求解约束优化问题的混合类电磁机制算法

提出了一种求解约束优化问题的混合类电磁机制算法.该算法将约束条件通过外点法转移进目标函数,将约束问题简化为无约束问题;并加入粒子电量过滤公式设计出新类电磁机制(EPEM)算法.数值试验证明,新算法性能优于其他启发式算法,是一种高效、稳健的方法.     

类电磁机制算法及其应用*

研究了一种新的启发式全局优化算法——类电磁机制（Electromagnetismlike Mechanism, EM）算法。系统介绍了类电磁机制算法的原理、基本步骤、几个不同版本及其改进,综述了类电磁机制算法在函数优化、神经网络训练和调度等方面的应用,最后对类电磁机制算法的研究和应用方向进行了展望。     

采用不可微精确罚函数的约束优化演化算法

针对多数已有的采用罚函数的约束优化遗传算法存在优化效果差的问题 ,提出了一种新的求解约束优化问题的演化算法 .借助不可微精确罚函数把约束问题转化为单个无约束问题来处理 .采用混合杂交和间歇变异来提高算法的搜索能力 .数值实验结果表明了新算法的优化效果远远优于已有的几种采用罚函数的遗传算法     

解约束优化问题的一种新的罚函数模型

罚函数法是进化算法中解决约束优化问题最常用的方法之一,它通过对不可行解进行惩罚使得搜索逐步进入可行域.罚函数常定义为目标函数与惩罚项之和,其缺陷一方面在于此模型的罚因子难以控制,另一方面当目标函数值与惩罚项的函数值的差值很大时,此模型不能有效地区分可行解与不可行解,从而不能有效处理约束.为了克服这些缺点,首先引入了目标满意度函数与约束满意度函数,前者是根据目标函数对解的满意度给出的一个度量,而后者是根据约束违反度对解的满意度给出的一个度量.然后将两者有机结合,定义了一种新的罚函数,给出了一种新的罚函数模型.并且设置了自适应动态罚因子,其随着当前种群质量和进化代数的改变而改变.因此它很易于控制.进一步设计了新的杂交和变异算子,在此基础上提出了解决约束优化问题的一种新的进化算法.通过对6个常用标准测试函数所作的数据仿真实验表明,提出的算法是十分有效的.     

解非线性规划的多目标遗传算法及其收敛性

给出非线性约束规划问题的一种新解法。它既不需用传统的惩罚函数,又不需区分可行解和不可行解,新方法把带约束的非线性规划问题转化成为两个目标函数优化问题,其中一个是原约束问题的目标函数,另一个是违反约束的度函数,并利用多目标优化中的Pareto优劣关系设计了一种新的选择算子,通过对搜索操作和参数的合理设计给出了一种新型遗传算法,且给出了算法的收敛性证明,最后数据实验表明该算法对带约束的非线性规划问题求解是非常有效的。     

一种改进的类电磁机制算法

文章以无约束优化问题为研究对象,分析了类电磁机制算法的原理,即模拟了电磁场中带电粒子之间的吸引排斥机制,通过该机制使得粒子朝着最优粒子移动。针对原算法中存在的运算量大、收敛速度慢等问题,提出了一种改进的类电磁机制算法。新算法采用归一化目标函数值方法,简化了电量计算公式;同时引入自适应移动算子,将粒子的优劣和迭代的过程体现在粒子的移动过程中,使得算法在搜索过程中能朝着更精确的解移动。实验证明,改进后的算法具有更好的收敛效果和更高的执行效率。     

求解约束优化问题的人工鱼群算法

在利用人工鱼群算法求解约束问题时,处理好约束条件是取得好的优化效果的关键。引入了半可行域的概念,并结合人工鱼群算法(ArtificialFish-SwarmAlgorithm,AFSA)本身的特点,设计了基于竞争选择和惩罚函数的适应度函数,从而得到了一个利用ASFA算法求解约束优化问题的新的进化算法。实验证明了算法的有效性。     

一类非线性极小极大问题的改进粒子群算法

针对一类非线性极小极大问题目标函数非光滑的特点给求解带来的困难,利用改进的粒子群算法并结合极大熵函数法给出了此类问题的一种新的有效算法。首先利用极大熵函数将无约束和有约束极小极大问题转化为一个光滑函数的无约束最优化问题,将此光滑函数作为粒子群算法的适应值函数;然后用数学中的外推方法给出一个新的粒子位置更新公式,并应用这个改进的粒子群算法来优化此问题。数值结果表明,该算法收敛快﹑数值稳定性好,是求解非线性极小极大问题的一种有效算法。     

一种求解约束多目标优化问题的线性进化算法

针对多目标优化问题,提出了一种新的基于实数编码的线性进化算法.新算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,并构造出一种线性适应度函数,重新设计了一种基于密度函数的交叉算子.对二组典型优化问题的测试表明,本算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

非线性规划的混沌粒子群优化算法

粒子群优化算法是一类基于群智能的优化搜索算法.该算法初期收敛较快,但后期易陷入局部最优点.为了提高粒子群算法的性能,将粒子群算法全局搜索的快速性和混沌算法的一定范围内的遍历性二者结合,利用罚函数的思想把有约束的非线性规划问题转化为无约束最优化问题,并利用了混沌运动遍历性、随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法后期易陷入局部极值点的缺点,然后与罚函数方法结合,构造出一个基于罚函数的混沌粒子群优化算法.数值结果表明文中所提出的算法是有效的.     

基于惩罚和修复混合策略的约束处理方法

约束处理是约束优化的关键问题，特别是非线性约束的处理一直缺少特别有效的解决方法，将惩罚函数法与修复策略结合使用，可以有效地避免迭代过程中大量非可行解的产生，使得约束优化问题在惩罚函数和修复算子的协同作用下收敛于全局最优，较好地解决了在遗传算法约束优化问题中单独使用惩罚和修复方法时一些难以解决的问题。基于随机方向法构造的修复算子作用效果显著，采用多个测试函数对算法进行检验，均能较好地收敛于可行域中的最优解，验证了算法的可靠性。     

一种关于目标罚参数的精确罚函数法

罚函数法是一种将约束优化问题转化为无约束问题的重要方法.对于一般的约束优化问题,通过加入新参数,给出了一种改进的精确罚函数和这种罚函数的精确罚定理证明,提出了求解这种罚函数的算法.实验表明该算法是有效的.     

动态罚函数法求解约束优化问题

针对罚函数法在求解约束优化问题时罚系数不易选取的问题,提出一种基于动态罚函数的差分进化算法.利用罚函数法将约束优化问题转化为无约束优化问题.为平衡种群的目标函数和约束违反程度,结合ε约束法设计了一种动态罚系数策略,其中罚系数随着种群质量和进化代数的改变而改变.采用差分进化算法更新种群直到搜索到最优解.对IEEE CEC...     

A spatially constrained mixture model for image segmentation

Gaussian mixture models (GMMs) constitute a well-known type of probabilistic neural networks. One of their many successful applications is in image segmentation, where spatially constrained mixture models have been trained using the expectation-maximization (EM) framework. In this letter, we elaborate on this method and propose a new methodology for the M-step of the EM algorithm that is based on a novel constrained optimization formulation. Numerical experiments using simulated images illustrate the superior performance of our method in terms of the attained maximum value of the objective function and segmentation accuracy compared to previous implementations of this approach.     

结合增广Lagrange罚函数的约束优化差分进化算法

利用增广Lagrange罚函数处理问题的约束条件,提出了一种新的约束优化差分进化算法。基于增广Lagrange惩罚函数,将原约束优化问题转换为界约束优化问题。在进化过程中,根据个体的适应度值将种群分为精英种群和普通种群,分别采用不同的变异策略,以平衡算法的全局和局部搜索能力。用10个经典Benchmark问题进行了测试,实验结果表明,该算法能有效地处理不同的约束优化问题。     

改进罚函数法与蝙蝠算法在约束优化中的应用

设计了一种基于自适应罚函数法和改进蝙蝠算法的约束优化问题求解方法。提出了一种自适应罚函数法,该处理方法综合考虑了约束违反的情况和进化过程的特点,如果某个约束违反的次数越多,则证明该约束越强,赋予惩罚系数越大;种群中的不可行解的数量越多,为保持种群的多样性,则约束应该取较小的值,即惩罚系数取较小的值。提出了一种改进的蝙蝠算法,利用混沌的遍历性特点产生初始种群,增强了初始种群的多样性和种群的质量;在考虑了脉冲响度的蝙蝠算法局部搜索中,融入了交叉操作;为防止算法在后期陷入局部最优解,引进了变异操作,保证了群体的多样性。将自适应罚函数法与改进的蝙蝠算法融合起来求解约束优化问题,4个复杂的标准测试函数和2个工程实际问题证明了该约束优化求解方法的可行性和有效性。     

一种求解约束优化问题的混合算法

提出一种基于修改增广Lagrange函数和PSO的混合算法用于求解约束优化问题。将约束优化问题转化为界约束优化问题,混合算法由两层迭代结构组成,在内层迭代中,利用改进PSO算法求解界约束优化问题得到下一个迭代点。外层迭代主要修正Lagrange乘子和罚参数,检查收敛准则是否满足,重构下次迭代的界约束优化子问题,检查收敛准则是否满足。数值实验结果表明该混合算法的有效性。     

一种求解非线性约束优化全局最优的新方法

本文提出了一种求解非线性约束优化的全局最优的新方法—它是基于利用非线性互补函数和不断增加新的约束来重复解库恩-塔克条件的非线性方程组的新方法。因为库恩-塔克条件是非线性约束优化的必要条件,得到的解未必是非线性约束优化的全局最优解,为此,本文首次给出了通过利用该优化问题的先验知识,不断地增加约束来限制全局最优解范围的方法,一些仿真例子表明提出的方法和理论有效的,并且可行的。     

求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。     

基于自适应罚函数的QPSO算法的代谢通量评估*

针对代谢通量评估问题属于带约束的优化问题,其目标函数是一个非线性、不可微的并且存在多个局部最小点的复杂函数,提出了使用自适应罚函数的量子粒子群优化算法来解决这个问题。通过自适应罚函数的方法解决约束条件,然后使用QPSO算法最小化内部代谢通量。用此算法评估谷氨酸棒杆菌的内部代谢通量并与传统的优化算法来比较,实验结果证明了该算法的可行性和有效性。