一种基于迭代局部搜索的和声搜索算法

为了改进原始和声搜索算法的全局搜索性能,提出了基于迭代局部搜索的和声搜索算法.该算法在充分利用和声记忆库中信息和提高搜索效率的同时,对于不满足停止准则的新和声采用基于改进kick策略移动的迭代局部搜索算法进行寻优,从而使新算法具有较强的"爬山"能力.针对4个benchmark函数对新算法做了测试,并与粒子群优化算法以及已有的几个算法进行了比较,结果表明该算法跳出局部极值点的能力较强、收敛速度更快、寻优精度较高;最后将新算法应用到焊接梁的优化设计问题中,仿真结果验证了该算法在求解焊接梁最小造价问题时优于原始的和声搜索算法、遗传算法等方法.     

混合粒子群算法及在可靠性优化中的应用

针对粒子群算法搜索精度低和早熟收敛的缺陷,通过算法混合,提出了基于混沌与和声搜索算法思想的混合粒子群优化算法。该算法采用Tent映射,利用混沌特性提高种群的多样性和粒子搜索的遍历性,同时采用和声策略对解空间进行开发,引入了柯西变异,帮助粒子跳出局部陷阱,采用云模型的自适应策略来调整惯性权重。最后将该优化算法应用于可靠性优化设计中,仿真实验表明,改进后的混合粒子群优化算法较基本粒子群算法收敛速度加快,且不易陷入局部极值点。     

适应性粒子群寻优算法Ⅱ

适应性粒子群寻优算法Ⅰ(APSO-Ⅰ)是在有序的决策中始终引入随机的、不可预测的决定.为解决APSO-Ⅰ算法收敛深度不够的问题,提出适应性粒子群寻优第Ⅱ代算法(APSO-Ⅱ).APSO-ⅡⅢ算法是将有序(标准PSO粒子群寻优)和无序(自适应寻优)进行适当的分离.以发挥各自的优势.在自适应寻优阶段,通过在最优柱子邻域空间探寻更优化的解.一但新的优化解被发掘,便利用标准PSO快速寻优.典型复杂函数优化的仿真结果表明,APSO-Ⅱ在收敛速度和收敛深度上均优于DPSO(耗散型PSO),HPSO(自适应层次PSO),EPSO(自适应逃逸PSO)和APSO-I.     

基于RMSprop的粒子群优化算法

粒子群算法对所有粒子采用相同的惯性权重,忽视了单个粒子的特性,导致收敛精度偏低且易陷入局部最优.结合RMSprop算法中对每一个维度进行自适应设置的策略,提出一种自适应惯性权重粒子群优化算法RMSPSO.考虑粒子每一个维度的速度变化及动量,进行自适应动态惯性权重设置,使算法在全局寻优和局部寻优之间达到良好平衡.选取10个典型测试函数,将改进后的粒子群算法(RMSPSO)与4个主流粒子群算法进行实验对比分析,实验结果表明,在单峰、多峰和组合函数上,RMSPSO算法在收敛速度和收敛精度上取得了明显进步.     

自适应改进和声—单纯形进化算法研究

针对和声搜索算法的不足,提出了一种自适应改进和声—单纯形进化算法(AIHSEA)。通过在新算法中加入变异策略对和声微调进行改进来增强算法的鲁棒性;适时执行单纯形算子增加群体搜索的方向性来加快搜索;采用自适应参数HMCR、PAR和BW调节全局和局部搜索。采用六个标准的优化算法测试函数对AIHSEA进行测试,并与HS、IHS和GHS算法进行对比,仿真结果表明AIHSEA算法具有较强的精确寻优和跳出局部最优的能力。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于HS-PSO算法的PID控制器参数自整定

针对粒子群算法(PSO)算法局部搜索能力差的问题,提出一种对PID控制器参数进行自整定的基于和声搜索(HS)的改进粒子群优化算法(HS-PSO).通过引入种群进程因子对惯性权重进行自适应调节以提高PSO算法的收敛速度.另外在PSO进化过程中每代产生的最优个体以新陈代谢方式进入和声记忆库中并进行和声搜索,以克服粒子群优化...     

基于熵的自适应变异的粒子群优化算法

在研究标准粒子群算法原理的基础上,提出了一种基于熵的自适应变异粒子群优化算法.此算法利用熵来评价种群的多样性,并根据种群的多样性自适应地调整变异概率和变异算子,进而利用变异操作丰富种群多样性,扩大搜索空间,避免陷入局部最优.将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果表明了基于熵的自适应变异粒子群优化算法的可行性和有效性.     

适应性粒子群寻优算法Ⅱ

适应性粒子群寻优算法Ⅰ(APSO-Ⅰ)是在有序的决策中始终引入随机的,不可预测的决定.为解决APSO-Ⅰ算法收敛深度不够的问题,提出适应性粒子群寻优第Ⅱ代算法(APSO-Ⅱ).APSO-Ⅱ算法是将有序(标准PSO粒子群寻优)和无序(自适应寻优)进行适当的分离,以发挥各自的优势.在自适应寻优阶段,通过在最优粒子邻域空间探寻更优化的解,一但新的优化解被发掘,便利用标准PSO快速寻优.典型复杂函数优化的仿真结果表明,APSO-Ⅱ在收敛速度和收敛深度上均优于DPSO(耗散型PSO),HPSO(自适应层次PSO),AEPSO(自适应逃逸PSO)和APSO-Ⅰ.

     

具有群活性感知的自适应微粒群算法

算法结构和对信息的利用能力是影响算法性能的重要因素.标准微粒群算法简洁易用,然而在其寻优过程中,每个粒子仅仅向自身历史最优经验和种群历史最优经验学习,未能有效利用寻优过程中其他粒子的经验和状态信息;另外,单纯的基于二阶差分方程的迭代寻优方式在算法结构上增大了算法陷入局部最优的概率.为了从算法结构上减少微粒群算法早熟收敛和陷入局部最优的情况,本文提出了一种具有群活性感知的自适应微粒群算法:通过引入群活性对当前的寻优状态进行描述,然后根据群活性自适应地改变粒子的拓扑结构和搜索模式,在一定程度上增强了微粒群算法的全局收敛能力.基准函数测试结果证明了本算法的有效性和特点.     

学习型和声搜索算法及其在0-1 背包问题中的应用

针对现有和声搜索算法存在的不足,提出一种学习型和声搜索算法(LHS).根据目标函数值的变化,自适应调整和声记忆考虑概率(HMCR);引入学习机制,加快算法的搜索速度;动态调节基音调整概率(PAR),增强算法的全局搜索能力.对16个标准函数的测试结果表明,所提出的LHS算法与其他4种和声搜索算法相比具有较好的效果.最后将改进算法应用于10个0-1背包问题和1个经典的50维背包实例,实验结果表明LHS算法优于其他算法.关键词:和声搜索算法;自适应;学习策略;搜索速度;0-1背包问题     

基于选择操作的量子粒子群算法

针对量子行为的粒了群优化(QPSO)算法存在早熟收敛的缺点,首先结合选择操作,提出2种改进的QPSO算法:基于锦标赛选择的QPSO算法和基十轮盘赌选择的QPSO算法,并施加到全局最优位置,以提高算法的搜索能力;然后证明了此算法的全局收敛性.典型标准函数优化的仿真结果表明,该算法具有较强的全局搜索能力.     

一种基于拟态物理学优化的多目标优化算法

提出一种使用拟态物理学优化(APO)解决多目标优化问题的算法(MOAPO).根据多目标优化问题的特点,借鉴聚集函数法的思想,利用APO算法实现了对多目标优化问题中Pareto最优解集的搜索,并且在搜索过程中动态调整惯性权重与引力因子,以增强非劣解的多样性.实验结果表明了将APO应用于多目标优化问题的有效性.通过与基于微粒群优化(PSO)的多目标优化算法及NSGA-Ⅱ算法的比较,表明了MOAPO算法具有较好的分布性.     

基于混合和声搜索算法求解竞争选址问题

针对竞争选址问题,提出一种新的混合和声搜索算法。混合和声搜索算法初始化和声记忆库时结合了贪婪算法,降低了初始解的不可行性概率。在寻优过程中,引入了鱼群算法的觅食行为,提高了算法跳出局部最优解的能力和收敛速度。即兴产生一个新的和声时,充分考虑了当前最优解的指导作用,提出了新的基因调整方法,增强了算法的探索能力。在竞争选址问题上对所提出的算法进行了测试,仿真结果验证了所提出算法的有效性。     

基于改进粒子群算法的离子膜车间调度问题研究

针对某电化厂离子膜车间的调度问题,以产值最大化为目标函数,建立具有中间存储的连续和批处理过程相结合的多产品多批次调度模型.提出一种改进的粒子群算法(IPSO),加入自适应混沌变异操作,在加强算法局部搜索能力的同时保证搜索过程中种群的多样性,并利用IPSO对建立的模型进行求解.仿真结果表明了模型和算法的有效性,在满足计划的前提下,获得了满意的日生产总值.     

一类非线性时滞系统的鲁棒模糊自适应控制

针对一类非线性时滞系统,给出一种鲁棒模糊自适应跟踪控制算法.该非线性系统包含不确定项,其控制增益部分也是不确定的.针对这种特殊的系统,通过对非线性部分的_在线逼近,给出了控制律和自适应律.Lyapunov稳定性分析表明,该闭环系统中的所有信号都是稳定的.仿真结果验证了控制器的有效性.     

具有输入齿隙的一类非线性不确定系统自适应鲁棒控制

针对一类具有未知输入齿隙、参数不确定以及未建模动态和干扰的非线性系统,设计了自适应鲁棒控制器.将齿隙非线性模型等价表示为具有有界建模误差的全局线性化模型,在此基础上设计了包含自适应模型补偿、反馈稳定和鲁棒反馈3部分的自适应鲁棒控制器,并给出了系统动态跟踪误差和稳态误差指标.理论分析证明,闭环控制系统信号有界且跟踪误差在任意期望的精度范围内,仿真研究验证了所提出方法的有效性.     

一类MISO 最小相位系统的执行器故障自适应容错控制

针对一类具有执行器卡死或/和变执行器故障的多输入单输出(MISO)非线性最小相位系统,提出一种自适应容错跟踪控制方案.采用自适应算法估计系统的不确定性,利用神经网络逼近执行器未知故障函数,以完成执行器组合故障状态下的跟踪控制.所设计的控制律不仅保证了闭环系统稳定,而且所有状态均有界,跟踪误差一致最终有界.仿真结果表明了所提出方法的有效性.     

电弧炉电极调节系统的自适应死区补偿控制

电弧炉电极调节系统存在死区非线性,这将给控制系统带来稳态误差,甚全会造成系统不稳定.为此,针对断点不对称且斜率不相等的死区特性,提出一种自适心死区补偿方法.通过引入死区逆非线性环节,并在线更新未知的死区逆参数,达到完全补偿死区的效果.利用Lyapunov方法证明了参数估计误差的收敛性.仿真结果验证了所提出方法的有效性.     

融合微粒群的多种群协同进化免疫算法

提出一种融合微粒群的多种群协同免疫优势克隆选择算法(PMCICA).该算法将生态学中的协同进化思想引入人工免疫算法中,各子种群内部通过免疫优势克隆选择操作加快了种群收敛速度;所有子种群共享经过改进微粒群优化的高层优良库,实现了整个种群信息共享与协同进化.针对旅行商问题(TSP)的多个实验结果表明,该算法在收敛速度与最优解等方面均取得了较好的效果.