求解排列组合问题的解空间动态缩减策略

针对一般群智能算法求解大规模排列组合问题时搜索空间大从而影响群体搜索效率的问题,提出了一种解空间动态缩减（SSDC）策略,以动态减少算法搜索空间。该策略中,首先通过智能算法对排列组合优化问题两次初步求解,对获得的两个解中重复的片段进行识别和融合,将融合成的新节点代入原解空间进行解空间缩小更新;而后在下一次智能算法求解的过程中,对缩小的可行空间进行搜索,从而提升个体在有限空间内的搜索效率,降低搜索时间成本。基于5个高维标准旅行商问题（TSP）和2个车辆路径优化问题对融合新策略的多种群智能算法进行测试。实验结果表明融合所提策略的群智能算法在搜索精度和稳定性上均要优于对应的原算法,证明所提解空间动态缩减策略可以有效改善算法的性能。     

协同进化混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度低且易陷入局部最优的问题,提出了一种新的协同进化混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新引入平均值的同时充分利用最优个体的优秀基因,可有效扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙采取交互学习策略向邻近子群的最优个体交流学习,增加子群间交互的频繁性,提高信息共享程度,有利于进化。在全局迭代过程中采取精英群自学习进化机制,以对精英空间进行精细搜索,获得更优解,进一步提升算法的全局寻优能力,正确导向算法的进化。实验结果表明,所提算法在七个测试函数中均能收敛到最优解0,成功率为100%,优于其他对比算法。所提算法可有效避免陷入早熟收敛,极大地提高了算法的收敛速度和优化精度。     

基于精英蜂群搜索策略的人工蜂群算法

针对人工蜂群(ABC)算法存在收敛速度慢、求解精度不高、容易陷入局部最优等问题,利用蜂群觅食过程中先由侦察蜂进行四处侦察食物,并利用蜂群搜索构建精英群体指导蜂群觅食寻优。据此,提出了一种模拟侦察蜂侦察觅食行为的基于精英蜂群搜索策略的连续优化算法。算法利用构建精英蜂群策略、改进侦察蜂搜索机制以及基于目标函数值选择寻优三个主要策略加强算法的搜索机制。数值实验表明,所提算法不仅寻优精度和寻优率非常高,且收敛速度快,并能适于高维空间的优化问题。     

学习型离散排超联赛算法求解带时间窗的绿色多车型两级车辆路径问题

针对现实中广泛存在的带时间窗的绿色多车型两级车辆路径问题(G2E-HVRP-TW),本文提出一种结合加权K-means算法(WKA)的学习型离散排超联赛算法(LDVPLA)进行求解.首先,根据该问题规模大、约束多的特点,采用WKA将原问题G2E-HVRP-TW分解为一个绿色多车型车辆路径子问题(GHVRP)和一组带时间窗的GHVRP(GHVRP-TW),从而实现两级问题间的部分解耦,以合理缩小搜索空间.然后,利用LDVPLA求解分解后的一系列子问题,并将各子问题的解合并后得到原问题的解. LDVPLA在竞赛阶段将标准排超联赛算法(VPLA)中实数个体更新操作替换为一系列排序操作,使其能够直接在问题离散解空间内执行基于VPLA机制的搜索,可提高搜索效率;在学习阶段构建三维概率矩阵模型合理学习并积累优质解信息,有利于驱动算法较快到达解空间中的优质解区域执行搜索;在淘汰阶段设计一种重启策略,可避免算法过早陷入局部最优.最后,通过在不同规模算例上的仿真实验和算法对比,验证了所提算法的有效性.     

引入动态分化和邻域诱导机制的双蚁群优化算法

为提高传统蚁群算法在解决旅行商问题时的优化效果，提出了一种引入动态分化和邻域诱导机制的双蚁群优化算法。该算法首先引入混沌随机策略，在算法初始化阶段改变原始的贪心策略，使初始信息素混沌分布，以保持种群的多样性，从而提高解的精度；其次，将蚁群分为孤立蚁群与正常蚁群，两组蚂蚁分别在当前最优路径与离群路径附近搜索；在种群间采取诱导机制，正常蚁负责搜索最优路径，孤立蚁混沌随机释放信息素，将正常蚁群诱导至新的路径邻域，从而有效地平衡收敛速度与解的多样性之间的矛盾。通过对不同规模的旅行商问题仿真结果的比较，验证了所提算法的有效性。     

基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题

针对启发式算法在机器人路径规划过程中存在路径长度不稳定和易陷入局部极小点的问题，提出一种基于自适应调整哈里斯鹰优化（AAHHO）算法。首先，利用收敛因子调整策略，调节全局搜索阶段和局部搜索阶段的平衡，同时利用自然常数为底数，提高搜索效率和收敛精度；其次，在全局搜索阶段，采用精英合作引导搜索策略，通过3个精英哈里斯鹰合作引导其他个体更新位置以提高搜索性能，通过3个最优位置加强种群间的信息交流；最后，通过模拟种内竞争策略增强哈里斯鹰跳出局部最优的能力。函数测试和机器人路径规划对比实验结果表明，所提算法无论是函数测试还是机器人路径规划都优于IHHO(Improve Harris Hawk Optimization)和CHHO(Chaotic Harris Hawk Optimization)等对比算法，对于求解机器人的路径规划具有较好的有效性、可行性和稳定性。     

多策略融合的改进萤火虫算法

针对传统萤火虫算法（FA）中存在的易陷入局部最优及收敛速度慢等问题,把莱维飞行和精英参与的交叉算子及精英反向学习机制融入到萤火虫优化算法中,提出了一种多策略融合的改进萤火虫算法——LEEFA。首先,在传统萤火虫算法的基础上引入莱维飞行,从而提升算法的全局搜索能力;其次,提出精英参与的交叉算子以提升算法的收敛速度和精度,并增强算法迭代过程中解的多样性和质量;最后,结合精英反向学习机制进行最优解的搜索,从而提高FA跳出局部最优的能力和收敛性能,并实现对于解搜索空间的迅速勘探。为验证所提出的算法的有效性,在基准测试函数上进行了仿真实验,结果表明相较于粒子群优化（PSO）算法、传统FA、莱维飞行萤火虫算法（LFFA）、基于莱维飞行和变异算子的萤火虫算法（LMFA）和自适应对数螺旋-莱维飞行萤火虫优化算法（ADIFA）等算法,所提算法在收敛速度和精度上均表现得更为优异。     

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。     

自适应的非支配排序遗传算法

针对带精英策略的非支配排序遗传算法不能根据环境变化自适应地动态调整运行参数,难以实现对解空间的高效搜索,提出一种自适应的非支配排序遗传算法.所提出算法根据运行阶段、运行代数和当前临时种群非支配个体数动态调整进化个体的运行参数,通过提高进化算子的自适应能力使算法具有自适应性.经实验对比,所提出算法在收敛性、多样性两方面确有提升,可以有效提高原算法的搜索能力.     

具有Levy变异和精英自适应竞争机制的蚁狮优化算法

针对蚁狮优化算法易陷入局部最优、收敛速度慢的缺点,本文提出一种具有Levy变异和精英自适应竞争机制的蚁狮优化算法。利用服从Levy分布的随机数对种群较差个体进行变异,可改善种群多样性提高算法的全局搜索能力;精英自适应竞争机制使得多个精英并行带领种群寻优,提高了算法的收敛速度,为避免较大计算量,并行竞争的精英个数会随着寻优代数增加而减少。同多个改进算法进行比较,结果表明本文所提算法具有更好的寻优精度和收敛速度。最后将本文改进算法应用于硅单晶热场温度模型的参数辨识,仿真结果说明该算法具有较好的参数辨识能力。     

用于连续域寻优的分组蚁群算法

用蚁群算法进行多模函数优化时,容易陷入局部最优,从而影响了寻优精度和收敛速度。因此提出了一种用于求解连续空间优化问题的分组蚁群算法。该算法将连续空间优化问题的定义域划分成若干个子区域,并给每个子区域分配一组蚂蚁。每组蚂蚁在各自的区域里进行搜索,且在搜索过程采用“精英策略”并利用精英蚂蚁更新普通蚂蚁的位置信息,以加快算法的收敛速度。同时,当普通蚂蚁离精英蚂蚁之间的距离较长时,使用大步长搜索,以加快搜索速度,反之,采用小步长搜索,可提高搜索过程的精细程度。该方法使每组蚂蚁的搜索空间成倍地缩小并能有效地改善陷入局部最优的情况,从而能使收敛速度和精度大幅提高。计算机的仿真实验结果证实了这一结论。     

基于自适应遗传学习粒子群算法的多无人机协同任务分配

研究救援场景下的多无人机协同任务分配问题,考虑幸存者所需援助类型的不同,建立更贴合实际的组合优化模型.针对该模型,提出一种自适应遗传学习粒子群算法(adaptive genetic learning particle swarm optimization, AGLPSO).首先,根据无人机与幸存者之间的救援关系,采用一种实向量编码机制处理决策变量约束,以简化模型求解.然后,通过两层级联结构提高算法搜索能力:第1层通过遗传学习策略生成高质量的精英粒子,并对进化停滞的粒子采用精英学习策略进行更新,以跳出局部最优;第2层利用精英粒子指导种群的搜索方向,并根据粒子群的进化速度和粒子的聚集程度,采用自适应进化策略提高算法在不同进化时期的寻优能力.仿真实验表明,所提出的AGLPSO算法能快速、有效地找到合理的救援分配方案.     

一种基于遗传—蚁群算法的网格任务调度策略*

针对遗传调度算法局部求解能力不足、容易早熟和退化的问题,以及蚁群调度算法初始搜索阶段效率低下的缺陷,充分应用遗传算法全局搜索能力较好和蚁群算法求解精度较高的优势,提出了一种基于遗传-蚁群算法的网格任务调度策略.该方法集成了遗传算法和蚁群算法的双重优点.仿真测试结果表明,提出的网格任务调度方法总体上优于遗传算法和蚁群算法...     

调整协同种群构成提升进化算法搜索性能

进化过程中种群多样性降低导致的收敛极大限制了进化算法的求解质量与搜索效率。调整种群元素策略利用进化算法收敛本性,在进化过程中向进化种群加入优势元素和随机元素,调整种群元素构成。经共生进化算法求解复杂柔性作业调度测试,定期大规模加入优势元素和随机元素能有效调整种群结构,既利用了前期种群进化收敛的结果又维持了种群进化全程的多样性。使进化算法可通过扩大搜索规模有效提高求解质量,将促进进化算法在各领域的应用深度和广度。     

混合粒子群算法求解带软时间窗的VRPSPD问题

针对带软时间窗的同时集配货车辆路径问题（VRPSPD）,建立了以车辆派遣成本、行驶成本和时间窗惩罚成本之和最小为目标的车辆路径优化模型;设计混合粒子群算法进行求解,该算法结合以变邻域下降搜索为主体的适应性扰动机制,采用适应性选择邻域策略,并在每个邻域搜索中应用可变的循环次数,以此提高对解空间的探测能力和搜索效率。数值实验结果表明了该算法的可行性和有效性。     

基于多策略的改进花授粉算法

花授粉算法是近年来提出的一种新型的、简单高效的优化算法,已在各个领域得到广泛应用,但其搜索策略存在的不足,制约着其应用范围.为此,提出一种改进的基于多策略的花授粉算法.首先,新全局搜索策略通过利用两组随机个体差异矢量和莱维飞行机制来增加种群多样性并扩大搜索范围,使算法更易跳出局部最优,提升其开采能力;其次,在局部搜索部分引入精英变异策略,并与随机个体变异机制组合成一种新的局部授粉策略,利用精英个体对其他个体的演化方向进行引导,提高算法的搜索速度;通过随机个体变异策略来保持种群的多样性,增强算法的持续优化能力;同时,通过一种线性递减概率规则调节这两种变异策略,使其取长补短,以提高算法的优化能力;最后,对进化中没有得到改善的解,利用余弦函数搜索因子策略产生一个新解加以替换,从而提高算法解的质量.通过5类经典测试函数的仿真实验和采用统计学上的分析,证明了该算法的稳定性和有效性;与现有经典的和知名的改进算法进行了对比,实验结果表明,所提出的改进算法是一种富有竞争力的新算法.同时,利用改进算法对军事领域中的无人作战飞行器航线规划问题进行求解,测试结果表明,改进算法在解决实际工程问题时,同样具有一定的优势.     

自适应任务分配的粒子群优化算法

针对基本粒子群优化(PSO)算法早熟收敛、易陷入局部极值的缺陷,提出自适应任务分配的粒子群优化算法。该算法根据粒子的多样性动态分配粒子任务,把种群粒子分为开发和探索两种类型,分别采用全局模型和动态邻域局部模型执行开发和探索任务以平衡算法的全局和局部搜索能力,维持种群多样性。动态邻域模型扩大了解的搜索空间,能有效抑制早熟停滞现象,采用高斯扰动对处于停滞状态的精英粒子进行学习,协助精英粒子跳出局部最优,进入解空间的其他区域继续进行搜索。针对6个标准复合测试函数进行实验,结果表明所提算法具有更强的全局搜索能力,求解精度更高。     

用于模具编程的病毒进化遗传算法

针对模具编程的任务规划问题,提出一种编程任务规划算法。以工期、质量和编程人员负载均衡等为目标,建立多目标优化模型,结合病毒进化遗传算法的横向搜索能力和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)的精英保留策略,求取多样性解,引入多种群思想解决多目标问题。仿真结果表明,该算法求得的近似解分布均匀且多样性较好,与NSGA-Ⅱ相比,其解的分布离最优解的前端更加接近。     

一种用于网格的启发性智能调度策略

任务调度是计算网格系统中极其关键的一部分,一种好的调度方法可以极大地提高整个系统的性能。针对蚂蚁算法在网格调度中早期信息素匮乏和蚂蚁分工单一的缺陷,提出了一种新的启发性智能调度方法。在调度过程前期,采用遗传算法为各网格节点生成丰富的信息素,作为调度中心进行任务调度的依据,然后在多群蚂蚁算法中,各种群的蚂蚁根据分工的不同在属于自己的空间中寻找最优解,从而缩小了搜索规模,加快了收敛速度,优化了调度性能。     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.