采用双档案协同进化离散多目标烟花算法的低碳疫苗冷链优化配送

建立低碳疫苗冷链配送问题的约束多目标优化模型,在满足可用车数量、车辆容量约束和时间窗约束的条件下,考虑最小化碳排放的企业运输成本和客户不满意度。提出一种双档案协同进化的离散多目标烟花算法,采用消除车辆数量和容量约束的解码方式,设计了部分映射爆炸算子,设置可行解档案和不可行解档案协同进化,并对不可行解档案实施可行性搜索。实验结果表明,与已有算法相比,所提算法在低碳疫苗冷链配送问题上能高效地搜索到一组收敛精度和分布性能更优的Pareto非支配解。     

基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法

种群多样性和信息交互的深度与方式对混合蛙跳算法的爬山能力、探索能力和开发能力有着深远影响.针对混合蛙跳算法易于陷入局部最优、收敛速度慢和寻优精度差等缺点,提出一种基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法.首先,增加子群次优解与次劣解的信息交互,促进子群内部信息的利用,引入反向跳跃思想改进局部更新机制,降低迭代后期劣解产生概率,提升空间开发能力;然后,借鉴2-opt方法实现局部最优解变异,增加子群的多样性;最后,采用各局部最优解交叉的方式加深子群间的交互深度,同时利用反向跳跃机制防止种群同化.采用23个单峰、多峰和固定维度下的复杂多峰函数作为测试集进行仿真实验,结果表明所提出算法具有更优的搜索性能,能够有效提高种群多样性,防止算法早熟收敛,且能够适应不同类型的函数优化问题.     

一类线性时变系统组合自适应迭代学习辨识

针对一类在有限时间区间上可重复运行的既含时变参数又含时不变参数的高阶线性时变系统,提出了一种模型参考组合自适应迭代学习参数辨识算法.应用Lyapunov方法,给出了时不变参数的时域自适应学习律和时变参数的迭代域自适应学习律,分析了参数估计和模型状态跟踪误差的有界性与收敛性.该算法适于时变和时不变参数并存的线性系统的参数辨识,可加快参数估计的收敛速度.仿真例子验证了所提出的辨识算法的有效性.     

基于改进混合蛙跳算法的个性化旅游路线推荐

大众在旅游途中期望获得开销低、行程方便、舒适度高的旅游体验,同时还具有历史人文、自然景观、美食购物等不同游览需求.因此,本文提出了一种基于改进混合蛙跳算法的个性化旅游路线推荐方法.首先建立个性化旅游路线推荐问题的优化模型,并针对该模型的特点,设计改进混合蛙跳算法.通过调整可控精度,增加筛选准则和及时处理异常解等策略增强群体的多样性,降低遗漏最优解的风险,强化局部搜索能力,并提高算法的求解精度.以南京三日游个性化旅游路线推荐问题作为实例,收集南京市内知名景点的门票价格、开放时间、不同出行方式所需的时间和花费情况以及食宿费用等相关数据,基于改进混合蛙跳算法进行求解.实验结果表明,与改进前的方法相比,所提改进方法能够获取更优的路径解,推荐的路线能够更好地满足用户的个性需求.     

引入启发信息的粒子群算法在低碳TSP中的应用

建立低碳旅行商问题的数学模型LCTSP,并验证了模型的有效性。提出一种基于问题启发信息的离散粒子群算法。根据距离和载重信息设计一种新型离散个体生成算子,该算子对个体自身采用多元变异策略,保持个体的“惯性”,同时采用贪婪交叉策略实现个体与个体极值和全局极值之间的信息交互;基于优先卸货信息对个体极值进行局部搜索,调整种群跟踪对象,以快速跳出局部最优;度量种群同化程度,利用点插法和2-Opt算子对全局极值进行精细化搜索,增强挖掘能力,提高搜索精度,降低种群同化速度。将所提算法与6种代表性算法应用于一组不同规模的低碳旅行商问题中,结果表明,所提算法具有更高的求解精度。     

一种引入偏好信息的多目标优化遗传算法

提出一种以交互方式引入决策者偏好信息的多目标优化遗传算法．该算法使用一种基于偏好信息的排序方法比较个体之间的优劣，并通过图形用户界面实现决策者与算法的交互．对算法的计算复杂度进行了理论分析，并进行了仿真实验．结果表明，所提算法具有较高的搜索效率，能够有效地求得期望区域内的折中解；特别当决策者的偏好发生变化时，算法能够快速做出响应，改变搜索范围，提供相应区域内的解．     

一种多目标优化合作型协同进化算法

基于合作型协同进化模型,提出了一种新型的多目标优化进化算法.该算法使用精英保留的思想以加快收敛速度,并采用一种新型的子群体间合作方式,提高了候选解的多样性,且避免了在一般多目标优化进化算法中难以处理的适应值分配或非支配排序过程,从而大大减小了计算资源的消耗.使用图形法和三种定量的测度将所提算法与一种经典的多目标优化进化算法NSGA-Ⅱ在一组标准测试函数上进行了比较,结果表明算法具有更高的搜索效率.     

一种子群体个数动态变化的多目标优化协同进化算法

给出一种新型的在多目标优化条件下的进化算法群体停滞判别准则，并基于该准则提出一种合作型多目标优化协同进化算法．该算法在运行过程中自适应地决定子群体的新增和灭绝．使得子群体个数依据需要动态变化，减小了对计算资源的消耗，并解决了对复杂多目标优化问题难以事先进行分解的问题．对所提算法的计算复杂度进行了理论分析，并把它与已有的多目标进化算法进行了比较，结果表明所提算法具有较高的搜索性能．     

采用动态神经网络的多模型自适应重构控制方法

针对复杂的系统,提出一种基于多模型结构的自适应重构控制方法,使得系统可以在不同的运行环境下跟踪给定的信号,并且对特定的故障情况具有控制重构的能力;首先,由多个线性模型和一个模糊模型构成多模型控制结构,并设计多模型自适应控制器的权值调整规则,以获得当前最佳的控制输入,再引入动态自适应神经网络以保证系统的稳定性,并避免模型切换等噪声干扰;最后,对某型歼击机进行正常和故障状态下的控制仿真,结果表明所提重构控制方法是可行有效的。