基于可拓理论与信息融合的煤矿井下环境安全等级评判方法*

提出了一种基于信息融合技术和可拓原理的煤矿井下环境安全等级评价新方法。依据煤炭生产现场的实际情况,应用可拓原理和基于多因素优化融合的思想,建立了煤矿井下环境安全等级的物元评价模型。该模型能够完整反映矿井环境的安全等级,实现了对矿井环境信息的定性与定量的集成描述。运用此方法对某矿井安全进行等级评判,得出的结论符合实际情况与工程实际,验证了该方法的有效性和可行性。     

模拟谐振子算法及其全局收敛性分析

介绍模拟谐振子算法,并分析其全局收敛性。将算法的进化过程分解为产生新解、修正当前解、生成新解集3个基本的进化操作,并将这种状态变化分别映射为3个随机矩阵。应用有限马尔科夫链理论对该算法的解状态矩阵变化进行分析,结果表明,在保留优质解的前提下,当运算时间趋于无穷时,算法会逐渐收敛于全局最优解。     

具有自学机制和退火选择的教学优化算法

为了克服教学优化(TLBO)算法容易早熟,解精度低的弱点,提出一种具有教师自学和学生选择学习的改进教学优化算法。在每次迭代过程中教师个体首先通过反向学习(OBL),实现教师的自我提高,加强优秀个体周围邻域的搜索,引导算法向包含全局最优的解空间逼近,保证算法具有较好的平衡和探索能力。学生个体通过随机执行反向学习进行自学习,同时亦向教师个体进行学习,计算两种学习方法后的状态相对教师个体的突跳概率,并以此概率为基础进行轮盘赌产生子个体。通过在多个标准测试函数上的实验仿真并与相关的算法对比,结果表明所提出的改进算法具有更高的收敛速度和收敛精度。     

应用佳点集的混合反向学习人工鱼群算法

为了改善人工鱼群算法求解精度较低、容易过早收敛的弱点,提出了一种应用佳点集和反向学习的人工鱼群算法.改进算法在迭代中对当前种群中部分优质个体执行一般动态反向学习,生成它们的反向种群,引导种群向包含全局最优的解空间逼近,以提高算法的平衡和探索能力.当种群的拥挤程度超过阈值λ时,利用佳点集机制对大部分个体重新初始化,以帮助算法脱离局部最优的约束.在六个Benchmark函数上的实验表明,该算法收敛速度快、求解精度高,适合求解函数优化问题.     

求解VRP问题的混合鱼群遗传优化算法

首先对物流配送中的一般车辆优化调度问题（VRP）进行了分析,并为之建立了相应的数学模型。随后设计了一个人工混合鱼群算法,并研究了如何应用该算法解决车辆优化调度问题,该算法在初期阶段应用人工鱼群算法迅速获得阶段最优解,在后期阶段应用遗传算法寻求最优解。最后通过仿真实验验证了该算法具有求解速度快,性能稳定等优点。     

改进的动态自适应学习教与学优化算法

为了克服教与学优化(TLBO)算法在求解函数优化问题时容易陷入局部最优、后期收敛速度慢、解精度较低等的弱点,提出了一种动态自适应学习和动态随机搜索机制的改进教与学优化算法。首先,在教师的教学过程中,引入一个线性变化的动态学习因子,来调整在迭代寻优过程中学生自身知识对本次学习的贡献价值。其次,为了提高算法的解精度,教师个体将执行动态随机搜索算法以加强对种群内的最优个体所在解空间的勘探。在14个标准测试函数上进行仿真实验,将所提算法与其他相关算法进行对比,结果表明所提算法不仅在求解精度,而且其收敛速度均优于标准TLBO算法,适合求解较高维的函数优化问题。     

融合头脑风暴思想的教与学优化算法

针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题，提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子，并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中，当前个体首先执行“教”算子。随后，在种群中随机选择两个个体，令其中优秀的个体与当前个体执行头脑风暴式学习，提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力，在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明，与TLBO算法相比，所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上，ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性，所提算法适合用来求解较高维度的连续优化问题。     

道路网络中的移动对象索引方法研究

基于MON-Tree的思想提出了一种新的索引结构MON⁺-Tree。给出了MON⁺-Tree的数据结构、插入算法和查询算法。最后通过实验MON⁺-Tree、MON-Tree和MONC-Tree进行性能比较,证明MON⁺-Tree为效率更高的查询算法。     

改进的双种群竞争教与学优化算法

为了克服教与学优化算法在求解高维函数问题时,容易早熟,收敛速度慢,解精度低的弱点,提出一种引入竞争机制的双种群教与学优化算法。在该算法中设置两个教师,并基于帝国竞争优化机制将种群初始化成为两个学生种群,每一个教师带领自己的种群独立进化。在进化过程中,教师可以利用自己的影响力将外种群内的成员吸收进入自己的种群。为了提高教师个体的学习能力,引入反向学习机制。在多个Benchmark函数的测试表明,改进算法解精度较高,全局收敛能力强,适合求解较高维度的函数优化问题。     

基于两种进化模式的双种群协作差分演化算法

提出了一种基于两种进化模式的双种群协作差分演化算法（DPDE）。在DPDE中,两个种群通过协作共同进化。首先,各种群以不同的进化模式,通过个体竞争实现自身进化;其次,种群之间基于局部信息传递和共享机制,通过随机交换个体方式相互协作、共同进化,既实现了不同进化模式间的优势互补,又可以改善种群的多样性。对于5个典型Benchmark测试函数,通过与DE和DEfirDE算法的比较表明：DPDE具有更好的全局收敛性和鲁棒性,特别适合求解高维多模态函数的最优化问题。