蚁群算法及在多目标优化中应用

蚁群算法是一种模拟蚂蚁行为的启发式优化算法,该算法应用于多领域的优化解析。阐述了蚁群算法的基本原理,并以人工蚁群为基础,深入剖析了基本蚁群算法和改进算法,总结了算法的优缺点及应用范围。介绍了蚁群算法在多目标优化中的应用,并总结了一般的实现方法和步骤。     

基于混沌“微变异”自适应遗传算法

遗传算法可以较好地解决复杂的组合优化问题,但也存在两方面不足:一是搜索效率比其他优化算法低;二是容易过早收敛,陷入局部最优.对此,提出一种混沌“微变异”遗传算法.利用混沌优化算法具有随机性和遍历性的特点,解决遗传算法容易陷入局部最优解的早熟问题,使得新算法同时具有较强的局部搜索能力和完成全局寻找最优解的能力.同时,对遗传算法的选择算子增加了混沌扰动,对交叉算子和变异算子进行自适应调整,对适应度函数进行改进,使遗传算法整体性能得到提高.最后,通过经典函数验证表明,混沌“微变异”遗传算法比一般的混沌遗传算法和经典遗传算法的进化速度更快,搜索精度更高.     

重选精英个体的非线性收敛灰狼优化算法

针对灰狼优化算法（GWO）存在的求解精度较低、后期收敛速度较慢、易陷入局部最优的缺点,提出一种改进灰狼优化算法（EGWO）。该算法引进两种改进策略：用以平衡算法全局搜索性和局部开发性的非线性收敛因子调整策略和用以降低陷入局部最优风险的精英个体重选策略。通过在9个基准测试函数上的实验与标准GWO算法,以及文献提出的5种改进灰狼算法和4种其他算法进行对比,从算法寻优的精确性和鲁棒性两个方面验证两种算法改进策略的有效性。实验结果表明,两种改进策略都能提升算法性能,综合使用两种策略的EGWO在收敛速度和求解精度都明显优于其他比较算法。     

点态收敛拓扑的度量化问题

讨论了连续函数空间上点态收敛拓扑的度量化问题,即函数列{f_n(x)}逐点收敛是否对应函数空间点列{f_n}按某度量收敛。给出了C[a,b]上函数列逐点收敛不能度量化的一个新证明,证明主要使用了度量空间的完备化定理和Dirichlet函数性质,不涉及抽象的拓扑概念和结论;另一方面,证明了瓗上一类单调连续函数构成的空间MC(R)点态收敛拓扑可度量化,并给出了对应的度量。     

一种改进的鲸鱼优化算法

针对鲸鱼优化算法（whale optimization algorithm ,WOA）容易陷入局部最优和收敛精度低的问题进行了研究,提出一种改进的鲸鱼优化算法（IWOA）。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。实验选取九个基准函数,所有算法均迭代30次,结果表明：改进的鲸鱼优化与原鲸鱼优化算法以及五种改进的鲸鱼优化算法相比,其均值和标准差均优于其他算法,收敛曲线也优于其他大多数算法。说明改进的鲸鱼优化算法收敛精度和算法稳定性最佳,收敛速度较其他大多数改进的鲸鱼优化算法明显加快。     

改进的AP聚类算法研究

AP聚类算法是Frey和Dueck在2007年提出的一个先进的聚类方法.该算法具有较传统聚类算法更好的聚类性能,已被成功地应用于计算机科学的研究领域.为了获得高质量的聚类集,原始AP算法的迭代是在全部数据点之间交流信息,直到收敛.由于这种算法在计算数据时需要占用二次CPU时间,不适用于大规模的数据集,因此,本文在AP算法的基础上提出了一种有效的聚类算法.该算法在迭代时可修剪不必要的信息,且在计算消息收敛的同时确定迭代集群,并对算法进行了实验,证明算法是有效的.     

基于多尺度小波变换的改进型自适应滤波算法

介绍自适应滤波算法、多尺度小波算法的基本原理和两种算法结合的实现过程。针对最小均方(LMS)自适应滤波算法不能同时提高收敛速度和收敛精度,提出变步长LMS自适应算法,在滤波过程中算法先用大步长跟踪,提高收敛速度,接近稳态时用小步长跟踪,提高收敛精度。为了能有更好的滤波效果,应该在算法的步长因子上有所突破。在抽样函数的基础上改进算法,并结合多尺度小波分解,使得滤波的效果更加理想。通过Matlab仿真实验,验证了改进算法具有更好的稳定性和优越性。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

A composite particle swarm algorithm for global optimization of multimodal functions

During the last decade, many variants of the original particle swarm optimization （PSO） algorithm have been proposed for global numerical optimization, hut they usually face many challenges such as low solution quality and slow convergence speed on multimodal function optimization. A composite particle swarm optimization （CPSO） for solving these difficulties is presented, in which a novel learning strategy plus an assisted search mechanism framework is used. Instead of simple learning strategy of the original PSO, the proposed CPSO combines one particle＇s historical best information and the global best information into one learning exemplar to guide the particle movement. The proposed learning strategy can reserve the original search information and lead to faster convergence speed. The proposed assisted search mechanism is designed to look for the global optimum. Search direction of particles can be greatly changed by this mechanism so that the algorithm has a large chance to escape from local optima. In order to make the assisted search mechanism more efficient and the algorithm more reliable, the executive probability of the assisted search mechanism is adjusted by the feedback of the improvement degree of optimal value after each iteration. According to the result of numerical experiments on multimodal benchmark functions such as Schwefel, Rastrigin, Ackley and Griewank both with and without coordinate rotation, the proposed CPSO offers faster convergence speed, higher quality solution and stronger robustness than other variants of PSO.     

A hybrid cuckoo search algorithm with feasibility-based rule for constrained structural optimization

Constrained optimization problems are very important as they are encountered in many science and engineering applications. As a novel evolutionary computation technique, cuckoo search （CS） algorithm has attracted much attention and wide applications, owing to its easy implementation and quick convergence. A hybrid cuckoo pattern search algorithm （HCPS） with feasibility-based rule is proposed for solving constrained numerical and engineering design optimization problems. This algorithm can combine the stochastic exploration of the cuckoo search algorithm and the exploitation capability of the pattern search method. Simulation and comparisons based on several well-known benchmark test functions and structural design optimization problems demonstrate the effectiveness, efficiency and robustness of the proposed HCPS algorithm.