二进制编码差异演化算法在Agent联盟形成中的应用

在多Agent系统中,通过形成联盟可以提高Agent求解问题的能力,因此,联盟是多Agent系统的重要合作方法.从本质上讲,Agent联盟的形成是一个复杂的组合优化问题.引入差异演化算法来解决这一问题.差异演化是一种基于群体差异的演化算法,适合于求解连续空间的最优化问题.首次将以实数编码的差异演化算法应用于Agent联盟问题,提出二进制编码的差异演化算法解决组合优化问题,通过引入S型函数把变异操作的结果限制在集合{0,1}上,可以快速、高效地找出合适的Agent联盟.与遗传算法和蚁群算法的对比实验表明,该算法是正确、有效、可行的,在运行时间和解的性能上都优于相关算法.     

一种新的并行文化微粒群优化算法

为了避免微粒群优化算法在解决复杂优化问题时陷入局部最优,提高算法种群的多样性。将微粒群优化算法纳入文化算法框架,提出了一种新的基于文化算法框架的并行微粒群优化算法。在文化算法框架中,由微粒群组成的群体空间和信念空间各自独立并行演化,并相互影响,有效地提高了种群的多样性,降低了陷入局部极值的可能性。通过对不同测试函数的仿真实验表明,新提出的并行文化微粒群优化算法比标准微粒群优化算法更容易找到全局最优解,提高了微粒群优化算法的全局寻优能力。     

粒子群算法求解连续优化问题的性能分析

粒子群优化(PSO)算法是一类有效的随机全局优化技术,适用于求解连续优化问题.它利用一个粒子群搜索解空间,通过粒子间的相互作用发现复杂搜索空间中的最优区域.本文介绍了基本的PSO算法,使用3类代表性的标准测试函数对粒子群算法进行了实验分析,并进一步讨论了PSO算法的寻优性能,提出了PSO求解连续优化问题的性能分析策略.     

多组播路由问题的粒子群优化算法

具有带宽和时延约束的多组播路由优化问题比组播路由问题更加复杂.为了快速求得多组播路由问题的最优解,提出一种基于树结构演化的粒子群优化算法.粒子由以组播树为分量的向量构成,表示问题的一个可行解,粒子飞行通过树的演化实现.通过在粒子群的环状社会结构中引入粒子视觉半径提高粒子的邻域学习能力;采用树结构变异方法对粒子进行变异提高算法跳出局部解的可能性;根据不满足约束条件的状况对非可行解采取分别惩罚粒子和粒子分量的策略.在随机产生的具有26,50和100个节点的网络拓扑上进行了仿真实验,实验结果表明,提出的算法具有更好的求解质量和较快的收敛速度.     

基于粒子群优化算法的并行模拟退火算法

针对模拟退火（simulated annealing,SA）算法收敛速度慢,随机采样策略缺乏记忆能力,算法内在的串行性使其具有并行化问题依赖等缺点,提出了基于粒子群优化（particle swarm optimization,PSO）算法的并行模拟退火算法。该算法利用粒子群优化算法中个体的记忆功能引导算法在解空间中开展精细搜索,在反向学习算法基础上设计新的反向转动操作机制增加了算法的多样性,借助PSO的天然并行性克服了SA的并行问题依赖性,并在集群上实现了多Agent协同进化的改进算法。对Toy模型的蛋白质结构预测问题进行了仿真实验,结果表明该算法能有效提高求解问题的质量和效率。     

基于棋盘编码粒子群算法的卫星资源调度方法

针对卫星多传感器多目标跟踪问题的特殊性,在分析了现有编码方式存在问题的基础上,考虑组合数学中的棋盘多项式概念,提出了一种直接满足多目标跟踪复杂约束处理的棋盘编码方法,方便求解全部的优化目标;在此基础上,将并行粒子群算法和遗传交叉操作相结合,提出了基于改进并行粒子群优化算法的传感器管理算法(improved parallel particle swarm optimization algorithm,IPPSO).仿真实验表明,基于棋盘编码粒子群算法的传感器管理算法实时性好、搜索质量高,可以有效解决传感器资源分配的冲突消解.     

基于动态邻居和变异因子的多目标粒子群算法*

为了克服粒子群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解)和收敛速度较慢的缺陷,提出一种合并帕累托占优概念到动态邻居和变异因子的粒子群算法(particle swarm optimizer based on dynamic neighbor topology and mutation operator,DNMPSO)来处理多目标优化问题(DNMMOPSO),该算法也合并了外部存档技术来存储每次迭代产生的非劣解。模拟结果表明,提出的算法在多目标检测问题上要优于其他算法     

用协同演化并行PSO重构扩展的超二次曲面模型

针对用传统方法难以求解的扩展的超二次曲面三维模型参数拟合问题,提出了用协同演化的并行粒子群优化算法求解的新方法。通过对扩展的超二次曲面三维表示特性的研究,设计和实现了基于岛屿群体模型的并行粒子群优化算法,并用协同演化的思想,将约束非线性优化转化为极小极大问题进行求解。实验结果表明用协同演化的并行粒子群优化算法重构扩展的超二次曲面三维模型,扩大了模型表示能力,建模精确且效率高。     

可求解多目标优化问题的演化博弈优化算

借鉴演化博弈的思想和选择机制,提出了一种新的基于演化博弈的优化算法(EGOA)用于多目标问题的求解.算法框架具备对该类问题的通用性.为了对算法性能进行评,采用了一组多目标优化问题(MOPs)测试函数进行实验.实验结果表明,使用本算法搜索得到的演化稳定策略集合能够很好地逼近目标优化问题的帕累托前沿,与一些经典的演化算法相比具有良好的问题求解力.     

基于CUDA的并行粒子群优化算法的设计与实现

针对处理大量数据和求解大规模复杂问题时粒子群优化(PSO)算法计算时间过长的问题, 进行了在显卡(GPU)上实现细粒度并行粒子群算法的研究。通过对传统PSO算法的分析, 结合目前被广泛使用的基于GPU的并行计算技术, 设计实现了一种并行PSO方法。本方法的执行基于统一计算架构（CUDA）, 使用大量的GPU线程并行处理各个粒子的搜索过程来加速整个粒子群的收敛速度。程序充分使用CUDA自带的各种数学计算库, 从而保证了程序的稳定性和易写性。通过对多个基准优化测试函数的求解证明, 相对于基于CPU的串行计算方法, 在求解收敛性一致的前提下, 基于CUDA架构的并行PSO求解方法可以取得高达90倍的计算加速比。     

A multi-swarm optimizer based fuzzy modeling approach for dynamic systems processing

Inspired by the phenomenon of symbiosis in natural ecosystems a multi-swarm cooperative particle swarm optimizer (MCPSO) is proposed as a new fuzzy modeling strategy for identification and control of non-linear dynamical systems. In MCPSO, the population consists of one master swarm and several slave swarms. The slave swarms execute particle swarm optimization (PSO) or its variants independently to maintain the diversity of particles, while the particles in the master swarm enhance themselves based on their own knowledge and also the knowledge of the particles in the slave swarms. With four benchmark functions, MCPSO is proved to have better performance than PSO and its variants. MCPSO is then used to automatically design the fuzzy identifier and fuzzy controller for non-linear dynamical systems. The proposed algorithm (MCPSO) is shown to outperform PSO and some other methods in identifying and controlling dynamical systems.     

Automatic calibration a hydrological model using a master–slave swarms shuffling evolution algorithm based on self-adaptive particle swarm optimization

Parameter estimation for hydrological models is a challenging task, which has received significant attention by the scientific community. This paper presents a master–slave swarms shuffling evolution algorithm based on self-adaptive particle swarm optimization (MSSE-SPSO), which combines a particle swarm optimization with self-adaptive, hierarchical and multi-swarms shuffling evolution strategies. By comparison with particle swarm optimization (PSO) and a master–slave swarms shuffling evolution algorithm based on particle swarm optimization (MSSE-PSO), MSSE-SPSO is also applied to identify HIMS hydrological model to demonstrate the feasibility of calibrating hydrological model. The results show that MSSE-SPSO remarkably improves the calculation accuracy and is an effective approach to calibrate hydrological model.     

Handling multi-objective optimization problems with a multi-swarm cooperative particle swarm optimizer

This paper presents a new multi-objective optimization algorithm in which multi-swarm cooperative strategy is incorporated into particle swarm optimization algorithm, called multi-swarm cooperative multi-objective particle swarm optimizer (MC-MOPSO). This algorithm consists of multiple slave swarms and one master swarm. Each slave swarm is designed to optimize one objective function of the multi-objective problem in order to find out all the non-dominated optima of this objective function. In order to produce a well distributed Pareto front, the master swarm is developed to cover gaps among non-dominated optima by using a local MOPSO algorithm. Moreover, in order to strengthen the capability locating multiple optima of the PSO, several improved techniques such as the Pareto dominance-based species technique and the escape strategy of mature species are introduced. The simulation results indicate that our algorithm is highly competitive to solving the multi-objective optimization problems.     

Cooperative particle swarm optimization for multiobjective transportation planning

The paper presents a multiobjective optimization problem that considers distributing multiple kinds of products from multiple sources to multiple targets. The problem is of high complexity and is difficult to solve using classical heuristics. We propose for the problem a hierarchical cooperative optimization approach that decomposes the problem into low-dimensional subcomponents, and applies Pareto-based particle swarm optimization (PSO) method to the main problem and the subproblems alternately. In particular, our approach uses multiple sub-swarms to evolve the sub-solutions concurrently, controls the detrimental effect of variable correlation by reducing the subproblem objectives, and brings together the results of the sub-swarms to construct effective solutions of the original problem. Computational experiment demonstrates that the proposed algorithm is robust and scalable, and outperforms some state-of-the-art constrained multiobjective optimization algorithms on a set of test problems.     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题，文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型，并分析了其缺陷．然后，基于传统算法的速度一位移更新操作，在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO），使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理，但是其粒子更新策略既可根据优化问题的特点设计，也可实现与已有方法的融合．该文以旅行商问题（TSP）为例，针对遗传算法（GA）解决该问题的成功经验，使用遗传操作作为GPSO模型中的更新算子，进一步提出基于遗传操作的粒子群优化模型，并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较，基于GPSO模型的算法解的质量与收敛稳定性提高，同时计算费用显著降低．     

基于均匀设计的粒子群算法及其在飞控系统中的应用

将粒子群算法应用于飞行控制系统的优化设计中，需要解决两个问题：如何选择目标函数和如何确定初始种群和算法运行参数。针对这两个问题，分别提出了基于参考模型的飞行控制系统优化策略和基于均匀设计的粒子群算法初始种群和运行参数的选择方法。仿真结果表明，本文所提出的优化策略能够有效地解决飞行控制系统的优化设计问题，粒子群初始种群分布均匀，收敛速度快。     

二次分配问题的粒子群算法求解

文章采用了一种新的算法,即粒子群算法(PSO)去解决二次分配问题(QAP),构造了该问题的粒子表达方法,建立了此问题的粒子群算法模型,并对不同的二次分配问题算例进行了实验,结果表明:粒子群算法可以快速、有效地求得二次分配问题的优化解,是求解二次分配问题的一个较好方案。PSO算法在很多连续优化问题中已经得到较成功的应用,而在离散域上的研究和应用还很少。文章应用PSO算法解决QAP问题是一种崭新的尝试,它对于将PSO算法应用于离散问题,特别是组合优化问题无疑具有启发性,并为进一步深入研究奠定了基础。     

一种基于差异演化的协同粒子群优化算法

提出一种协同进化PSO算法,用于保持粒子种群的多样性并避免发生“早熟”的问题．该方法采用两个不同的分群;其中分群一的粒子采用标准PSO算法进行搜索寻优,分群二的粒子采用差异演化算法进行搜索和寻找最优解．在搜索过程中,如果标准PSO算法的适应度变化率低于一个阈值,则按照黄金分割率用分群二中的若干优势粒子取代分群一中的劣势粒子．用所提出的PSO算法和标准PSO算法对4种常用函数进行优化．结果表明,该粒子群优化算法比标准粒子群优化算法更容易找到最优解,而且优化效率和优化性能明显提高．     

基于遗传粒子群算法的高维复杂函数优化方法

针对高维复杂函数优化的特点,提出了一种遗传算法与粒子群算法相结合的主-从结构算法。算法中,主级为全局搜索的遗传算法;从级为局部邻域搜索的粒子群算法。通过主-从协调机制和从级转换函数设计,使算法不依赖复杂的编码方式和进化算子进行全局精确搜索。通过仿真和比较实验,验证了算法对高维复杂函数优化的有效性。     

Coordinating metaheuristic agents with swarm intelligence

Coordination of multi agent systems remains as a problem since there is no prominent method suggests any universal solution. Metaheuristic agents are specific implementations of multi-agent systems, which imposes working together to solve optimisation problems using metaheuristic algorithms. An idea for coordinating metaheuristic agents borrowed from swarm intelligence is introduced in this paper. This swarm intelligence-based coordination framework has been implemented as swarms of simulated annealing agents collaborated with particle swarm optimization for multidimensional knapsack problem. A comparative performance analysis is also reported highlighting that the implementation has produced much better results than the previous works.