带变异算子的改进粒子群算法研究

粒子群算法是一种随机全局优化算法,由于算法具有简单、易于实现、可调参数少等特点,得到了广泛的研究和应用。论文在研究标准算法原理的基础上,在算法搜索过程中引入变异算子,克服了标准算法易陷入局部极优点的不足。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,仿真结果验证了带变异算子的粒子群算法的可行性和有效性。     

基于PSO的队伍演化算法

粒子群优化算法(PSO)由于其原理简单、较易实现等特点,得到广泛研究和应用.为加快优化速度,提高收敛精度,文中提出基于PSO的队伍演化算法.该算法将优化过程分为两个阶段: 第一阶段为保持多样性,把队员分成若干个初级队伍并行优化,形成高级队伍; 后一阶段为提高收敛速度,仅优化高级队伍.在整个优化过程中,根据评估队员所取得的成绩,动态控制队员的调整步长和最大调整空间,同时产生教练组,为队员的进步方向提供指导.通过高维多峰测试函数进行测试对比,验证文中算法的优越性和有效性.     

一种多目标微粒群算法及其收敛性分析

在分析多目标优化问题的基础上,提出一种随机多目标微粒群算法,该算法采用在已经获得的Pareto解集中随机选取的两个Pareto解作为微粒更新公式中的pbest和gbest微粒,从而使微粒群的多样性增加,获得均匀分布的Pareto前沿。之后利用有限齐次马尔科夫理论给出了SMOPSO算法的收敛性进行了分析,证明SMOPSO算法以概率1收敛于极小元。最后通过对两个常用多目标函数的仿真实验,验证了算法的有效性。     

优化寄存器需求的资源约束调度算法

调度和寄存器优化是两个相互关联的问题，顺序完成这两个步骤的传统方法会导致非优化的结果．提出一种优化寄存器需求的资源约束调度算法RSROP，能够有效地同时优化调度长度和寄存器需求，并通过标准高层次综合测试电路实验，说明了RSROP算法的有效性．     

一种新的启发式优化算法——五行环优化算法研究与分析

借鉴中国古代哲学理论所描述的系统动态平衡方法, 提出了解决连续函数优化问题的五行环优化算法.首先, 分析了基于五行元素生克原理而建立的五行环模型, 并在该模型基础上, 构建了元素空间结构以及元素更新方法等关键环节, 从而实现了五行环优化算法.随后, 对五行环优化算法进行了性能分析和关键参数比较, 针对标准测试函数, 将五行环优化算法与其他17个机制各异的启发式优化算法进行了比较, 实验结果验证了五行环优化算法的有效性和通用性, 也表明了其在求解连续函数优化问题上具有较好的优化性能.     

随机性优化算法有效性定量对比评价方法

针对随机性优化算法寻优结果不可重复的特点,为该类优化算法提供了一种定量对比评价算法有效性的方法。该方法针对单个或一组测试函数的多次优化结果进行统计分析,得到一个能够在概率意义上定量表征不同随机性算法求解单个或一组测试函数的有效性优劣关系的因子。利用该方法,对采用同步或异步全局最优粒子信息更新模式的两种标准粒子群优化算法（PSO）版本进行有效性对比评价,给出了同步和异步模式PSO算法求解无约束单目标连续变量优化问题的有效性优劣关系。     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。     

融合麻雀搜索和随机差分的双向学习平衡优化器算法

针对平衡优化器算法(Equilibrium Optimizer, EO)求解精度低、收敛速度慢等问题，提出一种融合麻雀搜索和随机差分的双向学习平衡优化器算法。首先，给出了基于麻雀搜索算法的自适应种群划分策略，以平衡算法的全局探索和局部勘探，从而提高算法的收敛精度和收敛速度。其次，引入随机差分策略来重建平衡池，增加个体之间的信息交流，以利于算法跳出局部最优。最后，设计了一种双向混沌反向学习策略并将其应用到更新后的种群，以增加种群多样性，从而进一步提高算法的收敛精度。通过14个测试函数进行仿真实验，使用Wilcoxon秩和检验以及平均绝对误差来评价算法性能，并将改进算法应用到两个工程设计问题，实验结果验证了3种改进策略的有效性，且改进算法的收敛精度、收敛速度和鲁棒性都有显著提高。     

基于改进粒子群的双层规划求解算法

提出一种采用粒子群优化算法求解双层规划模型的算法。首先对粒子群优化算法作了改进,然后用改进后的算法求解双层规划模型,通过两个粒子群优化算法之间的协同迭代,同步优化双层规划的上下层,最终求得双层规划模型的最优解。此算法将求解一般双层规划问题转化为通过两个粒子群优化算法的交互迭代来求解上下两层规划问题。通过对几种典型函数的测试,验证了此算法的有效性。     

一种新型优化算法——学习算法*

从优化算法应该具有的共性出发,提出一种全新的算法——学习算法（LA）。该算法记录历史最优解和当前最优解这两组关键历史信息,然后让当前解向这两种最优解聚集（即学习的过程）;同时为了不放弃其他区域的搜索,让当前解的一部分完全随机地被重置。该算法原理简单,可调参数少且各参数对算法效能的影响易于掌控。在多最优函数以及复杂函数的最小化测试中,通过与GA、PSO的比较,发现LA确实是一种有效的优化算法,其优化效率并不低于现有算法。数值实验还表明,LA在多最优解问题的寻优中相对GA和PSO具有非常明显的优势。     

基于克隆选择的粒子群优化算法

粒子群优化是一种简单有效的随机全局优化技术．将克隆选择引入拉子群优化算法，提出了一种基于克隆选择的拉子群优化算法．算法的主要特点是利用克隆和变异等操作，提高收敛速度和种群的多样性．仿真程序表明，该算法能以较快速度完成给定范围的搜索和全局优化任务．     

A swarm optimization algorithm inspired in the behavior of the social-spider

Swarm intelligence is a research field that models the collective behavior in swarms of insects or animals. Several algorithms arising from such models have been proposed to solve a wide range of complex optimization problems. In this paper, a novel swarm algorithm called the Social Spider Optimization (SSO) is proposed for solving optimization tasks. The SSO algorithm is based on the simulation of cooperative behavior of social-spiders. In the proposed algorithm, individuals emulate a group of spiders which interact to each other based on the biological laws of the cooperative colony. The algorithm considers two different search agents (spiders): males and females. Depending on gender, each individual is conducted by a set of different evolutionary operators which mimic different cooperative behaviors that are typically found in the colony. In order to illustrate the proficiency and robustness of the proposed approach, it is compared to other well-known evolutionary methods. The comparison examines several standard benchmark functions that are commonly considered within the literature of evolutionary algorithms. The outcome shows a high performance of the proposed method for searching a global optimum with several benchmark functions.     

粒子群算法求解组合投资问题

本文在分析概率准则下的组合投资问题模型的基础上,提出了一种基于粒子群优化算法的求解方案,并用C++加以实的收敛性和计算效率,为组合证券投资者提供了一种高效的决策方法。现,然后结合实例,和传统方法、随机模拟结合遗传算法,遗传—禁忌算法等进行比较。证明了文中采用算法具有较高     

一个基于遗传算法的仿真优化包的设计与实现

介绍了仿真优化的特点与难点，阐述了遗传算法作为仿真优化算法的优点。为了解决随机性系统的仿真优化问题，提出一种改进的遗传算法并基于它设计了一个仿真优化包。针对系统的随机特性，改进的遗传算法提出了一种新的K精英选择算子并设计了一个候选解收集器。上述改进能有效保护遗传进化过程中出现的优起个体并加快遗传算法的收敛速度。使用统一建模语言（Unified Modeling Language，UML）活动图来说明仿真优化软件包的原理并给出了软件包的UML类图，面向对象方法和设计模式技术的应用使仿真优化包具有较好的通用性和可扩展性。库存仿真优化实例表明所设计的仿真优化包是可行且有效的。     

Modified stochastic gradient parameter estimation algorithms for a nonlinear two-variable difference system

This paper proposes a stochastic gradient algorithm and two modified stochastic gradient algorithms for a nonlinear two-variable difference system. The output and the input of a two-variable parameter system depend on time and on spatial coordinates. A stochastic gradient algorithm is introduced to estimate the unknown parameters. In order to increase the convergence rate but not to increase the computational effort, two modified stochastic gradient algorithms are also proposed. The simulation results indicate that the proposed methods are effective.     

Combining genetic algorithms with BESO for topology optimization

This paper proposes a new algorithm for topology optimization by combining the features of genetic algorithms (GAs) and bi-directional evolutionary structural optimization (BESO). An efficient treatment of individuals and population for finite element models is presented which is different from traditional GAs application in structural design. GAs operators of crossover and mutation suitable for topology optimization problems are developed. The effects of various parameters used in the proposed GA on the optimization speed and performance are examined. Several 2D and 3D examples of compliance minimization problems are provided to demonstrate the efficiency of the proposed new approach and its capability of obtaining convergent solutions. Wherever possible, the numerical results of the proposed algorithm are compared with the solutions of other GA methods and the SIMP method.     

混合优化策略统一结构的探讨

算法混合已成为提高优化性能和效率的一个重要而有效的途径。围绕meta-heuristic算法，通过对混合优化算法及其结构的归类与综述，提出了混合优化算法的一种统一结构，并对基若干问题进行分析探讨，为混合算法的设计与应用提供一定的指导性原则。     

带繁殖和退化的微粒群算法

PSO是一种简单有效的随机全局优化技术,针对其容易陷入局部最优的缺点,论文将繁殖和退化操作引入微粒群算法。算法的主要特点是利用繁殖和退化,扩大搜索范围以提高收敛速度并保持种群的多样性。仿真程序表明,该算法能以较快速度完成给定范围的搜索和全局优化任务。     

依概率收敛的改进粒子群优化算法

粒子群优化算法是一种随机优化算法,但它不依概率1收敛到全局最优解。因此提出一种新的依概率收敛的粒子群优化算法。在该算法中,首先引入了具有探索和开发能力的两个变异算子,并依一定概率对粒子当前最好位置应用这两个算子,然后证明了该算法是依概率1收敛到ε-最优解。最后,把该算法应用到13个典型的测试函数中,并与其他粒子群优化算法比较,数值结果表明所给出的算法能够提高求解精度和收敛速度。     

求解混杂生产调度问题的嵌套混合蚁群算法

蚁群算法作为解决优化问题的有力工具,它的有效性已经得到了证明.由于其生物学背 景,基本蚁群算法被设计来求解复杂的排序类型组合优化问题,在连续空间优化问题的求解方面 研究很少.本文提出一种嵌套混合蚁群算法,用于解决具有混杂变量类型的复杂生产调度问题, 在一种新的最佳路径信息素更新算法的基础上,提高了搜索效率.计算机仿真结果表明,本文提 出的方法在求解此类问题上性能优于另一种基于进化计算的有效方法--遗传算法.