基于混沌优化算法的支持向量机参数选取方法

支持向量机（SVM）的参数取值决定了其学习性能和泛化能力．对此，将SVM参数的选取看作参数的组合优化，建立组合优化的目标函数，采用变尺度混沌优化算法来搜索最优目标函数值．混沌优化算法是一种全局搜索方法，在选取SVM参数时，不必考虑模型的复杂度和变量维数．仿真表明，混沌优化算法是选取SVM参数的有效方法，应用到函数逼近时具有优良的性能．     

基于混沌搜索的模糊控制器参数最优设计

基于混沌变量，本文提出一种模糊控制器最优设计方案．离线优化采用混沌算法，将混沌因子引入到模糊控制器参数域的优化搜索中，用载波方式将优化变量转变成混沌变量，再利用混沌运动的遍历性和随机性直接寻优，得到模糊控制器参数的全局次优解．在线优化采用共轭梯度下降法，把混沌搜索后得到的全局次优值作为梯度下降搜索的初始值，实现混沌全局粗搜索和梯度下降局部细搜索相结合的优化目的，能很快找到模糊控制器参数的全局最优解．最后对算法的收敛性进行了证明．     

多阶段参数动态控制微粒群优化算法

为了平衡微粒群算法中全局搜索和局部开发之间的关系,多阶段参数动态控制机制被引入了标准的微粒群算法。在多阶段参数动态控制微粒群优化算法（MDPSO）中,微粒群的搜索过程在逻辑上被划分为三个阶段,每一个阶段都有各自的优化目标,对应着每一个搜索阶段,代表微粒个体经验、种群经验、全局经验和种群排斥力、全局排斥力的5个加速常数将会按照不同的规律变化,控制种群经验和全局经验对微粒的吸引与种群重心和全局重心对微粒的排斥,可以很好地避免在优化过程初期容易出现的早熟收敛现象和在优化过程末期容易出现的收敛放慢现象。通过对标准函数的测试,验证了该方法有效性和可靠性。     

工业过程随机稳态优化控制算法的鲁棒性分析

本文给出了一种随机稳态优化算法的灵敏度分析，讨论算法解对参数变化的关系。这些参数代表系统结构参数或噪声向量的某些数字特征．     

一种动态环境下移动机器人的路径规划方法

本文提出了在动态环境中，移动机器人的一种路径规划方法，适用于环境中存 在已知和未知、静止和运动障碍物的复杂情况．采用链接图法建立了机器人工作空间模型， 整个系统由全局路径规划器和局部路径规划器两部分组成．在全局路径规划器中，应用遗传 算法规划出初步全局优化路径．在局部路径规划器中，设计了三种基本行为：跟踪全局路径 的行为、避碰的行为和目标制导的行为，采用基于行为的方法进一步优化路径．其中，避碰 的行为是通过强化学习得到的．仿真和实验结果表明所提方法简便可行，能够满足移动 机器人导航的高实时性要求．     

一种新型混沌优化的模糊PID控制器设计

提出一种最优模糊PID控制器的设计．该方法将混沌因子引入到模糊PID控制器参数域的全局优化搜索方法中．在优化过程中不断缩小寻优区间以提高搜索效率，能较快搜索到全局最优解。最后．对延迟的三阶系统进行仿真．并与Ziegler-Nichols规则的PID控制相比较．控制结果说明该方法是有效可行的。     

一阶多智能体受扰系统的自抗扰分布式优化算法

研究一类具有未知外部干扰的一阶多智能体系统的分布式优化问题.在分布式优化任务中,每个智能体只被容许利用自己的局部目标函数和邻居的状态信息,设计一个分布式优化算法,使全局目标函数取得最小值,其中全局目标函数是所有局部目标函数之和.针对该问题,首先提出由扩张状态观测器和优化算法组成的自抗扰分布式优化算法.其次,在Lyapunov稳定性的基础上发展新的方法,对闭环系统的收敛性和稳定性进行严格的证明;当外部干扰为常值时,所设计的优化算法能使所有智能体的状态指数收敛到全局目标函数的最小值;当外部干扰为有界干扰时,通过调整扩张状态观测器的增益参数,所设计的优化算法能使所有智能体的状态收敛到全局目标函数最小值的任意小的邻域内.最后,仿真结果表明了该优化算法的有效性.     

人工鱼群算法在SVM参数优化选择中的应用

针对支持向量机的参数优化缺乏理论支持,而SVM交叉检验法选取又较为费时的情况下,提出了基于人工鱼群算法的支持向量机参数优化选取算法,并以SVM分类预测准确率最大为优化原则,利用人工鱼群算法的较好并行性和较强的全局寻优能力,以实现最优目标并得到SVM的最优参数组合。数值实验结果表明：人工鱼群算法在SVM参数优化选取中具有更快的寻优性能,同时具有较高的分类准确率。该方法具有较好的并行性和较强的全局寻优能力。     

一种多目标自适应DBSCAN离群点检测算法

在基于聚类的DBSCAN离群点检测算法中,存在参数Eps的不确定性和全局统一性问题.因此,本文首先提出了一种基于多目标优化的自适应DBSCAN离群点检测算法,根据不同数据集的特点,通过NSGA-Ⅱ优化算法为数据集中的每个数据自适应地求解一个最优Eps,不仅避免了人为经验设置参数的不足,还解决了全局参数带来的聚类不精确问...     

翼型气动特性的集成优化方法

为减少汽车翼型气动特性的数值仿真计算量并提高优化效率,利用Isight和拉丁超立方抽样得到实验矩阵并进行数值仿真,基于仿真结果建立近似模型,使用进化算法进行全局优化．结果表明：该集成优化方法能得出合理的翼型安装参数,而且仅依赖于近似模型的优化过程就能根据不同的约束条件和优化目标快速得出合理的结果,显著缩短优化周期．     

基于全局排序的高维多目标优化研究

目标数超过4的高维多目标优化是目前进化多目标优化领域求解难度最大的问题之一,现有的多目标进化算法求解该类问题时,存在收敛性和解集分布性上的缺陷,难以满足实际工程优化需求.提出一种基于全局排序的高维多目标进化算法GR-MODE,首先,采用一种新的全局排序策略增强选择压力,无需用户偏好及目标主次信息,且避免宽松Pareto支配在排序结果合理性与可信性上的损失;其次,采用Harmonic平均拥挤距离对个体进行全局密度估计,提高现有局部密度估计方法的精确性;最后,针对高维多目标复杂空间搜索需求,设计新的精英选择策略及适应度值评价函数.将该算法与国内外现有的5种高性能多目标进化算法在标准测试函数集DTLZ{1,2, 4,5}上进行对比实验,结果表明,该算法具有明显的性能优势,大幅提升了4~30维高维多目标优化的收敛性和分布性.     

A meta-level evolutionary strategy for many-criteria design: Application to improving tracking filters

We present a novel meta-level heuristic algorithm for multi-criteria search. It focuses on dynamically adapting the optimization criteria through the set of active objectives instead of using the evolutionary strategy (ES) parameters as other meta-level approaches do. The meta-level ES dynamically searches for the subset of objectives that achieves the best global performance. It assumes that the active subset can represent the real structure of the trade-off surface and consider all objectives at the same time as a pure multi-objective evolutionary approach (MOEA) would do.We have successfully applied this heuristic to improve the efficiency of tracking filters design, a real-world problem requiring effective and fast optimization techniques. Our approach yields competitive results and drastically reduces the computational cost. The results show an important advantage in efficiency with respect to previous conventional approaches for applying evolutionary algorithms (EA) to the same design problem. The proposed technique can be applied to real-world problems with a high number of active dependent objectives, a frequent occurrence in engineering design.     

多目标卫星数传调度蚁群优化算法

卫星数传调度问题具有任务多、资源少、调度约束复杂等特点,为满足多目标优化调度的理论和现实需要,提出了多目标卫星数传调度蚁群优化算法。算法建立了基于任务调度关系的解构造图,提出了用于可行解构造的自适应伪随机概率决策模型,以及基于Pareto解偏离度的全局信息素更新策略。仿真结果表明,算法具有较好的Pareto前沿收敛性,各优化目标都能得到较好的指标评价值,所获得的Pareto解集规模适度,Pareto解的多样性、分布均匀性和散布范围都较好。     

基于模拟的企业过程模型自动优化技术研究

企业过程模型参数自动优化是一个多参数多目标的系统优化问题.采用线性加权法将其转换成多参数单目标问题的求解,提出基于计算机模拟的企业过程模型参数的自动寻优方法.它将传统的共轭梯度法FR(fletcher reeves)和禁忌搜索算法TS(tabu search)结合起来,采用FR法进行局部寻优,由TS法实现从当前局部最优点向全域范围内的更优区域转移,循环往复达到求出全域范围最优点的目的.改进了FR法与TS法,克服了各自的缺陷,并提出禁忌区域表的概念,从而加速寻优过程.它适用于任意多维曲面的多极值问题最优求解     

粒子群优化技术的研究与应用进展

粒子群优化(PSO)算法是一种新兴的基于群智能搜索的优化技术,它是通过粒子追随个体最优解和群体最优解来完成优化,且算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。     

一类区间多目标粒子群优化算法

针对区间参数多目标优化问题,提出一种基于模糊支配的多目标粒子群优化算法。首先,定义基于决策者悲观程度的模糊支配关系,用于比较解的优劣;然后,定义一种适于区间目标值的拥挤距离,以更新外部存储器并从中选择领导粒子;最后,对多个区间多目标测试函数进行仿真实验,实验结果验证了所提出算法的有效性。     

传感器网络多路径传输效用-寿命折中优化研究

网络效用和网络寿命是无线传感器网络速率控制研究中两个极为重要而又互相冲突的设计目标.为兼顾网络性能需对二者进行折衷处理.通过引入折衷因子,建立网络效用和寿命的组合优化模型,利用拉格朗日对偶分解方法对优化问题进行求解,设计分布式的最优速率控制算法.仿真结果表明,通过调节折衷因子,可实现网络寿命和效用的均衡,并验证了提出算法的收敛性能及全局最优性.     

基于自适应差异进化法的电力系统无功优化

差异进化算法（DE）是一种新的进化算法,近年来的研究和应用已经展示出很大的应用潜力,但其中的某些参数需通过试验确定,影响了实用性。提出一种自适应差异进化算法（FADE）,能使算法的控制参数粮据求解问题的不同在优化过程中自适应发生改变,并应用于无功优化问题。通过IEEE-30节点算例系统的仿真结果证明,与DE和GA算法相比,模糊差异进化算法具有很强的自适应性及通用性。     

Introducing robustness in multi-objective optimization

In optimization studies including multi-objective optimization, the main focus is placed on finding the global optimum or global Pareto-optimal solutions, representing the best possible objective values. However, in practice, users may not always be interested in finding the so-called global best solutions, particularly when these solutions are quite sensitive to the variable perturbations which cannot be avoided in practice. In such cases, practitioners are interested in finding the robust solutions which are less sensitive to small perturbations in variables. Although robust optimization is dealt with in detail in single-objective evolutionary optimization studies, in this paper, we present two different robust multi-objective optimization procedures, where the emphasis is to find a robust frontier, instead of the global Pareto-optimal frontier in a problem. The first procedure is a straightforward extension of a technique used for single-objective optimization and the second procedure is a more practical approach enabling a user to set the extent of robustness desired in a problem. To demonstrate the differences between global and robust multi-objective optimization principles and the differences between the two robust optimization procedures suggested here, we develop a number of constrained and unconstrained test problems having two and three objectives and show simulation results using an evolutionary multi-objective optimization (EMO) algorithm. Finally, we also apply both robust optimization methodologies to an engineering design problem.     

Multiobjective identification of Takagi-Sugeno fuzzy models

The problem of identifying the parameters of the constituent local linear models of Takagi-Sugeno fuzzy models is considered. In order to address the tradeoff between global model accuracy and interpretability of the local models as linearizations of a nonlinear system, two multiobjective identification algorithms are studied. Particular attention is paid to the analysis of conflicts between objectives, and we show that such information can be easily computed from the solution of the multiobjective optimization. This information is useful to diagnose the model and tune the weighting/priorities of the multiobjective optimization. Moreover, the result of the conflict analysis can be used as a constructive tool to modify the fuzzy model structure (including membership functions) in order to meet the multiple objectives. Simple illustrative examples as well as experimental results show the usefulness of the method.