求解非线性方程组的社会认知算法

将非线性方程组的求解问题转化为函数优化问题,应用一种新的智能优化算法——社会认知算法求解此优化问题,实验结果表明了社会认知算法在求解非线性方程组时的可行性和有效性。     

基于改进的粒子滤波非线性约束优化算法

传统的非线性约束优化算法的精度较低,为了克服这一问题,提出了一种基于粒子滤波的新型优化算法。该算法用于解决非线性约束优化问题,并结合粒子滤波器的模型和机制。首先,利用粒子滤波算法的基本原理建立这种优化算法,并给出算法的操作步骤;然后将非线性约束优化问题转换为函数优化问题函数优化问题,并针对非线性约束优化问题,建立粒子滤波优化算法的数学模型。仿真实验结果证明了这种新型算法的正确性,并且表明了相对于传统的优化算法,基于粒子滤波器的优化方法在解决非线性优化问题方面具有更高的效率和速率,并对今后的非线性约束优化问题具有适应性。     

求解非线性约束问题的混合粒子群优化算法

将处理约束问题的乘子法与改进的粒子群算法相结合,提出了一种求解非线性约束问题的混合粒子群算法。此算法兼顾了粒子群优化算法和乘子法的优点,对迭代过程中出现的不可行粒子,利用乘子法处理后产生可行粒子,然后用改进的粒子群算法来搜索其最优解,这样不仅减小了粒子群算法在寻优过程中陷入局部极小的概率,而且提高了搜索精度。数值试验结果表明提出的新算法具有搜索精度更高、稳定性更强、鲁棒性更好等特点。     

约束优化进化算法

约束优化问题是科学和工程应用领域经常会遇到的一类数学规划问题.近年来,约束优化问题求解已成为进化计算研究的一个重要方向.从约束优化进化算法=约束处理技术+进化算法的研究框架出发,从约束处理技术和进化算法两个基本方面对约束优化进化算法的研究及进展进行了综述.此外,对约束优化进化算法中的一些重要问题进行了探讨.最后进行了各种算法的比较性总结,深入分析了目前约束优化进化算法中亟待解决的问题,并指出了值得进一步研究的方向.     

求解非线性问题的改进社会认知优化算法

针对社会认知优化算法中知识点的更新过程遍历性不强,不利于快速获得最优解的问题,通过引入一维Kent映射函数和混沌因子,对算法中的邻域搜索过程进行优化和改进,使得更新的知识点数值更合理,分布更均匀。实验数据表明,使用该社会认知优化算法在求解非线性问题时,较遗传算法和标准社会认知优化算法收敛速度更快,准确率更高,函数目标值更接近理论值。     

微粒群算法在非线性约束优化中的应用

该文将微粒群算法(PSO)应用于非线性约束优化问题的求解,提出了一种求解非线性约束优化问题的新算法,数值试验表明该算法具有很强的全局寻优能力。     

一类动态非线性约束优化问题的新解法

动态非线性约束优化是一类复杂的动态优化问题,其求解的困难主要在于如何处理问题的约束及时间（环境）变量。给出了一类定义在离散时间（环境）空间上的动态非线性约束优化问题的新解法,从问题的约束条件出发构造了一个新的动态熵函数,利用此函数将原优化问题转化成了两个目标的动态优化问题。进一步设计了新的杂交算子和带局部搜索的变异算子,提出了一种新的多目标优化求解进化算法。通过对两个动态非线性约束优化问题的计算仿真,表明该算法是有效的。     

改进的粒子群算法求解非线性约束优化问题

提出了一种改进的粒子群算法（Improved Particle Swarm Optimization,IPSO）,使用了一种新型的变异策略,并在搜索过程中将部分邻近的个体聚集成核,从而形成多子群引导粒子探测新的搜索区域,采用了简单易行的罚函数约束处理机制,使算法在求解较难的非线性约束优化问题时具有很强的全局搜索能力与效率。对比数值实验结果表明,该算法能够有效、稳定地求解非线性约束优化问题。     

约束优化进化算法综述

约束优化进化算法主要研究如何利用进化计算方法求解约束优化问题,是进化计算领城的一个重要研究课题.约束优化问题求解存在约束区域离散、等式约束、非线性约束等挑战,其问题的本质是如何处理可行解与不可行解的关系才能使得算法更高效.本文首先介绍了约束优化问题的定义,然后系统地分析了目前存在的约束优化方法,同时基于约束处理机制将这些方法分为罚函数法、可行性法则、随机排序法、约束处理法、多目标优化法、混合法六类,并从约束处理方法的方面对约束优化进化算法的最新研究进展进行综述.最后,指出约束优化进化算法需进一步研究的方向与关键问题.     

混合微粒群算法在非线性约束优化中的应用

本文将微粒群算法(PSO)与罚函数法结合,提出了一种求解非线性约束优化问题的新算法,数值试验表明该算法具有很强的全局寻优能力。     

基于社会认知算法的软件可靠性分配问题研究

针对软件可靠性分配问题中求解全局最优解的困难,在保证系统开发费用最低的前提条件下,将可靠性指标分配到每个模块中,并利用一种新的智能优化算法——社会认知算法来搜索模型的最优解。实验结果表明了社会认知算法在求解软件可靠性分配问题中的有效性。     

A hybrid multi-swarm particle swarm optimization to solve constrained optimization problems

In the real-world applications, most optimization problems are subject to different types of constraints. These problems are known as constrained optimization problems (COPs). Solving COPs is a very important area in the optimization field. In this paper, a hybrid multi-swarm particle swarm optimization (HMPSO) is proposed to deal with COPs. This method adopts a parallel search operator in which the current swarm is partitioned into several subswarms and particle swarm optimization (PSO) is severed as the search engine for each sub-swarm. Moreover, in order to explore more promising regions of the search space, differential evolution (DE) is incorporated to improve the personal best of each particle. First, the method is tested on 13 benchmark test functions and compared with three stateof-the-art approaches. The simulation results indicate that the proposed HMPSO is highly competitive in solving the 13 benchmark test functions. Afterward, the effectiveness of some mechanisms proposed in this paper and the effect of the parameter setting were validated by various experiments. Finally, HMPSO is further applied to solve 24 benchmark test functions collected in the 2006 IEEE Congress on Evolutionary Computation (CEC2006) and the experimental results indicate that HMPSO is able to deal with 22 test functions.     

自适应约束优化混合粒子群算法

提出一种混合粒子群优化算法用于求解约束优化问题。新算法的主要特点是：在搜索机制方面,利用混沌初始化种群以提高初始群体的质量。为了扩大粒子的搜索范围,引入柯西变异算子。利用单形交叉算子对种群进行局部搜索。在约束处理技术方面,根据当前种群中可行解比例自适应地选择不同的个体比较准则。数值实验结果表明了该算法的有效性。     

Co-evolutionary particle swarm optimization to solve constrained optimization problems

This paper presents a co-evolutionary particle swarm optimization (CPSO) algorithm to solve global nonlinear optimization problems. A new co-evolutionary PSO (CPSO) is constructed. In the algorithm, a deterministic selection strategy is proposed to ensure the diversity of population. Meanwhile, based on the theory of extrapolation, the induction of evolving direction is enhanced by adding a co-evolutionary strategy, in which the particles make full use of the information each other by using gene-adjusting and adaptive focus-varied tuning operator. Infeasible degree selection mechanism is used to handle the constraints. A new selection criterion is adopted as tournament rules to select individuals. Also, the infeasible solution is properly accepted as the feasible solution based on a defined threshold of the infeasible degree. This diversity mechanism is helpful to guide the search direction towards the feasible region. Our approach was tested on six problems commonly used in the literature. The results obtained are repeatedly closer to the true optimum solution than the other techniques.     

解决约束优化问题的改进粒子群算法

针对约束优化问题的求解,提出一种改进的粒子群算法（CMPSO）。在CMPSO算法中,为了增加种群多样性,提升种群跳出局部最优解的能力,引入种群多样性阈值,当种群多样性低于给定阈值时,对全局最优粒子位置和粒子自身最优位置进行多项式变异;并根据粒子违背约束条件的程度,提出一种新的粒子间比较准则来比较粒子间的优劣,该准则可以保留一部分性能较优的不可行解;为提升种群向全局最优解飞行的概率,采取一种广义学习策略。对经典测试函数的仿真结果表明,所提出的算法是一种可行的约束优化问题的求解方法。     

非线性约束优化问题的自适应差分进化算法

提出了一种非线性约束优化问题改进的自适应差分进化算法。该算法对差分进化算法中固定的加权因子和交叉概率因子进行改进;定义了约束违反度函数,将约束优化问题转化为无约束双目标优化问题,在每次迭代中按照约束违反度的大小保留一部分性能较优不可行粒子,有效地维持了种群的多样性;为了扩大粒子的搜索范围引入变异算子。数值实验表明,新算法具有较快的收敛速度和较好的全局寻优能力。     

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。