自适应惩罚策略及其在交通信号优化中的应用

针对约束优化问题的求解,设计了一种处理约束条件的自适应惩罚策略,用于将具有不等式约束和等式约束的优化问题转变为仅包含决策变量上、下限约束的优化问题。该策略通过引入约束可行测度、可行度的概念来描述决策变量服从于不等式约束和等式约束的程度,并以此构造处理约束条件的自适应惩罚函数,惩罚值随着约束可行度的变化而动态自适应地改变。为了检验该惩罚策略的有效性,针对单路口交通信号优化问题进行了应用研究,并用三种不同算法进行了大量的仿真计算,结果表明所设计的自适应策略在具有高度约束条件的城市交通信号优化问题中具有良好的效果。     

一种新的遗传算法求解有等式约束的优化问题

针对有等式约束的优化问题,提出了一种新的遗传算法.该算法是在种群初始化、交叉、变异操作过程中使用求解参数方程的方法处理等式约束,违反不等式约束的个体用死亡罚函数进行惩罚设计出的实数编码遗传算法.数值实验结果表明,新算法性能优于现有其它算法;它不仅可以处理线性等式约束,而且还可以处理非线性等式约束,同时提高了收敛速度和解的精度,是一种通用强、高效稳健的智能算法.     

基于分布估计算法的单路口交通信号控制

针对遗传算法求解城市道路交叉口信号控制存在的主要问题,以四相位交叉路口为研究对象,建立了以信号周期内车辆延误总时间最短为目标函数,以各相位有效绿灯时间为控制变量的单路口交通信号优化模型.并分别以整数编码的PBIL算法和实数编码的EMNA算法两种典型分布估计算法求解单路口交通信号优化问题.仿真结果表明,与传统遗传算法相比,两种分布估计算法均可用更小的种群规模快速高效地求得最优解.     

基于逻辑"或"约束优化的实时系统设计

标准约束优化问题的等式或不等式约束之间是逻辑"与"关系,目前已经有很多高效、收敛的优化算法.但是,在实际应用中有很多更一般的约束优化问题,其等式或不等式约束之间不仅包含逻辑"与"关系,而且还包含逻辑"或"关系,现有的针对标准约束优化问题的各种算法不再适用.给出一种新的数学变换方法,把具有逻辑"或"关系的不等式约束转换为一组具有逻辑"与"关系的不等式,并应用到实时单调速率调度算法的可调度性判定充要条件中,把实时系统设计表示成混合布尔型整数规划问题,利用经典的分支定界法求解.实验部分指出了各种方法的优缺点.     

实数自适应遗传算法在雷达处理中的应用

实数自适应遗传算法在雷达处理中具有广泛应用。本文对基于实数自适应遗传算法原理、交叉概率和变异概率的自适应确定方法以及实数自适应遗传操作方法进行了阐述,在分析探地成像雷达电磁波在地下传播特性的基础上对雷达测得的电磁波信号的成像问题进行了研究,并通过计算机仿真验证算法的可行性,从而得出基于实数编码的稳态遗传算法克服了普通二进制算法的缺点,增加了普通遗传算法的搜索能力,对于求解大规模优化问题是适合的,是一种具有工程实用价值的算法。     

联动油缸机构的遗传优化设计

为使喷浆机器人纵向进给机构与巷道中线始终保持平行 ,采用了一组油缸联动机构 ,并用改进的遗传算法对其进行了优化设计。改进后的遗传算法采用浮点数编码 ,用惩罚函数处理等式和不等式的约束问题 ,使之适用于所有的非线性约束优化问题     

Pareto强度值演化算法求解约束优化问题

提出了一种求解约束函数优化问题的方法.它不使用传统的惩罚函数,也不区分可行解和不可行解.新的演化算法将约束优化问题转换成两个目标优化问题,其中一个为原问题的目标函数,另一个为违反约束条件的程度函数.利用多目标优化问题中的Pareto优于关系,定义个体Pareto强度值指标以便对个体进行排序选优,根据Pareto强度值排序和最小代数代沟模型设计出新的实数编码遗传算法.对常见测试函数的数值实验证实了新方法的有效性、通用性和稳健性,其性能优于现有的一些演化算法.特别是对于一些既有等式约束又有不等式约束的复杂非线性规划问题,该算法获得了更高精度的解.     

一种改进的协同优化算法及其应用

针对协同优化方法收敛困难、优化效率低的问题,提出了一种改进的协同优化算法—ICO算法。通过引入自适应松弛因子将一致性等式约束转化为不等式约束,同时建立混合惩罚函数,将系统级约束优化问题转化为无约束优化问题,ICO算法较好地克服了传统协同优化算法难于收敛的缺点。标准算例实验结果表明,ICO算法能够有效提高优化的稳定性、可靠性和计算效率。优化结果显示了协同优化算法解决海洋供应船的设计优化问题的有效性,为解决更为复杂工程系统的设计优化问题奠定了基础。     

遗传算法的自适应PID控制器的应用

针对工业过程中常见的二阶延迟系统的PID参数整定问题,提出了基于实数编码遗传算法的自适应参数整定方法.该方法利用遗传算法可快速全局寻优的特点,通过对控制器参数进行实数编码,将性能指标构成相应的适应度函数,采用自适应变异概率,反复进行遗传操作获得整定控制器的最佳参数.仿真结果表明所提出的整定方法效果显著,且控制器具有良好的抗干扰能力.     

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。     

粒子群优化点匹配算法

点匹配问题一直是计算机视觉,模式识别,医学临床诊断等领域的一项重要基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数,通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数,利用粒子群优化算法求解变换参数。实验表明,该算法适用于点匹配,具有操作方便,可靠性好,不易陷入局部极值等优点。     

电力系统无功优化中PSO算法的改进研究

针对电力系统无功优化中的PSO算法的特点,采用的信息拓扑结构为环形结构,对PSO算法中的变异算子进行研究.针对环形拓扑结构的PSO算法,其后期收敛精度差是一个常见问题,提出了一种称之为"球面变异"的变异算子,充分利用粒子群迭代后期种群的信息,对变异的方向与速度进行引导,进而建立了变异算子与当代种群适应度之间的关系,明显地提高了算法收敛速度与精度.最后,对陷入局部收敛等问题进行相应的改良,诸如无法达到最优解等问题.使用IEEE14节点系统作为算例进行测试,结果达到优良.     

Bacterial Foraging Optimization Approach to Portfolio Optimization

In this paper we propose a heuristic approach based on bacterial foraging optimization (BFO) in order to find the efficient frontier associated with the portfolio optimization (PO) problem. The PO model with cardinality and bounding constraints is a mixed quadratic and integer programming problem for which no exact algorithms can solve in an efficient way. Consequently, various heuristic algorithms, such as genetic algorithms and particle swarm optimization, have been proposed in the past. This paper aims to examine the potential of a BFO algorithm in solving the PO problem. BFO is a new swarm intelligence technique that has been successfully applied to several real world problems. Through three operations, chemotaxis, reproduction, and elimination-dispersal, the proposed BFO algorithm can effectively solve a PO problem. The performance of the proposed approach was evaluated in computational tests on five benchmark data sets, and the results were compared to those obtained from existing heuristic algorithms. The proposed BFO algorithm is found to be superior to previous heuristic algorithms in terms of solution quality and time.     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替，是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法，遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

用于函数优化的最大引力优化算法

提出一种基于牛顿万有引力定理的函数优化方法──最大引力优化算法。该算法通过“引力分组”和“引力淘汰”过程更新搜索体。文中给出4个引理来描述算法的数学基础,同时也给出算法的收敛性证明。此外还对该算法进行改进。最后与粒子群算法、差分算法、郭涛算法进行比较,数值结果显示该算法在解决连续函数优化问题具有较高的性能。     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

改进聚合树的高维多目标降维优化算法

对于高维多目标优化问题,降维优化算法通过去除或融合冗余目标的方法解决算法耗时过多的问题,但同时也会导致算法分布性能下降。聚合树算法定义非参数秩冲突从而可以快速计算出各目标间冲突度,但聚合树算法鲁棒性有待提高,且需要用户自行决策去除冗余目标。针对这些问题,提出数组叠加机制并定义冲突趋势和冲突度误差,以提高算法鲁棒性;通过合并冲突度较低的冗余目标的方法来进行目标降维,并定义降维截止冲突度;与NSGA-III算法结合,以达到对高维多目标问题进行完整降维优化的目的。为检验该算法性能,与其他经典高维算法进行对DTLZ测试函数集的优化对比,实验结果表明,该算法在耗时更少的同时,也具有较为优秀的分布性能和收敛性能。     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...