一种求解约束优化问题的新算法

演化算法基于达尔文的适者生存的原理,通过模拟大自然演化过程寻找问题的最优解。由于演化算法的全局性、灵活性、自适应性和稳健性,它特别适用于解象非线性、不可导和多峰等高难度优化问题。近年来,演化算法已经成功地解决了一些工程优化问题。毫无疑问,演化计算是一类解决高难度优化问题最重要的办法之一。     

求解约束优化问题的新方法

提出了用于解决约束优化问题的新的类电磁机制算法,针对约束优化问题,利用惩罚函数法,构造了新的适应度函数,将约束问题转化为无约束问题求解,结合类电磁机制算法的寻优特点,设计了适合于问题特点的局部搜索过程,并重新定义了粒子的电荷和力的计算公式,以使在算法实现过程中,引导不可行点逐步向可行点转化,并最终找到问题的最优解。数值模拟结果验证了算法的有效性。     

求解约束优化问题的一种新算法

提出了一种求解约束优化问题的微分进化算法。该算法使得种群在演化过程中能保持较好的多样性,且参数设置简单,不容易陷入局部最优,并能在较短时间内找到问题的最优解。在对多个测试函数的数值模拟中都得到了较好的结果,体现了该算法的有效性、通用性和稳健性。     

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。     

改进藤壶配尾优化算法求解高维连续优化问题

为增强藤壶配尾优化算法(barnacles mating optimizer, BMO)的全局探索性能和局部寻优精度,融合藤壶幼虫的沉降附着行为与正反向递减铸型策略提出一种改进藤壶配尾优化算法(improved BMO, IBMO)并将其用于求解高维连续优化问题。沉降附着行为模型受自然界藤壶幼虫随潮浮游、螺旋沉降的行为启发所构建,以增加种群多样性并改善算法的全局探索性能。正反向递减铸型策略借鉴反向学习思想并融入递减调控机制修正传统藤壶优化算法的精子铸型过程,以扩增种群的局部搜索域并改善算法的局部开采性能。实验结果表明,两种策略可分别有效改善藤壶优化算法的全局探索和局部开采性能;同时,所提IBMO算法相较于其他新近智能算法则表现出更高收敛精度、更强算法稳健性和良好高维适用性等。     

一种求解约束优化问题的新粒子群算法

结合外点法具有局部搜索能力强、处理约束条件简单的特点,把违反约束的粒子用外点法处理以满足约束设计出一种新的粒子群算法求解约束优化问题.实验结果表明,新算法性能优于现有其它算法,是一种通用、高效、稳健的智能算法.它兼顾粒子群算法和外点法的优点,既有较快的收敛速度,又能以非常大概率求得约束优化问题的全局最优解,同时还提高了解的精度.     

有等式约束优化问题的粒子群优化算法

目前大多数粒子群优化算法针对无约束优化问题或不等式约束优化问题,求解有等式约束优化问题的方法是把每个等式约束变成两个不等式约束,这种方法的缺点是在进化过程中粒子位置很难满足等式约束条件,影响了收敛速度和解的精度。提出了求解有等式约束优化问题的两种新粒子群优化算法,数值试验结果表明,算法是有效的。     

一种基于粒子群算法求解约束优化问题的混合算法

通过将粒子群算法(PSO)与差别进化算法(DE)相结合，提出一种混合算法PSODE，用于求解约束优化问题．PSODE是在PSO算法中适当引入不可行解，将粒子群拉向约束边界，加强对约束边界的搜索，同时与DE算法结合以加强搜索能力．基于典型高维复杂函数的仿真表明，该算法简单高效，鲁棒性强．     

一种新的自适应惩罚函数算法求解约束优化问题

提出一种新的自适应惩罚函数法,用来处理约束优化问题．这种方法根据当前群体中可行解的比例对目标函数和违反约束条件的程度作出合适的权衡,具有结构简单、参数少等优点．把它和一个简单的进化策略结合起来,得到了一种新的求解约束优化问题的进化算法．选取几个常见的测试函数对这种新方法进行了数值实验．结果表明,所提方法能够非常有效地处理各种约束优化问题,而且具有很强的稳健性;其性能优于或相似于一些尖端的算法．     

一种新的遗传算法求解约束优化问题

采用十进制编码的遗传算法，在进化计算中提出用排序、保留优秀个体、智能变异和随机变异代替以前遗传算法中的选择、交叉和变异，此算法具有简单的计算原因，简化了遗传算法的编程，利用变换后的目标函数构造适配值，能较快的找到最优解，数值实验表明该算法在求解有约束优化问题上表现良好。     

基于子区域的粒子群优化算法研究

针对粒子群优化(PSO)算法在寻优时容易陷入局部最优的不足,提出一种基于子区域的PSO算法。将搜索空间划分成若干个子区域,在各个子区域中均使用标准PSO算法进行寻优,通过比较各个子区域的全局最优解,从而得出整个搜索空间的全局最优。与标准PSO算法及自适应变异PSO算法的比较结果表明,该算法能降低在寻优过程中陷入局部最优的概率,具有较强的寻优能力。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

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。     

信息熵协进化粒子群算法

针对基本粒子群算法具有搜索初期收敛速度慢,后期易陷入局部极值点的缺陷,引入信息熵衡量粒子群体的适应度值,结合模拟退火算法,提出一种基于信息熵混合协进化粒子群算法,增强了算法的自适应能力。通过4个标准函数对提出的算法进行了测试,仿真结果表明,算法是有效和可行的,且比基本粒子群算法的计算精度高。     

粒子群优化算法求解地图四色问题

针对地图四色问题,重新定义了粒子群优化算法中粒子的位置、速度及其运算规则,并融入了遗传算法的变异思想,在传统粒子群优化算法的基础上增加了变异算子。将改进后的粒子群优化算法在湖南省地图上进行仿真实验,结果表明改进后的算法在全局寻优能力方面有较大的提高,求解速度和稳定性方面也都取得了较为满意的效果。     

基于自适应扰动的粒子群优化算法

为了避免粒子群优化算法（PSO）早熟收敛,提出了一种自适应扰动的PSO算法（ADPSO）,以帮助停滞的粒子跳出局部最优。为了验证算法的有效性,实验测试了九个多峰函数,包括四个旋转函数。仿真结果表明,该算法优于其他五种PSO算法。     

一种改进的变步长自适应GSO算法

基本萤火虫群优化(GSO)算法在求解全局优化问题时,存在收敛速度慢、求解精度不高等问题。为此,提出一种变步长自适应GSO算法。该算法在一定程度上可以避免GSO算法过早陷入局部最优,且步长随迭代次数的增加而自适应地调整,从而使算法在后期获得精度更高的解。运用6个标准测试函数进行实验,结果表明,与GSO算法相比,该算法的收敛速度及精度均有明显提高。     

解决单机准时调度问题的混合粒子群算法

针对共同交货期给定的单机准时调度问题,提出了一种混合粒子群优化（Hybrid Particle Swarm Optimization,HPSO）算法。该算法采用了工件排列和开工时间混合的粒子编码方式及新的粒子产生策略,非常适合于求解开工时间不为零的调度问题。为了提高算法性能,将HPSO分别与模拟退火算法、局部搜索算法和迭代的局部搜索算法相结合,得到了三种混合算法：HPSO1、HPSO2和HPSO3。基于典型算例的试验表明：三种算法在求解质量和求解效率两方面均优于Hino等人的研究成果。     

PSO与捕鱼策略相结合的优化方法

在分析粒子群优化算法（PSO）和采用捕鱼策略的优化方法（FSOA）存在不足的基础上,提出一种将PSO融入捕鱼策略中的优化算法。该算法要求渔夫在打渔活动中采用灵活机动的多点随机抛投鱼网策略。将该优化算法用于解决三个典型的带约束的函数优化问题,优化实验仿真结果表明,该方法具有收敛速度快、优化精度高、稳定性好的特点,具有较好的全局寻优能力。