基于改进萤火虫算法求解旅行商问题

鉴于TSP问题是古老的组合优化难题,而萤火虫算法在求解函数优化问题中表现出优良的性能,因此,本文利用改进的萤火虫算法求解TSP问题.首先,在分析了旅行商问题的特点后,采用整数编码的方式来表示萤火虫的位置.然后,在标准萤火虫算法的位置更新过程中引入了对数递减的惯性权重来影响萤火虫的迭代过程,同时结合了遗传算法中的选择,交叉,变异以及进化逆转操作来提高每一次迭代中种群的多样性及种群的搜索能力,并将改进的算法解决TSP问题.最后,通过Matlab仿真实验表明改进的算法在求解TSP问题时具有更好收敛速度和优化效果.     

改进的离散型萤火虫优化算法求解柔性作业车间调度问题

针对传统的群智能优化算法在求解柔性作业车间调度问题(FJSP)时,存在寻优能力不足且易陷入局部最优等缺点,本文以最小化最大完工时间为目标,将萤火虫算法(FA)用于求解柔性作业车间调度问题,提出一种改进的离散型萤火虫算法(DFA)。首先,通过两段式编码建立FA连续优化问题与FJSP离散优化问题之间的联系;其次,设计一种群初始化方法,以确保初始解的质量以及多样性;然后,提出改进离散型萤火虫优化算法并引入局部搜索算法,加强算法的全局搜索能力和局部搜索能力;最后,对标准算例进行仿真,验证DFA算法求解FJSP的有效性。通过与遗传算法和粒子群优化算法进行仿真对比,表明了DFA求解FJSP的优越性。     

求解旅行商问题的离散型贝壳漫步优化算法*

提出基于离散型贝壳漫步优化算法(DMWO)的旅行商问题(TSP)求解算法.在DMWO的计算框架下构造TSP相应的评估函数及个体差异度量算子.针对离散型算法整体调整容易破坏已形成的较优路径问题,采用简单的2-opt算子进行局部调整,增强算法在求解TSP时的局部搜索能力.实验中采用多组不同规模的标准TSPLIB数据,对比同样采用2-opt算子的萤火虫优化算法和蚁群优化算法,DMWO在稳定性、解的准确性及所需的迭代次数等方面具有更好的性能.     

改进萤火虫算法性能分析及其在WSNs网络覆盖中的应用

对改进萤火虫算法性能及其在WSNs网络覆盖优化中的应用问题进行了研究。分析了基本萤火虫算法的全局收敛性,针对其收敛效率低的缺陷,给出了算法改进策略,并证明了改进的萤火虫算法以概率1收敛于全局最优解,在此基础上,提出了基于萤火虫优化的网络覆盖算法,建立了以网络均匀度及网络覆盖率为准则的数学模型,推导了节点冗余度与网络覆盖率之间的关系,给出了节点休眠策略,并将节点部署划分成不同的阶段,在每个阶段,分别采用改进的萤火虫算法对模型进行求解,进而得到无线传感器网络最优覆盖,最后对经典测试函数和WSNs网络覆盖问题进行实验仿真,仿真结果表明改进的算法具有更加理想的运算结果,而且能有效地给出WSNs网络覆盖优化方案。     

基于改进萤火虫优化算法的多阈值彩色图像分割

为了提高彩色图像的分割效果,提出一种基于改进的萤火虫优化(IGSO)算法的彩色图像多阈值分割方法,该方法以Kapur熵为目标函数。针对基本萤火虫优化(GSO)算法进化后期收敛速度慢和求解精度低的问题,采用自适应步长和添加全局信息两种策略,提出了一种改进的萤火虫优化(IGSO)算法。IGSO算法根据步长和萤火虫的移动方向对萤火虫算法收敛性的影响,在萤火虫移动过程中引入全局信息,采用随着迭代次数和搜索空间维数自适应变化步长的策略,来提高收敛性能。实验结果表明,该方法能够较好地对彩色图像进行分割,其性能优于基本的萤火虫优化(GSO)算法、改进的量子行为粒子群优化算法(CQPSO)和改进的细菌觅食算法(MBF)。     

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.     

改进量子行为粒子群算法求解武器目标分配问题

为了提高武器目标分配(WTA)问题的求解效率和性能, 提出一种求解武器目标分配问题的改进量子粒子群优化算法. 首先, 通过定义粒子进化速度及粒子聚集度, 将惯性权重表示为粒子进化速度和粒子聚集度的函数, 使惯性权重具有自适应性. 其次, 将慢变函数引入传统位置更新公式中, 有效地克服陷入局部最优解的问题. 最后, 以分配各类武器迎击来袭目标的失败概率最低为目标, 建立多种类型武器目标分配问题模型. 仿真实验表明, 提出的算法能快速给出武器目标分配问题的最好或较好分配方案; 能高效地求解武器目标分配问题.     

差分进化变异策略rand/3/bin求解0-1背包问题

0-1背包问题是背包问题中的基础也是最为经典的一大分支,其组合优化模型被广泛的应用于社会生产生活的各个领域,对NP完全问题的求解有重要价值.传统的启发式算法如遗传算法、基本差分进化算法、粒子群算法,在解决相同0-1背包问题时,差分进化算法在解决离散型0-1背包问题时收敛更快,但存在早熟问题.论文从启发式算法角度出发,结合差分进化算法中变异策略的特点,提出一种新的变异策略rand/3/bin求解方法,与遗传算法、粒子群算法、采取两种变异策略的差分进化进行性能对比实验(实验测试数据已公开在Github),结果表明:该算法实现了相对于原有实验收敛更快和结果更优的结果,具有良好的应用价值.     

基于改进萤火虫算法求解焦炉推焦优化调度问题

在焦炉推焦优化调度数学模型的基础上,提出了一种带变异因子的改进人工萤火虫群优化算法。首先设计一种可调节比率的萤火虫飞行概率计算方式,使其可按照问题的实际情况进行人工调节;其次引入变异因子,增强人工萤火虫算法的搜索能力,并采用一种最优-最差荧光素更新方式,降低劣质解被选择的概率,保证算法的收敛速度。最后,仿真实验表明,所提出算法在求解乱笺炉数较多的优化调度问题时具有很高的求解质量和精度。     

萤火虫算法求解多体系统动力学微分-代数方程

针对多体系统动力学微分-代数方程求解问题,研究基于萤火虫算法的求解方法.首先将广义坐标和广义速度进行Lagrange插值,结合Gauss数值积分方法,将微分-代数方程求解问题转化成求解最优化问题.然后用萤火虫算法对问题进行优化求解.最后,通过对平面双连杆机械臂的多体系统仿真实验,验证了萤火虫算法在求解动力学方程中既保持了约束又较好地保证了能量精度.结果表明智能优化算法在求解多体动力学问题上具有较好的应用前景.     

Multiobjective evolutionary algorithm based on multimethod with dynamic resources allocation

In the last two decades, multiobjective optimization has become main stream and various multiobjective evolutionary algorithms (MOEAs) have been suggested in the field of evolutionary computing (EC) for solving hard combinatorial and continuous multiobjective optimization problems. Most MOEAs employ single evolutionary operators such as crossover, mutation and selection for population evolution. In this paper, we suggest a multiobjective evolutionary algorithm based on multimethods (MMTD) with dynamic resource allocation for coping with continuous multi-objective optimization problems (MOPs). The suggested algorithm employs two well known population based stochastic algorithms namely MOEA/D and NSGA-II as constituent algorithms for population evolution with a dynamic resource allocation scheme. We have examined the performance of the proposed MMTD on two different MOPs test suites: the widely used ZDT problems and the recently formulated test instances for the special session on MOEAs competition of the 2009 IEEE congress on evolutionary computation (CEC’09). Experimental results obtained by the suggested MMTD are more promising than those of some state-of-the-art MOEAs in terms of the inverted generational distance (IGD)-metric on most test problems.     

Firefly-inspired algorithm for discrete optimization problems: An application to manufacturing cell formation

The canonical firefly algorithm is basically developed for continuous optimization problems. However, lots of practical problems are formulated as discrete optimization problems. The main purpose of this paper is to present the discrete firefly algorithm (DFA) to solve discrete optimization problems. In the DFA, we define a firefly's position in terms of changes of probabilities that will be in one state or the other. Then by using this metaheuristic algorithm, the manufacturing cell formation problem is solved. To illustrate the behavior of the proposed model and verify the performance of the algorithm, we introduce a number of numerical examples to illustrate the use of the foregoing algorithm. The performance evaluation shows the effectiveness of the DFA. The proposed metaheuristic algorithm should thus be useful to both researchers and practitioners.     

列队竞争算法求解多产品间歇生产过程排序问题

由于组合爆炸特性,多产品厂的排序问题很难求解大规模甚至中等规模的问题,本文采用一种新的随机型进化搜索算法——列队竞争算法来对该问题进行求解,引入新的选择策略和变异方法。计算表明同已有的方法相比,该方法求解效率高、收敛速度快、使用简单方便,是一种求解多产品间歇过程排序问题的有效算法,为多目的厂间歇过程排序研究提供了新思路。     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

HMOFA:一种混合型多目标萤火虫算法

现实中不断涌现出数目众多且日益复杂的多目标优化问题,迫切需要发展新型多目标优化算法以应对挑战.将基本萤火虫算法拓展至多目标优化领域,提出一种混合型多目标萤火虫算法HMOFA（hybrid multi-objective firefly algorithm）.该算法提出使用混合水平正交实验设计和连续决策空间量化的方法生成接近于用户指定规模且均匀分布于搜索空间的初始种群,为后续的进化提供良好的起始点;利用外部档案中的精英解个体引导萤火虫移动,促使算法较快收敛;运用3点最短路径方法维持外部档案的多样性.HMOFA算法与另外5种代表性多目标进化算法一同在17个基准多目标测试题上进行性能比较,实验结果表明,HMOFA算法在收敛性、多样性和鲁棒性方面总体上具有较显著的性能优势.     

提高链式Lin-kernighan算法性能的策略

Lin-Kernighan算法作为一种高效的组合优化问题优化算法，普遍应用于各种求解组合优化难题的算法中，尤其是旅行商问题的求解。通过对该类问题的可化简性论述，分析并建立了该类问题初始边集的概率化简模型，经实验分析方式确定了模型中的先验性概率值，并建立旅行商化简初始边集的随机算法。将该算法建立的边集作为链式Lin-Kernighan算法的参照优化边集，大幅度提高了链式Lin-Kernighan算法的求解性能，在与多种智能算法结合中取得了较好的收敛效果。     

基于遗传禁忌算法的多目的间歇过程调度问题求解

由于组合爆炸特性,多目的厂的调度问题很难求解大规模甚至中等规模的问题,本文采用一种新的随机性优化技术一基于禁忌技术的遗传算法点(Tabu-genetic algorithm,TGA)来对该问题进行求解,引入新的选择策略和变异方法．并以零等待的多目的间歇过程调度为实例,计算表明同已有的方法相比,该方法求解效率高、收敛速度快、使用简单方便,可有效的克服计算负荷和求解质量之间的冲突,是一种求解多目的厂间歇过程调度问题的有效算法。     

利用蚁群算法生成覆盖表:探索与挖掘

覆盖表生成问题是组合测试的重要研究内容之一,目前已有许多数学方法、贪心算法、搜索算法用于求解这一问题.蚁群算法作为一种能够有效求解组合优化问题的演化搜索算法,已被应用到求解覆盖表生成问题中.已有的研究工作表明:蚁群算法适于求解一般覆盖表、变力度覆盖表生成以及覆盖表排序等问题,但算法结果与其他覆盖表生成方法相比并不具有优势.为了进一步探索与挖掘蚁群算法生成覆盖表的潜力,进行了如下4个层次的改进工作:(1)算法变种集成;(2)算法参数配置优化;(3)演化对象结构调整及演化策略改进;(4)利用并行计算优化算法时间开销.实验结果表明:通过以上4个层次的改进,蚁群算法生成覆盖表的性能有了显著提升.     

Reactive power and voltage control based on general quantum genetic algorithms

This paper presents an improved evolutionary algorithm based on quantum computing for optimal steady-state performance of power systems. However, the proposed general quantum genetic algorithm (GQ-GA) can be applied in various combinatorial optimization problems. In this study the GQ-GA determines the optimal settings of control variables, such as generator voltages, transformer taps and shunt VAR compensation devices for optimal reactive power and voltage control of IEEE 30-bus and 118-bus systems. The results of GQ-GA are compared with those given by the state-of-the-art evolutionary computational techniques such as enhanced GA, multi-objective evolutionary algorithm and particle swarm optimization algorithms, as well as the classical primal-dual interior-point optimal power flow algorithm. The comparison demonstrates the ability of the GQ-GA in reaching more optimal solutions.     

A new real-coded stochastic Bayesian optimization algorithm for continuous global optimization

Estimation of distribution algorithms are considered to be a new class of evolutionary algorithms which are applied as an alternative to genetic algorithms. Such algorithms sample the new generation from a probabilistic model of promising solutions. The search space of the optimization problem is improved by such probabilistic models. In the Bayesian optimization algorithm (BOA), the set of promising solutions forms a Bayesian network and the new solutions are sampled from the built Bayesian network. This paper proposes a novel real-coded stochastic BOA for continuous global optimization by utilizing a stochastic Bayesian network. In the proposed algorithm, the new Bayesian network takes advantage of using a stochastic structure (that there is a probability distribution function for each edge in the network) and the new generation is sampled from the stochastic structure. In order to generate a new solution, some new structure, and therefore a new Bayesian network is sampled from the current stochastic structure and the new solution will be produced from the sampled Bayesian network. Due to the stochastic structure used in the sampling phase, each sample can be generated based on a different structure. Therefore the different dependency structures can be preserved. Before the new generation is generated, the stochastic network’s probability distributions are updated according to the fitness evaluation of the current generation. The proposed method is able to take advantage of using different dependency structures through the sampling phase just by using one stochastic structure. The experimental results reported in this paper show that the proposed algorithm increases the quality of the solutions on the general optimization benchmark problems.