冗余度机器人全局优化的一种新方法

提出一种冗余度机器人全局优化的新方法．通过引入自运动变量,为冗余度机器人全局优化问题建立了一个简单泛函极值模型,并由此导出了响应的全局优化算法．这种方法建模简单,计算量小,能实现冗余度机器人全局优化的实时控制．     

冗余度机器人全局优化的一种新方法

提出一种冗余度机器人全局优化的新方法．通过 引入自运动变量，为冗余度机器人全局优化问题建立了一个简单泛函极值模型，并由此导出 了响应的全局优化算法．这种方法建模简单，计算量小，能实现冗余度机器人全局优化的实 时控制．     

一种高效的函数可微的全局优化模拟退火算法

针对函数可微的全局优化问题,将最速下降法,Newton法和罚函数法引入模拟退火算法中,提出了一种高效的模拟退火算法.该算法可以求得可微函数优化问题的全局最优解,且具有计算量小,效率高的特点.利用罚函数将约束优化问题转化为无约束优化问题后,可以利用提出的算法进行求解.数值算例表明,提出的算法能够高效地求解无约束及带约束的函数可微的全局优化问题.     

一个离散填充函数

提出了一个离散填充函数,用于求解“严格路径连通域”上的离散全局优化问题。证明了所提出的函数是一个离散填充函数,用相应的离散填充函数算法可以求解离散全局优化问题。     

用填充函数改进的智能控制系统全局优化算法

为了提高全局优化算法的速度,提出了智能控制系统全局优化算法。该算法应用了闭环控制系统的反馈的思想,使得在寻优迭代过程中被优化函数的值不断接近设定值,直至达到其全局最优值。该算法的关键在于控制策略的设计和策略中的参数值的设定。为了降低参数初值设定的难度同时提高算法的寻优精度,利用填充函数法对智能控制系统全局优化算法进行改进。经12个标准的测试函数的验证,改进后的算法的速度较填充函数法快,算法的精度比智能控制系统全局优化算法高。     

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.     

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。     

一种新型的全局优化算法——细胞膜优化算法*

通过研究细胞膜的特性及其物质转运方式,从中进行提取优化模型,并结合全局优化算法的基本思想,提出了一种新型的全局优化算法——细胞膜优化算法（CMO）。通过数值实验,验证了细胞膜优化算法具有很好的全局寻优能力、快速的收敛能力和获取高精度解的能力,并与标准粒子群算法（PSO）和人口迁移算法（PMA）进行比较,结果表明,细胞膜优化算法在解决高维优化问题时具有更好的收敛性能。     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

一种结合次梯度的粒子群全局优化算法

为优化不可微且非凸的连续目标函数,提出了结合次梯度的粒子群全局优化算法(SGPSO).在优化算法中,首次提出利用次梯度方向来更新粒子群算法中粒子的搜索速度方案.加上与粒子相互间的通信机制配合,改进方案提高了寻得全局最优的机率.进一步地,在次梯度迭代过程中,提出其中的步长函数需要满足关于次梯度幅值是低阶无穷小且关于迭代时刻是递减的充分条件保证序列稳定收敛.最后,针对标准库给出了SG-PSO的实验和比较以验证其有效性,结果表明提出的算法能很好地实现目标函数的全局优化,且收敛效果更好.     

融合Powell搜索法的粒子群优化算法

为了进一步提高多模态函数寻优的效率,提出一种融合Powell搜索法的粒子群优化算法.将PSO算法的全局搜索能力与Powell法的强局部寻优能力有机地结合起来,在保证求解速度,尽可能找到全部极值点的同时提高了解的精确性.由于该算法只利用了函数值信息而不需要计算导数,是求解可微和不可微多模态函数优化问题的通用方法.仿真实验表明了新混合算法的有效性.     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

蚁群和遗传混合算法求解旅行商问题

旅行商是应用广泛的优化组合问题,采用蚁群和遗传混合算法解决旅行商问题,利用遗传算法的交叉、变异机制解决蚁群算法易出现局部最优解的问题,将混合算法在VBA环境调试运行。混合算法与蚁群算法、遗传算法仿真数据比较,混合算法具有较好改进效果。     

一种快速收敛的混合遗传算法

利用遗传算法早熟的特点 ,构造出一种快速收敛的混合算法来求解优化问题 ,并分析了它的收敛性。它是使用遗传算法来生成搜索方向 ,从而保证了算法的收敛性。该算法利用遗传算法的全局搜索能力 ,并采用 Nelder- Mead单纯形法来加强算法的局部搜索能力 ,加快了算法的收敛速率。模拟实验表明 ,该方法具有高效性和鲁棒性     

属性——统计混合聚类算法研究

对属性———统计混合聚类算法进行研究。在属性均值聚类算法和Woodbury算法的基础上,对目标泛函进行改进,提出属性———统计混合聚类算法。文章证明了属性均值聚类算法和模糊C均值聚类算法(FCM)分别是属性-统计混合聚类算法的一个特例。     

Hybrid Taguchi-differential evolution algorithm for optimization of multi-pass turning operations

Hybridizing of the optimization algorithms provides a scope to improve the searching abilities of the resulting method. The purpose of this paper is to develop a novel hybrid optimization algorithm entitled hybrid robust differential evolution (HRDE) by adding positive properties of the Taguchi's method to the differential evolution algorithm for minimizing the production cost associated with multi-pass turning problems. The proposed optimization approach is applied to two case studies for multi-pass turning operations to illustrate the effectiveness and robustness of the proposed algorithm in machining operations. The results reveal that the proposed hybrid algorithm is more effective than particle swarm optimization algorithm, immune algorithm, hybrid harmony search algorithm, hybrid genetic algorithm, scatter search algorithm, genetic algorithm and integration of simulated annealing and Hooke-Jeevespatter search.     

A new hybrid differential evolution algorithm for the selection of optimal machining parameters in milling operations

This paper presents a novel hybrid optimization approach based on differential evolution algorithm and receptor editing property of immune system. The purpose of the present research is to develop a new optimization approach to solve optimization problems in the manufacturing industry. The proposed hybrid approach is applied to a case study for milling operations to show its effectiveness in machining operations. The results of the hybrid approach for the case study are compared with those of hybrid particle swarm algorithm, ant colony algorithm, immune algorithm, hybrid immune algorithm, genetic algorithm, feasible direction method and handbook recommendation.     

混合算法的邻域结构变更研究及在排样问题上的应用

本文研究了全局搜索算法和局部搜索算法的混合机制,设计了基于邻域搜索和遗传算法的混合搜索算法。该算法结合了遗传算法的全局搜索特性和邻域局部贪婪搜索特性;在分析排样问题碰靠过程特征的基础上,构建了排样问题邻域假设,当邻域假设满足时,遗传算法+邻域搜索能很好发挥作用;当不能判断邻域结构是否满足邻域假设时,提出了建立遗传算法+匹配变邻域的搜索算法,该算法兼顾了组合优化中邻域搜索的局部搜索无效的情况,实现了匹配的变邻域混合算法在排样优化问题中的应用。实例结果标明,排样图形不一样,其求解难度不一样,该算法均搜索到了更好的排样模式,验证了算法的有效性。     

An artificial bee colony-based hybrid approach for waste collection problem with midway disposal pattern

This paper investigates a waste collection problem with the consideration of midway disposal pattern. An artificial bee colony (ABC)-based hybrid approach is developed to handle this problem, in which the hybrid ABC algorithm is proposed to generate the better optimum-seeking performance while a heuristic procedure is proposed to select the disposal trip dynamically and calculate the carbon emissions in waste collection process. The effectiveness of the proposed approach is validated by numerical experiments. Experimental results show that the proposed hybrid approach can solve the investigated problem effectively. The proposed hybrid ABC algorithm exhibits a better optimum-seeking performance than four popular metaheuristics, namely a genetic algorithm, a particle swarm optimization algorithm, an enhanced ABC algorithm and a hybrid particle swarm optimization algorithm. It is also found that the midway disposal pattern should be used in practice because it reduces the carbon emission at most 7.16% for the investigated instances.     

混合遗传算法及在多处理机调度问题中的应用

针对遗传算法存在收敛速度较慢,易陷入局部极值的缺点,通过算法混合,提出一种基于混沌及差分演化的混合遗传算法。该算法利用混沌运动的遍历性和内在随机性择优产生初始群体,借鉴差分进化算法中的繁殖策略,使染色体在解空间中更有效的搜索最优解。最后将该混合遗传算法应用于多处理机调度问题中,实验表明,该混合算法具有较高的优化效率,能寻找到更好的优化结果。