基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

一种组合粒子群和差分进化的多目标优化算法

在求解多目标优化问题时,针对粒子群优化算法容易陷入局部极值的现象,提出了一种组合粒子群和差分进化的多目标优化算法,使用粒子群优化算法和差分进化算法共同产生新粒子,通过一个判断因子控制两种算法的使用比例,并对粒子群优化算法的速度更新公式进行了改变,以提高搜索效率.通过三个测试函数进行了仿真,并同NSGA-Ⅱ、MOPSO-CD进行了比较.实验结果表明改进算法求得的Pareto解集收敛性和多样性好,并且算法稳定性高,运行速度快.     

混合分解的多目标粒子群优化算法

针对多目标粒子群算法全局最优值的选取缺陷以及多样性保留缺陷,提出了一种基于分解和拥挤距离的多目标粒子群优化算法(Smoeadpso).算法采用切比雪夫分解机制,将邻居向量对应的子问题的中的最优解来作为某个粒子全局最优值的候选解了更有效限制粒子飞行速度以避免粒子飞行超出解空间界限,引入了新的速度限制因子维持了种群多样性.本文算法与经典的多目标进化算法在10个测试函数上的对比结果表明, Smoeadpso求得的Pareto解集与真实Pareto解集的逼近程度有明显提升并且对于3目标问题求解的均匀性也比同类粒子群算法优秀.     

一种改进的多目标混合差分进化算法

将差分进化算法（DE）用于多目标优化问题,提出了一种精英保留和进化进程中非支配解集迁移操作的差分进化算法,以保证所求得多目标优化问题Pareto最优解的多样性。采用双群体约束处理技术,构建进化群体的Pareto非支配解外部存档集,并进行基于非支配解集的迁移操作,以增加非支配解的数目和质量。用多个经典测试函数测试的结果表明,与标准DE相比,该方法收敛到问题的Pareto前沿效果良好,能有效保持Pareto最优解多样性与收敛之间的平衡。     

基于自适应学习的多目标粒子群优化算法

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采用自适应惯性权值平衡算法的全局和局部搜索能力,采用聚类排挤方法保持Pareto非支配解集的分布均匀性,使用最近邻学习方法为每个粒子在Pareto非支配解集中寻找一个最优飞行目标来提高其收敛速度并保持粒子群搜索方向的多样性。实验结果表明,提出的算法可在显著地降低函数评估成本的前提下实现快速的搜索,并使粒子群均匀地逼近Pareto最优面。     

基于Pareto熵的多目标粒子群优化算法

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明：在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.     

多目标差分进化在热连轧负荷分配中的应用

提出一种基于差分进化算法的多目标进化算法, 该算法个体的选择是通过非支配排序和拥挤度距离进行综合考虑. 保证了算法收敛到Pareto最优解集的同时, 提高了最优解个体分布的多样性. 通过与非支配排序遗传算法Ⅱ(NSGA Ⅱ)算法进行仿真对比, 结果显示基于拥挤度排序的多目标差分进化算法在收敛性和Pareto最优解集分布的多样性上均优于NSGA Ⅱ算法. 最后将其引入到热连轧负荷分配优化计算中, 给出了目标函数的表达方式, 对多目标进化算法在热连轧负荷分配计算中的应用进行了研究.     

一种改进的多目标蜻蜓优化算法

提出了一种改进的多目标蜻蜓优化算法。通过引入混合变异算子增加种群的多样性,避免算法早熟现象的发生;采用基于拥挤距离的外部档案动态维护策略,使获得的Pareto最优解集具有更好的分布性。最后,使用多目标基准函数进行测试,并与基本多目标蜻蜓算法和基本多目标粒子群算法进行性能比较。实验结果表明,改进后的多目标蜻蜓优化算法提高了Pareto最优解集的收敛性和分布性。     

基于自适应进化学习的约束多目标粒子群优化算法

针对约束边界粒子在边界区域搜索能力不足的问题,提出一种基于自适应进化学习的约束多目标粒子群优化算法。该算法根据不符合约束条件粒子的约束违反程度,修正优化算法的进化学习公式,提高算法在约束边界区域的搜索能力;通过引入一种基于拥挤距离的Pareto最优解分布性动态维护策略,在不增加算法复杂度的前提下改进Pareto前沿的分布性。实验结果表明,所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto前沿。     

基于动态调整的多目标粒子群优化算法

为了改善多目标粒子群优化算法生成的最终Pareto前端的多样性和收敛性,提出了一种针对多目标粒子群算法进化状态的检测机制.通过对外部Pareto解集的更新情况进行检测,进而评估算法的进化状态,获取反馈信息来动态调整进化策略,使得算法在进化过程中兼顾近似Pareto前端的多样性和收敛性.最后,在ZDT系列测试函数中,将本文算法与其他4种对等算法比较,证明了本文算法生成的最终Pareto前端在多样性和收敛性上均有显著的优势.     

云搜索优化算法

本文将云的生成、动态运动、降雨和再生成等自然现象与智能优化算法的思想融合,建立了一种新的智能优化算法-云搜索优化算法(CSO)。生成与移动的云可以弥漫于整个搜索空间,这使得新算法具有较强的全局搜索能力;收缩与扩张的云团在形态上会有千奇百态的变化,这使得算法具有较强的局部搜索能力;降雨后产生新的云团可以保持云团的多样性,这也是使搜索避免陷入局优的有效手段。实验表明,基于这三点建立的新算法具有优异的性能,benchmark函数最优值的计算结果以及与已有智能优化算法的比较展现了新算法精确的、稳定的全局求解能力。     

粒子群算法在组合优化问题上的研究与发展

粒子群优化算法是一种新兴的基于群智能搜索的优化技术。该算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。介绍了算法的基本原理和算法在组合优化上一些改进方法的主要应用形式。最后,对粒子群算法作了一些深入分析并在此基础上对粒子群算法应用于组合优化问题做了一些总结。     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

一种基于粒子群优化的多目标优化算法

论文提出了一种基于粒子群的多目标优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分布性能;采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索,以提高算法的全局收敛性能。实验结果表明,论文算法是有效的,能有效的求解多种多目标优化问题。     

优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。     

基于动态优化因子的Zigbee协议优化仿真算法

研究Zigbee无线网络协议的优化.当前的无线传感网络中以Zigbee协议为基础,传递过程存在很大的盲目性,节点分布存在较大的随机性.目前协议中,节点最优评估通信方法大多针对静态无权网络拓扑结构,一旦随机性增大,网络拓扑结构发生松动,造成非最优节点参与通信,引起协议效率低下.为了避免上述缺陷,提出了一种基于动态优化因子的Zigbee协议优化仿真算法.应用动态优化因子方法,对网络节点进行搜索,为网络协议优化提供准确的数据基础.利用簇树拓扑方法,为网络节点分配地址,从而实现Zigbee协议优化.实验结果表明,应用改进算法进行Zigbee协议优化处理,能够提高网络服务效率.     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

机载雷达组网多站测角被动跟踪轨迹优化研究

研究多观测器轨迹优化控制问题,由于多站测角被动跟踪系统运行存在误差,用机载雷达组网的可移动传感器采集信息,可对雷达载体轨迹优化进行研究,利用控制雷达载体的飞行轨迹可有效解决跟踪目标的弱观测性及估计器的稳定性。为了改善传统轨迹优化算法容易陷入早熟收敛和局部最小的问题,提出一种模拟退火(Simulated Annealing,SA)和粒子群优化(Particle Swarm Optimization,PSO)算法的混合优化方法(SA-PSO)。在给出了角度信息的适应度函数表达式基础上,结合模拟退火算法的局部搜索能力和粒子群优化算法的全局搜索能力,提高优化算法的收敛速度、精度以及全局搜索能力。实验证明,改进的混合算法对雷达载体轨迹优化有效,并减小对机动目标的被动跟踪误差。     

粒子群算法及其在布局优化中的应用

复杂工程布局(如卫星舱布局)方案设计问题,在理论上属带性能约束的布局优化问题(NPC问题),很难求解。论文以卫星舱布局为例,将粒子群算法(PSO)应用于布局问题,构造此类问题的粒子表达方法,建立了此类问题的粒子群算法。文中通过3个算例(其中一个为已知最优解的算例)的数值计算,验证了该算法的可行性和有效性。     

基于细菌菌落算法的电力系统无功优化

电力系统无功优化具有非线性,多控制变量,多约束条件,连续变量和离散变量混杂的特点,针对现有算法或容易陷入局部最优解或收敛速度慢的缺点,提出了一种细菌菌落(bacterial colony optimization,BCO)优化算法,将BCO优化算法首次应用于电力系统无功优化问题。BCO算法将问题的解空间视为细菌培养液,在其中放置单个或少量细菌个体,模拟细菌菌落的生长进化过程,该算法本身具有进化机制,并且提出了一种新的结束准则。BCO算法通过繁殖适应度高的个体,死亡适应度低的个体,可以尽快的获得适应度更优的个体,从而可以避免算法陷入局部最优解,同时也加快了收敛速度。用BCO算法对IEEE14节点标准测试系统进行无功优化计算,实验结果表明,细菌菌落(BCO)优化算法较其他算法具有较强的全局寻优能力,且收敛速度快,鲁棒性好,可以作为求解电力系统无功优化问题的一种新途径。