基于斐波那契树优化算法的切削参数多方案优化方法

针对切削参数优化问题,以生产成本最小化为优化目标,基于斐波那契法最优化原理与黄金分割法,提出斐波那契树优化算法(FTO)进行优化求解.该算法通过全局探索与局部寻优交替进行,达到快速收敛到全局最优解的目的,避免陷入局部最优;通过设置距离参数保留多个有价值的全局最优解和局部最优解,可以一次性得到多个全局最优的优化设计方案.8个典型多峰函数的测试结果表明,FTO算法具有较强的全局寻优能力和较高的寻优精度.利用FTO算法对切削参数进行优化,仿真结果表明,所提出算法能够找到多个满足约束条件的切削参数优化结果.采用多方案优化方法不仅能一次性得到多个生产成本最低的最优解,还能给出切削参数的优化组合取值.多方案优化方法使优化算法应用于工程优化问题具有现实意义.     

一种改进的禁忌-粒子群算法及应用

针对粒子群优化算法(PSO)的局部搜索能力差和存在早熟收敛的问题,将禁忌搜索(TS)思想融入到粒子群算法中,提出一种新的禁忌搜索的粒子群优化算法.新算法结合了PSO和TS各自的优点,在寻优前期利用粒子群算法得到较好的初始值,同时将个体极值pbest放人禁忌表,在寻优后期,当粒子的搜索能力减弱时,利用禁忌搜索算法中禁忌表的短期记忆功能,使其跳出局部最优解,并且在搜索过程中允许接受劣解.将改进的算法应用于函数的优化,仿真结果表明,改进算法具有计算精度高、稳定性强的特点,是一种非常有效的计算智能方法.     

新的混合智能优化算法及其多目标优化应用

针对人工鱼群算法后期收敛速度较慢、解精度不高的不足,按照分阶段寻优和变参数寻优的改进策略,并结合禁忌搜索算法中的相关规则,提出一种新的混合智能优化算法。该算法将寻优过程分为锁定最优解或者局部解邻域和求得高精度最优解两个阶段,每个阶段设置不同的参数并结合禁忌搜索算法以提高收敛速度和最优解精度。典型函数验证表明,该算法收敛速度快、精度高;同时,对于多目标优化问题,该算法可以提高Pareto最优解集质量,扩大决策分布范围,维持决策多样性,有利于决策者作出决策。     

基于禁忌搜索与扰动策略的探针部署算法

在采用改进蚁群算法对智能电网探针部署无向图最小点覆盖集求解过程中，由于对相邻顶点的重复计算，导致计算时间增加，使计算结果陷入局部区域求解。基于此，提出一种基于禁忌搜索与扰动策略的探针部署算法。通过结合快速邻域切换以及建立禁忌表增强局部寻优能力并减少计算时间，结合扰动策略扩展集合求解范围，使所求解最小点覆盖结果达全局最优。实验结果表明，相比改进蚁群算法，该算法计算时间更少，寻优能力更强，寻优范围更广。     

基于双层优化的非线性系统多模型建模方法

针对非线性系统的建模问题,借鉴种群划分和递阶进化的思想,设计了一种基于双层优化的多模型建模方法。该方法将多模型建模问题转化为一个双层优化问题,在上层采用多个种群对多模型的区域进行优化划分,在下层采用多个个体微粒对各个局部模型的参数进行寻优,从而有效避免了多个参数同时优化带来的局部最优问题。最后,通过微粒群优化算法对其进行求解,并通过一个仿真算例验证了该建模方法的有效性。     

无线传感器网络路径寻优的仿真研究

研究无线传感器网络路径寻优问题.针对无线传感器网络路径寻优同时涉及到数据传输路径的长度、传感器节点能量以及整个网络的能量均量均衡,传统的数学模型对其进行求解存在求解时间长,速度慢,得到的路径并非最优,导致网络的能量不均衡,网络生命周期短.为了快速找到传感器网络最优路径,提出一种传感器路径混合寻优方法.算法首先利用遗传算法进行全局寻优,使网络最优路径稳定地分布在解空间区域,然后采用禁忌算法进行网络路径局部寻优,最后找到无线传感器最优路径.仿真结果表明,混合算法能快速找到无线传感器网络最优路径,且消耗的能量最少,有效实现了网络负载均衡,延长了网络的生命周期.     

强化Dynasearch & TS算法求解酸轧生产调度问题

酸轧生产调度的主要任务是在满足酸轧机组生产工艺和能力约束下, 考虑下游机组的流向需求,为保证生产连续性和平滑过渡的要求,从给定候选池中选择适合的板卷构成一个酸轧调度单元. 针对此问题, 本文建立了以最小化过渡费用和调度单元剩余容量惩罚费用为目标的整数规划模型, 提出了一种嵌入强化Dynasearch算法的禁忌搜索混合算法. 该混合算法采用基于最小插入法的两阶段启发式产生初始解, 根据采用邻域结构的不同设计双禁忌表, 为了避免算法陷入局部最优, 在禁忌搜索的每次迭代过程中嵌入Swap邻域和Inner-insert邻域相结合的多交换Dynasearch邻域, 并设计了多项式动态规划算法搜索该邻域. 针对问题的特征, 提出了Block分区结构, 基于此分析了多个可行解性质, 有效降低了搜索空间. 与一般禁忌搜索算法比较, 结果表明所提出的强化Dynsearch TS (Tabu search)算法求解效果明显优于一般TS算法, 平均改进量为3.62%, 算法运行时间大大缩短. 验证了该算法在解决此类问题的有效性.     

基于混合遗传禁忌搜索算法的多机器人任务分配

为解决传统遗传算法在求解仓储多机器人任务分配问题时，收敛速度慢且容易陷入局部极值的问题，该文提出一种混合遗传禁忌搜索算法。首先以机器人配送成本最小为目标建立数学模型；然后在传统的遗传算法中引入禁忌搜索算法中的禁忌表和藐视准则，来对遗传算法每次迭代后的种群进行优化调整，使得算法能够跳出局部最优且快速收敛。仿真结果表明，混合遗传禁忌搜索算法能有效地改善遗传算法的全局寻优能力，提升仓储的整体运行效率。     

基于混合微粒群算法的说话人识别

为了解决传统高斯混合模型(GMM)对初值敏感,在实际训练中极易得到局部最优参数的问题,提出了一种采用微粒群算法优化GMM参数的新方法。该方法将最大似然估计融入到微粒群算法迭代过程中,形成了新的混合算法。它利用微粒群算法的全局优化性及最大似然估计的局部寻优性求解高斯混合模型的参数,以提高参数精度。说话人辨认实验表明,与传统的方法相比,新方法可以得到更优的模型参数,使得系统的识别率进一步提高。     

采用组合优化策略的电子侦察卫星规划方法

对电子侦察卫星任务规划问题进行了分析,建立了问题的多目标规划模型;设计了一种基于带后优化过程MOEO(Multi-objective Extremal Optimization)的多目标规划算法对模型进行求解,该算法包含MOEO主算法过程和基于禁忌搜索(TS)的后优化过程两部分:MOEO主算法中采用插入变异、模式变异及删除变异等算子对解空间进行搜索,基于Pareto最优概念的解排序确保了解在多个目标上的有效优化,精英策略避免了丢失进化过程中产生的非劣解;TS后优化过程中提出了多种邻域结构,使用各种邻域算子或算子的组合,对主算法Pareto最优解进一步优化,以得到更好的解。最后给出了仿真实例证明本文模型及算法对解决电子侦察卫星任务规划问题的有效性。     

基于一种改进禁忌搜索算法优化离散隐马尔可夫模型

隐马尔可夫模型(HMM,HiddenMarkovModel)是语音识别和手势识别中广泛使用的统计模式识别方法。文章提出了一种改进的禁忌搜索(ITS,ImprovedTabuSearch)优化HMM的参数。传统的TabuSearch(TS)与局部搜索算法(极大似然法)交替进行,从而加快了算法的收敛速度,并得到优化解。分别用TS及ITS训练隐马尔可夫模型进行动态手势识别。结果表明ITS可获得更高的识别率,且能达到全局优化。     

Attributed multi-objective comprehensive learning particle swarm optimization for optimal security of networks

In particle swarm optimization (PSO) each particle uses its personal and global or local best positions by linear summation. However, it is very time consuming to find the global or local best positions in case of complex problems. To overcome this problem, we propose a new multi-objective variant of PSO called attributed multi-objective comprehensive learning particle swarm optimizer (A-MOCLPSO). In this technique, we do not use global or local best positions to modify the velocity of a particle; instead, we use the best position of a randomly selected particle from the whole population to update the velocity of each dimension. This method not only increases the speed of the algorithm but also searches in more promising areas of the search space. We perform an extensive experimentation on well-known benchmark problems such as Schaffer (SCH), Kursawa (KUR), and Zitzler–Deb–Thiele (ZDT) functions. The experiments show very convincing results when the proposed technique is compared with existing versions of PSO known as multi-objective comprehensive learning particle swarm optimizer (MOCLPSO) and multi-objective particle swarm optimization (MOPSO), as well as non-dominated sorting genetic algorithm II (NSGA-II). As a case study, we apply our proposed A-MOCLPSO algorithm on an attack tree model for the security hardening problem of a networked system in order to optimize the total security cost and the residual damage, and provide diverse solutions for the problem. The results of our experiments show that the proposed algorithm outperforms the previous solutions obtained for the security hardening problem using NSGA-II, as well as MOCLPSO for the same problem. Hence, the proposed algorithm can be considered as a strong alternative to solve multi-objective optimization problems.     

基于改进粒子群算法的隐马尔可夫模型训练

针对隐马尔可夫模型传统训练算法易收敛于局部极值的问题,提出一种带极值扰动的自适应调整惯性权重和加速系数的粒子群算法,将改进后的粒子群优化算法引入到隐马尔可夫模型的训练中,分别对隐马尔可夫模型的状态数与参数进优化.通过对手写数字识别的实验说明,提出的基于改进粒子群优化算法的隐马尔可夫模型训练算法与传统隐马尔可夫模型训练算法Baum-Welch算法相比,能有效地跳出局部极值,从而使训练后的隐马尔可夫模型具有较高的识别能力.     

改进粒子群算法在乙烯收率软测量中的应用

针对粒子群算法(PSO)容易陷入局部收敛的问题,提出一种引入反动因子并结合引力定律的方法来改进算法,增强其寻优能力,该改进算法命名为:GPSO算法.该算法利用引力定律快速确定粒子的寻优方向,寻优过程中当粒子陷入局部最优时利用反动因子的引入使粒子跳出局部最优.仿真实验证明该改进算法在收敛速度和寻优能力上都取得了显著效果.最后,用改进的算法优化BP神经网络的参数,获得了乙烯裂解转化率模型,实验结果表明,基于改进算法的神经网络模型能够较好地预测乙烯裂解转化率.     

Multi-circle detection on images using artificial bee colony (ABC) optimization

Hough transform has been the most common method for circle detection, exhibiting robustness, but adversely demanding considerable computational effort and large memory requirements. Alternative approaches include heuristic methods that employ iterative optimization procedures for detecting multiple circles. Since only one circle can be marked at each optimization cycle, multiple executions ought to be enforced in order to achieve multi-detection. This paper presents an algorithm for automatic detection of multiple circular shapes that considers the overall process as a multi-modal optimization problem. The approach is based on the artificial bee colony (ABC) algorithm, a swarm optimization algorithm inspired by the intelligent foraging behavior of honeybees. Unlike the original ABC algorithm, the proposed approach presents the addition of a memory for discarded solutions. Such memory allows holding important information regarding other local optima, which might have emerged during the optimization process. The detector uses a combination of three non-collinear edge points as parameters to determine circle candidates. A matching function (nectar-amount) determines if such circle candidates (bee-food sources) are actually present in the image. Guided by the values of such matching functions, the set of encoded candidate circles are evolved through the ABC algorithm so that the best candidate (global optimum) can be fitted into an actual circle within the edge-only image. Then, an analysis of the incorporated memory is executed in order to identify potential local optima, i.e., other circles. The proposed method is able to detect single or multiple circles from a digital image through only one optimization pass. Simulation results over several synthetic and natural images, with a varying range of complexity, validate the efficiency of the proposed technique regarding its accuracy, speed, and robustness.     

基于遗传算法的库存仿真及优化

为使成本费用的总和最小,利用仿真优化技术,以某制造企业为例建立了一种随机需求库存模型,并运用改进的遗传算法优化库存模型,得到了库存的优化候选策略。实例表明提出的仿真优化技术是有效可行的,可以为企业提供决策支持。     

基于粒子群算法的城市消防点选址研究

结合粒子群算法提出一个城市消防点选址问题的研究模型.该算法利用局部寻优能力对初始粒子进行优化,并利用粒子群优化算法进行全局寻优.     

A hybrid particle swarm approach based on Tribes and tabu search for multi-objective optimization

Tuning the parameters of any evolutionary algorithm is considered as a very difficult task. In this paper, we present a new adaptive multi-objective technique which consists of a hybridization between a particular particle swarm optimization approach (Tribes) and tabu search (TS) technique. The main idea behind this hybridization is to combine the rapid convergence of Tribes with the high efficient exploitation of a local search technique based on TS. In addition, we propose three different places where the local search can be applied: TS applied on the particles of the archive, TS applied only on the best particle of each tribe and TS applied on each particle of the swarm. The aim of those propositions is to study the impact of the place where the local search is applied on the performance of our hybridized Tribes. The mechanisms proposed are validated using 10 different functions from specialized literature of multi-objective optimization. The obtained results show that using this kind of hybridization is justified as it is able to improve the quality of the solutions in the majority of cases.     

基于MOPSO与凸优化算法的稀布圆阵列方向图优化

为了降低稀布阵列的峰值旁瓣电平并抑制稀布阵列的栅瓣,提出了一种多目标粒子群与凸优化相结合的方向图综合算法。该算法将多目标粒子群优化(Multi-objective particles swarm optimization,MOPSO)作为全局搜索器,凸优化算法作为局部搜索器来搜索最优解,优化的变量不仅是阵元的权值,而且还加入了阵元位置这一参数,从而能够提供更多的自由度来控制稀布阵列的性能。基于30阵元的稀布圆形阵列的仿真结果表明：与单纯使用MOPSO算法相比,本文提出的用MOPSO算法优化阵元位置,凸优化算法优化阵元权值的联合优化算法,得到的栅瓣和峰值旁瓣电平都小于-19.3　dB。     

基于Unscented卡尔曼滤波的室内定位

基于RSSI值的测距技术中,通过对天线全向性问题的分析,提出基于Unscented卡尔曼滤波（UKF）的定位算法。利用基于RSSI值的测距模型进行距离测量,并使用Unscented卡尔曼滤波算法估计节点坐标。由于RSSI值的测量和测距模型参数受到环境的影响,采用高斯滤波对RSSI值进行优化,对环境参数使用线性回归算法进行优化并采用自适应机制更新。通过与最大似然估计法（ML）的比较实验表明,该算法能有效地减小定位误差,提高定位精度。