一种求解约束优化问题的改进型免疫克隆算法

针对约束优化问题提出一种基于精英库机制的改进型免疫克隆优化算法ICOAEB(Immune clonal optimization algorithm based on elite bank)。该算法利用精英库机制动态存储迭代过程中父代优势个体,实现优秀个体的多代记忆,从而提高算法寻优能力;并利用灾变算子扰动算法运行过程从而摆脱迭代缓慢的状态,避免局部收敛。通过对五个约束优化函数的测试,实验结果表明ICOAEB的求解精度和稳定性较高,可以较好地解决约束优化问题。最后针对影响算法性能的两项重要参数选择问题给出了相关的实验及分析。     

差分进化算法马尔可夫链模型及收敛性分析

差分进化算法是一种基于种群差异的优化算法,主要应用于解决连续空间的优化问题。目前,研究人员主要在算法的改进和应用方面研究差分进化算法,很少从理论角度对其进行研究。为了分析差分进化算法的收敛性,定义优化个体、种群的状态转移,并提出种群的最优状态集合。根据差分进化算法的操作算子计算出个体的状态迁移概率,并证明种群状态序列是有限齐次马尔可夫链,进而建立差分进化算法的马尔可夫链模型;最后,证明差分进化算法无法保证全局收敛。理论研究结果表明,适当保证种群的多样性能够提高差分进化算法的性能。     

改进遗传算法实现输电网络最优规划

对传统遗传算法中的交叉和变异算子算法进行了改进,并实施了在初始群体中最优保留策略,形成了改进遗传算法,将其应用在输电网络优化规划中。改进的遗传算法具有快速搜索,易收敛和鲁棒性强的特点,克服了传统遗传算法难以解决的不稳定和局部收敛的问题,应用到输电网络规划中提高了收敛速度,避免了不成熟收敛。     

一种基于峰度的QAM信号盲均衡与载波相位恢复准则

该文针对方形正交幅度调制（QAM）信号的盲均衡与载波相位恢复问题,基于均衡器输出峰度最大化的思想,利用向量范数性质给出一种新的盲均衡与载波相位恢复方法.首先通过数学证明给出了代价函数的收敛性定理,证明了无噪声情况下,在代价函数的局部最优解处可实现理想均衡,且能够实现载波相位恢复.然后,给出了新算法的四种批数据处理实现方式.最后通过理论分析和仿真实验说明,本文方法相比最大化功率的方法对高斯噪声更加鲁棒.     

约束半光滑方程组的投影牛顿类法

给出了解决带变量有界约束的半光滑方程组问题的投影牛顿类法,该法避免了迭代点落在约束区间之外的可能,采用将每步的牛顿类方向在可行集上做投影的方法迫使迭代点始终落在可行集内,并根据具体算法步骤进行了收敛性分析.结果表明,算法具有局部超线性收敛速率,且在一定条件下可达二次收敛.     

求解置换流水车间调度问题的改进遗传算法

目前求解置换流水车间调度问题的遗传算法中,加工顺序编码方法导致交叉、变异算子复杂,且子代与父代不相似,算法易陷入局部最优。为解决以上问题,提出了一种基于优先权值编码并含有限优算子的改进遗传算法。利用各工件的优先权值进行编码,避免遗传算子中不合法编码的出现;加入限优算子限制种群中最优个体的繁殖数量,防止种群陷入局部最优点,改善寻优质量。实验结果表明,该算法中的编码方法可行且易于应用于求解紧急工件优先加工的实际问题;同时用基准算例验证了具有限优算子的改进算法求解结果相对误差小且求解稳定性高。     

自适应变异粒子群算法

为了解决粒子群种群多样性低、容易陷入局部最优的缺点,结合最优粒子和其他粒子在种群中的不同作用,给出了一种自适应变异粒子群算法。算法中最优粒子根据种群进化程度,自适应调整自身搜索邻域大小,增强种群的局部搜索能力;对非最优粒子的位置进行小概率的随机初始化,当其速度为零时,速度自适应变化,以便增强种群多样性和全局搜索能力。仿真实验中,将算法应用于6个典型复杂函数优化问题,并与其他变异粒子群算法比较,结果表明,增强种群多样性的同时提高了局部搜索能力。     

约束半光滑方程组的投影牛顿类法

给出了解决带变量有界约束的半光滑方程组问题的投影牛顿类法,该法避免了迭代点落在约束区间之外的可能,采用将每步的牛顿类方向在可行集上做投影的方法迫使迭代点始终落在可行集内,并根据具体算法步骤进行了收敛性分析.结果表明,算法具有局部超线性收敛速率,且在一定条件下可达二次收敛.     

双种群改进蚁群算法

基本蚁群优化（Basic Ant Colony Optimization,BACO）算法在进化中容易出现停滞,其根源是蚁群算法中信息的正反馈．在大量蚂蚁选择相同路径后,该路径上的信息素浓度远高于其他路径,算法很难再搜索到邻域空间中的其他优良解．对此,提出一种双种群改进蚁群（Dual Population Ant Colony Optimization,DPACO）算法．借鉴遗传算法中个体多样性特点,将蚁群算法中的蚂蚁分成两个群体分别独立进行进化,并定期进行信息交换．这一方法缓解了因信息素浓度失衡而造成的局部收敛,有效改进算法的搜索性能,实验结果表明该算法有效可行．     

人工蜂群算法的几乎必然强收敛性:鞅方法

已有的人工蜂群算法的收敛性分析是基于算法的遍历性分析,在概率收敛意义下考虑的,这种收敛性分析不能确保算法在有限步内收敛到问题的全局最优解。首次尝试运用鞅论研究人工蜂群算法的几乎必然强收敛性,证明了人工蜂群算法确保能以概率1在有限步内达到全局最优解。这一结论为拓宽人工蜂群算法的应用范围奠定了理论基础,并为人工蜂群算法的改进及收敛性研究提供了新的理论工具。