粒子群的全局搜索和局部寻优。采用常用的三个测试函数对新算法进行了实验, 结果表明, 提出的P-PSO算法有效地解决了算法早熟问题, 提高了算法的收敛精度。由此可见, P-PSO算法能够有效改进原有PSO算法的性能。     

求全局最优的类电磁机制算法

针对类电磁机制算法中数据溢出、计算量过大的问题,改进了电量计算公式和合力计算公式,引入了函数值最小下界,增加了粒子过滤公式,从而得到一种新类电磁机制算法。从测试标准测试函数与经典类电磁算法的比较可看出,新算法收敛速度快,并从数值上验证了该算法的可行性和有效性。     

共享式全局寻优算法的研究

首先分析了目前主要用于全局优化的智能算法和群智能算法的特点,针对多极值问题,指出他们相互融合发展的趋势,提出了一种体现大融合思想的共享式全局寻优算法.进行智能优化算法和群智能优化算法有机组合,使它们共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力.最后通过算例验证了该算法的有效性,实用性.     

求解全局优化问题的遗传退火算法

针对全局优化过程中,算法计算时间长、收敛时机不成熟、容易陷入局部最优等现象,在分析模拟退火算法和遗传算法优缺点的基础上提出了新的遗传退火混合算法,并将新的交叉、变异策略和诱导微调方法应用于算法中,通过10组非线性约束函数的测试表明,该算法能够在保持较高精度的前提下快速收敛。     

A stochastic local search algorithm for constrained continuous global optimization

This paper presents a new stochastic local search algorithm known as feasible–infeasible search procedure (FISP) for constrained continuous global optimization. The proposed procedure uses metaheuristic strategies for combinatorial optimization as well as combined strategies for exploring continuous spaces, which are applied to an efficient process in increasingly refined neighborhoods of current points. We show effectiveness and efficiency of the proposed procedure on a standard set of 13 well‐known test problems. Furthermore, we compare the performance of FISP with SNOPT (sparse nonlinear optimizer) and with few successful existing stochastic algorithms on the same set of test problems.     

膜计算改进粒子群优化算法的云资源调度

云计算环境下的资源合理调度是当前的研究热点,针对粒子群优化算法的不足,引入膜计算理论,提出一种基于膜计算改进粒子群优化算法的云资源调度算法（PSO-MC）。对云资源调度问题进行分析,建立云资源调度的目标函数,受到膜计算的启发,将粒子放入膜中,主膜内粒子进行精细化局部寻优,辅助膜内的粒子进行全局搜索,通过膜区域之间信息传递搜索结果,找到云资源调度问题的最优解,在CloudSim平台对算法进行仿真实验。结果表明,PSO-MC算法减少了任务的平均完成时间,提高了任务处理的效率,使云计算资源调度更加合理。     

Joint operations algorithm for large-scale global optimization

Large-scale global optimization (LSGO) is a very important but thorny task in optimization domain, which widely exists in management and engineering problems. In order to strengthen the effectiveness of meta-heuristic algorithms when handling LSGO problems, we propose a novel meta-heuristic algorithm, which is inspired by the joint operations strategy of multiple military units and called joint operations algorithm (JOA). The overall framework of the proposed algorithm involves three main operations: offensive, defensive and regroup operations. In JOA, offensive operations and defensive operations are used to balance the exploration ability and exploitation ability, and regroup operations is applied to alleviate the problem of premature convergence. To evaluate the performance of the proposed algorithm, we compare JOA with six excellent meta-heuristic algorithms on twenty LSGO benchmark functions of IEEE CEC 2010 special session and four real-life problems. The experimental results show that JOA performs steadily, and it has the best overall performance among the seven compared algorithms.