基于分布估计算法的连续函数全局优化问题研究

分布估计算法从宏观的角度建立一个概率模型,用来描述解空间的分布,从而通过进化计算获得优势个体。目前,离散型分布估计算法研究已经比较成熟,而连续型分布估计算法研究进展缓慢。采用均匀分布缩小采样领域的思想,设计新的分布估计算法求解连续型优化问题。实验数据表明,该分布估计算法对于求解连续型问题是有效的。     

基于分布估计算法的人工神经网络优化设计

布估计算法是一类新的进化算法,它通过统计在当前群体中选出的个体信息给出下一代个体分布的概率统计,用随机取样的方法生成下一代群体。文章将建立在一般结构Gauss网络上的分布估计算法应用于人工神经网络的优化。仿真实验结果表明,分布估计算法用于优化神经网络,可以在很短的时间内收敛至全局最优解,避免了BP算法的不足,提高了网络的学习性能,从而为人工神经网络的优化提供了一种新的途径。     

一种基于JADE改进的差分演化算法

差分演化算法有局部搜索能力不足、容易跌入局部最优等缺点,其搜索性能主要依赖于对杂交概率和缩放因子的设置。为了改善上述缺陷,对带归档的自适应差分演化算法JADE进行深入的研究与分析,提出了改进的自适应差分演化算法ZJADE。该算法采用斜帐篷混沌映射函数初始化种群,在每次迭代中为每个个体分别产生满足正态分布、柯西分布的杂交概率和满足正态分布的缩放因子,并且记录成功变异个体的杂交概率和缩放因子,引入统计杂交概率,采用两种策略自适应地更新杂交概率。在13个经典测试函数上将ZJADE算法与多种经典自适应差分演化算法进行对比,实验结果表明,ZJADE算法在解的精度与收敛速度上更优,具有更好的搜索性能。     

基于自适应反向学习的多目标分布估计算法

针对基于规则模型的多目标分布估计算法全局收敛性较弱的缺陷,提出了一种基于自适应反向学习（OBL）的多目标分布估计算法。该算法根据函数变化率的大小来决定是否进行OBL：当函数变化率较小时,算法可能陷入局部最优,所以进行OBL以提高当前种群中个体的多样性;当函数变化率较大时,运行基于规则模型的多目标分布估计算法。所提算法通过适时地引入OBL策略,减小了种群多样性及个体的分布情况对优化算法整体收敛质量以及收敛速度的影响。为了验证改进算法的性能,选取基于规则模型的多目标分布估计算法（RM-MEDA）、摸石头过河算法与分布估计混合算法（HWSA-EDA）以及基于逆建模的多目标进化算法（IM-MOEA）作为对比算法与所提算法分别在ZDT和DTLZ测试函数上进行测试。测试结果表明,除了在DTLZ2函数上以外,所提算法不仅有良好的全局收敛性,而且解的分布性和均匀性都有所提高。     

基于分布估计算法的人工神经网络优化设计

布估计算法是一类新的进化算法,它通过统计在当前群体中选出的个体信息给出下一代个体分布的概率统计,用随机取样的方法生成下一代群体.文章将建立在一般结构Gauss网络上的分布估计算法应用于人工神经网络的优化.仿真实验结果表明,分布估计算法用于优化神经网络,可以在很短的时间内收敛至全局最优解,避免了BP算法的不足,提高了网络的学习性能,从而为人工神经网络的优化提供了一种新的途径.     

一种动态融合的并行混合进化算法EDAs/PSO

在介绍分布估计算法和粒子群算法的基础上,提出一种动态融合的并行混合进化算法EDAs/PSO。该算法采用分布估计算法和粒子群算法两种模型,既保持了分布估计算法较强的全局搜索能力,又保持了粒子群算法较强的局部搜索能力;另一方面,又采用一种动态融合的并行策略,通过周期性地对子种群中的个体按照一定的迁移率进行迁移操作,保证了种群的多样性,从而防止了算法的早熟收敛,提高了解的精度。实验结果表明了该算法的有效性和正确性。     

混合分布估计算法求解随机Job shop 提前/拖期调度问题

针对加工时间具有随机特性的Job shop 调度问题, 提出基于分布估计算法的混合算法. 为增强分布估计算法的种群多样性, 定义了父代工序继承率并设计一种可保留父代个体优良结构特征的重组方法, 该方法在继承父代个体优良结构特征的同时避免了非法解的产生. 在个体选择评价阶段, 采用最优计算量分配策略为每个个体分配模拟量以提高个体评价的精确性. 仿真算例表明了所提出算法的有效性和鲁棒性.

     

利用条件概率和Gibbs抽样技术为分布估计算法构造通用概率模型

本文针对传统分布估计算法在建立概率模型时面临的各种困难,提出一种基于条件概率和Gibbs抽样的概率模型,能有效改进分布估计算法的通用性.使用该模型的分布估计算法利用进化过程中有前途的优秀个体构造出多个监督学习样本集,并对每个样本集估计出对应分量的条件概率,再使用这一组条件概率进行Gibbs抽样产生新的个体替代种群中的劣等个体.通过仿真实验表明,改进后的算法能够求解出可加性降解函数的全局最优解,表现出较强的全局优化能力.     

基于精英协同的多种群分布估计算法

针对传统分布估计算法局部搜索能力弱,易陷入早熟收敛的问题,在分布估计算法的基础上引入精英策略并采用划分子种群独立进化的方式,提出一种基于精英协同的多种群分布估计算法。该算法混合了两种后代产生的策略:一种是进化过程采用精英协同操作用于进行局部搜索并开辟出新的搜索空间,另一种是采用划分子种群独立进化方式保证种群间个体的多样性。基准测试函数实验结果表明,该算法在收敛性和多样性方面均表现出明显优势。     

一种基于混合因子分析的分布估计算法

提出了一种基于混合因子分析的分布估计算法．首先用次胜者受罚的竞争学习算法对选出的最优个体集合聚类，然后对每个类用因子分析模型进行分布信息的估计．为了保持种群的多样性，算法保留那些具有较好适应值并且与所选的最优个体集合较远的个体，并利用聚类的参数来减少计算量．试验结果证实了算法的性能．     

基于分布式估计算法的群体智能优化

为了更好地求解连续函数最优化问题,对基于正态分布的分布式估计算法进行改进,在原算法的基础上引入优势替换、竞争和模式搜索等机制。为了验证所提策略和算法的有效性,对所提出的5种改进算法进行比较,证明改进的策略模块是有效的,相比现有算法能够收敛到更好的解。对5种算法进行数值仿真,求出每种函数在不同测试函数下30次实验后的平均适应值,以及描述算法稳定性的若干统计量。最后基于数值仿真的结果,对改进效果进行分析讨论。     

一种新的融合分布估计的蚁群优化算法

提出了一种新的融合分布估计的蚁群优化算法。该算法突破了传统蚁群过早收敛的局限性,且蚁群中的每个蚂蚁具有更全面的学习能力,从而能够有效地解决组合优化问题。仿真实验结果表明该算法的性能优于现有的其它几种蚁群优化算法。     

求解柔性流水车间调度问题的高效分布估算算法

针对最小化最大完工时间的柔性流水车间调度,利用事件建模思想,线性化0-1混合整数规划模型,使得小规模调度问题通过Cplex可以准确求解,同时设计了高效分布估算算法来求解大规模调度问题.该算法采用的是一种新颖的随机规则解码方式,工件排序按选定的规则安排而机器按概率随机分配.针对分布估算算法中的概率模型不能随种群中个体各位置上工件的更新而自动调整的缺点,提出了自适应调整概率模型,该概率模型能提高分布估算算法的收敛质量和速度.同时为提高算法局部搜索能力和防止算法陷入局部最优,设计了局部搜索和重启机制.最后,采用实验设计方法校验了高效分布估算算法参数的最佳组合.算例和实例测试结果都表明本文提出的高效分布估算算法在求解质量和稳定性上均优于遗传算法、引力搜索算法和经典分布估算算法.     

基于奇Gabor滤波器与Rayleigh分布的边缘检测

为了自适应地更好地进行边缘检测,提出了一个基于奇Gabor滤波器与Rayle igh分布的边缘检测方法。在边缘响应获取中,由于该方法改进了原有的基于奇Gabor滤波器的边缘响应获取方法,从而提高了计算效率,并且避免了原算法对初始梯度方向估计的依赖。同时根据奇Gabor滤波器的一阶微分属性,可对其边缘输出响应利用Rayle igh分布进行拟合。为克服已有算法中阈值选择的局限性,还提出了一种基于Rayle igh分布的非线性自适应阈值选择方法。实验结果表明,所提出的边缘检测方法具有较好的检测性能和自适应性。     

基于分布估计算法的配电网故障区段定位

传统的人工智能算法在配电网馈线故障定位中的应用广泛,存在初始种群规模大,迭代次数多以及易陷入局部最优等缺陷。提出一种基于分布式估计算法的配电网故障区段定位方法,该方法将故障区段向量作为正确解,通过建立解空间内个体分布的概率模型,对模型采样,逐步提高最优故障区段向量在解空间内出现的概率。仿真结果表明将分布估计算法应用于多源开环条件下的配电网故障区段定位有着较快的故障定位速度和良好的容错性。     

基于改进人工蜂群算法的配电网重构方法

为提高配电网运行的经济性和供电的可靠性,本文选取系统平均停电频率和系统平均停电持续时间两个指标来表征配电网的供电可靠性,并同时考虑有功网损的因素,建立了计及供电可靠性指标的配电网多目标重构模型.本文将量子理论和Metropolis准则引入到人工蜂群算法中,并通过模糊满意度决策方法来确定多目标重构模型的最优解,提出了基于改进人工蜂群算法的配电网多目标重构模型优化方法.建立配电网重构实例仿真系统,通过与其它智能方法的重构对比分析证明了本文重构模型及求解方法的可行性和优越性.     

Bayes估计在二项式分布交通流检测中的研究

为了能够减少交通流量错误估计造成的经济损失,准确的掌握交通流分布情况,多传感器信息融合的理论被引入到交通流的检测中,并且以此为基础,利用Bayes参数估计理论对交通流分布情况进行估计.在交通流量符合二项式分布的情况下,用Bayes分别估计了交通流中的参数无先验概率(先验概率为均匀分布)和先验概率为正态分布两种情况下的交通流量.通过仿真实验发现,在先验概率已知的情况下,运用Bayes估计理论对交通流进行检测,可以得到与实际情况相符的车流量分布情况,并且准确率较高,而且运算速度快,具很强的有实时性和实用性.