最优化问题全局寻优的AFSA-BFGS混合算法

针对人工鱼群算法在优化后期收敛速度变慢问题,利用BFGS算法快速的局部搜索能力来改进,提出了一种最优化问题全局寻优的AFSA-BFGS混合算法。通过8个标准函数测试结果表明,AFSA-BFGS混合算法,不仅具有全局收敛性能,而且还具有较快的收敛速度和更高的求解精度,是求解优化问题的一种有效方法。     

带约束多目标最优化问题的一种新的进化算法

1 引言多目标最优化问题在科学技术、经济管理等领域大量存在,进化算法一次运算可望求出多目标最优化的许多有效解的特性,引起众多学者的研究兴趣。目前,仅在网址:www.la-nia.mx/～ccoello//emoo/emoobib.html上就可查到近千篇多目标进化算法方面的文献。最近几年出现的多目标进化算法,绝大多数都是研究无约束多目标最优化问题(例如见文[1,2]),而实际问题中遇到的多目标最优化往往都带有约束条件,因而处理约束就是解决现实问题的关键。正如Kalyan-moy Deb等学者在文[3]中指出:“研究者是该把注意力集中在解决约束多目标最优化问题的时候了”。     

基于均匀设计与Powell算法的全局最优化算法及并行实现

复杂函数的全局最优化问题是在求解各种复杂工程与科学计算问题中提炼出来的亟待解决的计算问题,均匀设计具有让试验点在高维空间内均匀分散的特点,而Powell算法具有很好的求解局部最优解的能力,将两种方法进行有效改进后使之相结合,设计出并行全局最优化算法.通过经典的全局最优化函数对算法进行了比较测试,发现该算法具有比以前的算法更好的寻优能力,并对算法时间、空间复杂度以及并行性进行分析和测试.基于均匀设计与Powell算法的全局最优化并行算法具有寻优能力强,时间开销与问题因素个数的平方和布点数成线性复杂度,空间开销与因素个数和布点数成线性复杂度,并行效率好的特点.     

二叉判定图最优化算法研究综述

对近年来二叉判定图(BDD)最优化算法的成果和发展趋势进行了综述和讨论，重点介绍精确排序算法和动态启发式排序算法．给出了BDD优化算法的改进建议：用不完全枚举法的优势和随机过程动态规划策略改进BDD优化算法．     

模式搜索法在最优化问题中的应用

模式搜索方法(pattenrsearch)是求解最优化问题的一种直接搜索方法,它不要求目标函数必须可微或者连续,是求解不可导或求导代价较大的最优化问题的一种有效方法。介绍了模式搜索法的原理与改进,以及Matlab模式搜索工具箱应用实例     

解约束最优化问题的一个新的多目标进化算法

把约束函数作为目标函数,将约束优化问题转化为多目标规划问题。对这个多目标规划,根据带权极小极大策略构造了一个同进化代数有关的变适应值函数。利用广义球面坐标变换和均匀设计法来选择权重,使得由此权重确定的适应值函数能使种群中的容许解逐渐增加并且保持其多样性。用均匀设计法构造的带有自适应性的变异算子增强了算法的局部搜索能力。该方法能有效处理约束,特别是紧约束。计算机仿真显示了该方法是有效的。     

分层多目标最优化进化算法

文章用进化算法给出了求解二层字典分层多目标最优化的方法,该算法把求解问题转化为多目标最优化,并研究了这两个问题的解集之间的联系。对多目标最优化定义了一个新的选择算子和适应值函数,这样定义的选择算子和适应值函数结合均匀设计能有效地引导搜索,直接求出问题的解而不用逐层求解。数值模拟表明该方法十分有效。     

面向多核系统的蚁群最优化能耗调度算法

主要研究多核系统的能耗最优化问题。首先,根据多核系统的特点,建立关于多核系统的任务、能耗模型;接着,设计和实现一种基于蚁群最优化能耗调度算法。本文算法以蚁群算法的概率状态转移规则为核心,通过全局信息激素更新的策略,避免了陷入局部最优的情况,从而获得全局最优解。通过实验比对,分别与贪心算法、穷举算法比较后发现：本校提出的调度算法,在最佳情况下,仅比最优能耗高0.7%,而该算法复杂度低,可以应用于任务输入集较大的场景。      

一种求解函数优化问题的新算法

1.引言遗传算法的基本思想来源于达尔文(Dorwin)的进化论和门德尔(Mendel)的遗传学说。达尔文的进化论认为:每一物种在不断的发展过程中越来越适应环境,在个体的生存与发展中那些适应环境的个体则被保留下来,体现了“适者生存”的原理。与此相应,门德尔的遗传学说则认为:遗传是作为一种指令码封装在每个细胞中,并以基因的形式包含在染色体中。通过基因杂交和基因突变可产生对环境适应强的后代,并通过优胜劣汰的自然选择,适应值高的基因则被保留下来。霍兰德(Holland)等人正是综合了上述两种学说的基本     

混沌神经网络及其在最优化问题中的应用

首先评述了三种混沌神经网络模型,然后提出了一种新的混沌模拟退火算法。其次将四种方法分别应用于10个城市的施行推销商问题。文中给出了每一模型神经元输出和能量函数随时间演变过程曲线。根据仿真结果,讨论了四种方法的特性与有效。其结论为：提出的模拟退火神经网络比其它网络模型更能获得全局最小解。     

一类One to One安排优化问题及其进化算法

针对One to One安排问题在一般情况下的优化模型。设计一个新的进化算法求解该问题。该算法采用新的启发式变异算子和局部搜索算子。理论分析表明算法以概率1收敛到全局最优解,最后进行计算机仿真,结果表明算法是有效的。     

基于DE 和SA 的Memetic 高维全局优化算法

针对高维复杂多模态优化问题,传统的进化算法存在收敛速度慢,求解精度低等缺点,提出一种面向高维优化问题的Memetic全局优化算法。算法通过全局搜索和局部搜索结合的混合搜索策略,采用多模式并行差分进化算法进行全局搜索,基于高斯分布估计的模拟退火算法进行局部搜索。改进后的Memetic算法不仅继承了差分进化算法能发现全局最优解的优点,而且能大幅度提高搜索效率。最后,通过对4个高维多峰值Benchmark函数进行仿真实验,实验结果表明本文算法有效提高了算法的收敛速度和求解精度。     

强化狼群等级制度的灰狼优化算法

针对灰狼优化(Grey wolf optimization, GWO)算法在处理复杂优化问题时优化精度不高,易陷于局部最优等问题,提出了一种强化狼群等级制度的灰狼优化(GWO based on strengthening the hierarchy of wolves, GWOSH)算法。该算法为灰狼个体设置了跟随狩猎和自主探索两种狩猎模式,并根据自身等级情况来控制选择狼群的狩猎模式。在跟随狩猎模式中,灰狼个体以等级高于自身的灰狼的位置信息来指引自己到达最优解区域;而在自主探索模式中,灰狼个体会同时审视等级高于自身的灰狼的位置信息和自身位置信息,并基于这些信息自主判断猎物的位置,同时两种更新模式都将引入优胜劣汰选择规则来确保种群的狩猎方向。对12个基准测试函数进行优化的结果表明：与已有的算法相比,GWOSH算法的全局搜索能力更强,更能有效避免易早熟收敛的问题,更适用于求解高维的复杂优化问题。     

一种基于标杆管理的优化算法

借鉴标杆管理理念,提出了一种基于标杆管理的优化算法（benchmarking-based optimization algorithm,简称BOA）.根据标杆管理的核心价值观,设计了一套基于动态小生境的竞争性学习机制,针对常用的编码方案,设计出了具体可行的执行方法.种群内个体执行方向明确的主动学习式搜索,通过对标杆的模仿学习,能够快速搜索到解空间内的目标区域内,具有较好的智能性.此外,整个小生境种群系统通过自组织学习实现与环境的友好交互,较好地解决了保持种群的多样性的难题.分析了BOA算法与遗传算法等现代智能优化方法在搜索模式上的重要区别,并通过对比仿真实验,表明算法能够与环境进行稳定而友好的交互,表现出较强的鲁棒性,其搜索速度和寻优能力在实验中均有较好的表现.     

细菌觅食优化算法的研究进展

细菌觅食优化算法是近年来发展起来的,基于大肠杆菌觅食行为模型的一种新型智能算法。它具有对初值和参数选择不敏感、鲁棒性强、简单易于实现,以及并行处理和全局搜索等优点。但其在应用过程中存在精度不够高、收敛速度不够快的缺点。文中首先对细菌觅食优化算法的基本原理及操作流程进行介绍,并概述了国内外学者在这一领域的研究现状,接着分析了算法三大主要操作存在的问题,然后探讨了算法的改进和应用,最后分析了算法未来的研究方向。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

遗传算法在供应链优化问题中的应用

本文以新疆某番茄酱厂番茄酱生产过程信息化项目为背景,主要针对生产计划中的供应链出现的问题,提出了一个新型供应链优化模型,并且采用遗传算法对其求解。     

求解全局优化问题的混合智能算法

把序列二次规划作为遗传算法的一个局部搜索算子,嵌入到实数编码遗传算法中,构成一种基于序列二次规划和实数编码遗传算法的高效的混合智能算法。该方法充分利用序列二次规划法的强局部搜索能力和遗传算法的全局收敛性,使得混合算法的全局收敛性得到改善并且减少了计算量。数值实验结果表明,混合算法是高效可靠的。     

一种求解优化问题的新型混合遗传算法

论文在标准遗传算法中引入新的交叉运算和变异运算,针对优化问题提出了一类新型混合遗传算法。具体算例验证了算法的有效性和相对于标准遗传算法及某些混合遗传算法的优越性。