改进的 QPSO 算法在自融资投资组合中的应用

针对量子粒子群优化 (Quantum Particle Swarm Optimization, QPSO) 算法的缺陷,提出了一种基于 L$\acute{\rm e}$vy 飞行策略和混合概率分布的改进量子粒子群优化 (Hybrid Quantum Particle Swarm Optimization, HQPSO) 算法。在算法的设计中,借助 L$\acute{\rm e}$vy 飞行策略对粒子位置的迭代公式进行更新,用于改善算法的局部收敛精度,增强其全局探索能力。另外,考虑到迭代后期的早熟问题,在势阱模型中引入了指数分布和正态分布相结合的混合概率分布,帮助算法及时逃离局部最优。基于 16 个基准函数的测试结果表明,HQPSO 算法在收敛精度和鲁棒性上比其他几种算法表现更好。最后,将改进的 QPSO 算法应用到自融资投资组合模型的求解中,其数值结果与差分进化、粒子群优化算法和量子粒子群优化算法相比,HQPSO 算法展现出更好的可比性和优越性。     

多种群的粒子群优化算法的研究

基于差分进化算法和标准粒子群算法的混合算法进行改进,提出多种群的混合粒子群算法。通过仿真,改进后的算法在收敛速度和性能方面相当于其他粒子群算法有较大的提高,具有较强的鲁棒性。     

一种变异粒子群算法求解排课问题

该文对排课问题进行数学抽象和形式化描述,以课表的时间利用率最优为目标提出了排课问题的数学模型,并用粒子群优化算法进行求解。为克服基本粒子群优化算法容易陷入局部收敛的缺陷,该文设计了一种改进的变异粒子群算法,通过变异增强了种群的自我进化能力和多样性,避免了算法陷入局部收敛,提高了算法的全局寻优能力。实验仿真表明,该文所提出的算法具有良好的可行性和有效性。     

模糊环境下基于遗传差分协同进化的多阶段投资组合模型

现实经济活动中投资一般是不确定的和随机的,投资者对于风险资产的选择大多情况下是多阶段的。基于该现实因素,在模糊环境下考虑多个摩擦因素,利用交易限制引入资产的基数约束,建立可能性均值–下半方差–熵多阶段投资组合优化模型(V-S-M),该模型是一个多阶段混合整数规划问题。同时,给出了求解该模型的一个遗传差分协同进化算法(GAHDE),并对不同风险态度下的投资组合策略进行了分析,同时将所得数值结果与可能性均值–下半方差模型(V-M)和可能性均值–熵模型(S-M)进行模型对比,与标准的遗传算法和差分进化算法进行了算法对比,结果验证了所建模型和设计算法的优越性与有效性。     

非线性混合整数规划问题的改进差分进化算法

针对非线性混合整数规划问题,本文采用非固定多段映射罚函数法处理约束条件、用混合整数编码技术处理连续变量和整数变量,并在基本差分进化算法中加入一种新型的凸组合变异算子和一种指数递增交叉算子,由此构造出了一种求解非线性混合整数规划问题的改进差分进化算法。实验表明,所提出的算法全局收敛速度快,精度高,鲁棒性强。     

基于智能优化算法的膜系设计展望

本文概述了膜系设计的主流设计方法。介绍了粒了群优化算法和差分进化算法两种新兴智能优化算法,阐述了这两种新的智能优化算法的算法原理。提出未来将智粒子群优化算法和差分进化算法引入膜系设计的研究方向展望。     

求解复杂优化问题的双层多种群粒子群优化算法

为解决粒子群优化算法存在的易早熟和精度低问题,提出了一种双层多种群粒子群优化算法.此算法采用上下两层,即下层N个基础种群和上层一个精英种群.各个基础种群相互独立进化,并从精英种群中得到优良信息指导自己的进化.上层精英种群首先通过接受各基础种群的当前最优粒子来更新自己的粒子集合,然后执行自适应变异操作,最后随机地向每一个基础种群输送出本次进化后的一个最优粒子来改进其下一轮搜索.该算法的并行双进化机制增加了群体的随机性和多样性,提高了全局搜索能力和收敛精度.实例仿真表明该算法具有较好的性能,尤其对于复杂多峰函数优化,成功率显著提高.     

自动化生产单元调度的混沌粒子群算法

在求解一类带时间窗口的自动化生产单元调度问题时,基本粒子群算法易陷入局部极值点且收敛缓慢.针对这一问题,将混沌搜索技术引入至基本粒子群算法中,利用混沌运动搜索精度高、遍历性好的特点来改善基本粒子群算法易陷入局部极值点和收敛缓慢的缺点,从而提高粒子群算法的收敛速度和优化质量.首先给出了带时间窗口的自动化生产单元调度问题的混合整数规划模型,着重讨论了混沌粒子群调度算法的设计,包括编码方式、混沌初始化、混沌扰动和适应度函数计算等.对提出的算法进行了仿真验证,仿真结果表明在求解此类调度问题上,混沌粒子群算法比基本粒子群算法具有明显的优势.     

考虑交易费用的均值——VaR多阶段投资组合优化模型

考虑到方差、下半方差和绝对偏差等度量投资组合风险的局限性以及单阶段投资决策不符合投资者的实际投资行为等因素,本文将风险价值（Value-at-Risk,简称VaR）作为风险度量标准应用到多阶段投资组合优化中．由于中国股票市场不允许卖空,因此本文在不允许卖空的情况下,在约束条件中同时考虑了交易费用和投资比例,建立了一个均值--VaR多阶段投资组合优化模型．考虑到粒子群算法具有收敛速度快,结构简单以及需要调控的参数比较少等优点,运用带有罚函数处理机制的粒子群算法对新建立的多阶段投资组合优化模型进行求解．求解得到了不同路径下各阶段资产的最优投资策略,从运算结果可以看出,在不同的投资路径下投资者的投资行为基本一致,在第一阶段对自己看好的股票买入,经过第一阶段股市的波动,在第二阶段对自己看好的股票继续买入,对不看好的股票不买入或者直接卖出,这种投资行为符合投资者的实际投资行为,说明本文所提出的模型具有合理性．     

混合粒子群算法在混流装配线优化调度中的应用

应用粒子群算法求解混流装配线的优化调度问题,给出粒子的构造方法,并针对算法中存在过早收敛的问题,提出了一种与局部优化和粒子微变异方法相结合的混合粒子群算法.给出了一个实例,实例应用粒子群算法和混合粒子群算法分别进行求解,与其他一些方法比较表明,混合粒子群算法可以有效、快速地求得混流装配线优化调度问题的解.     

基于粒子群遗传算法的泊车系统路径规划研究

针对智能停车库自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于粒子群和遗传算法的动态自适应混合算法.在标准粒子群算法和遗传算法的基础上,通过引入动态自适应调整策略分别对惯性权重系数、学习因子以及交叉变异概率公式进行了优化.在进化初期,通过在惯性权重系数和学习因子之间建立动态联动关系来实现对粒子速度和位置的实时有效更新;在进化后期,通过引入自适应遗传算法的交叉、变异操作来增强混合算法的全局搜索能力,提高算法的进化速度和收敛精度.为验证混合算法的可行性和有效性,选用MATLAB软件对其进行仿真测试.仿真测试结果显示,与禁忌搜索算法、蚁群算法以及遗传算法相比,混合算法表现出较强的全局搜索能力和较好的收敛性能,表明混合算法可行和有效.     

基于融合禁忌搜索粒子群算法的配电网无功优化

从数学角度分析,配电网无功优化是一个非线性、多变量、多约束的混合规划问题。粒子群优化搜索算法被广泛应用于求解配电网无功优化问题。由于粒子群算法粒子群在进化过程易趋向同一化,失去多样性,从而使算法陷入局部最优解。本文在分析配电网无功优化的特性基础上,提出一种改进的紧融合禁忌搜索-粒子群算法用于配电网无功优化问题的求解。通过将禁忌搜索功能融合到粒子历史最优解和全局最优解寻优过程中,避免了粒子群算法寻优过程中出现的局部最优问题,从而提高粒子群算法的全局搜索能力。通过IEEE14节点系统的仿真计算结果表明,改进的算法能取得良好的效果。     

基于离散差分进化算法的随机车辆路径问题

针对差分进化算法求解组合优化问题存在的局限性,引入计算机语言中的2种按位运算符,对差分进化算法的变异算子进行重新设计,用来求解不确定需求和旅行时间下同时取货和送货的随机车辆路径问题（SVRPSPD）。通过对车辆路径问题的benchmark问题和SVRPSPD问题进行路径优化,并同差分进化算法和遗传算法的计算结果进行比较,验证了离散差分进化算法的性能。结果表明,离散差分进化算法在解决复杂的SVRPSPD问题时,具有较好的优化性能,不仅能得到更好的优化结果,而且具有更快的收敛速度。     

基于改进PSO和DE优化神经网络的电能质量扰动分类

针对电能质量问题提出了基于改进粒子群优化算法(PSO)和差分进化算法(DE)相结合优化神经网络的分类方法。首先用Matlab仿真几种典型的电能质量扰动信号,再利用小波变换进行多尺度的分解,得到各尺度的能量信息作为特征向量输入BP神经网络分类器中对扰动信号进行快速、准确的分类识别。并针对传统BP算法收敛耗时长速度慢,不能保证获得全局最优等缺点,在种群分类基础上提出了一种混合粒子群与差分进化算法的新型PSO-DE算法,并利用其对神经网络进行改进。这种混合PSO-DE算法在很大程度上能弥补BP神经网络的不足,采用该算法对网络进行优化后完成电能质量扰动信号的自动分类。     

基于差分进化算法的供水系统节能调度研究

针对当前供水系统节能降耗的需求,根据供水系统运行特点,利用合理划分调度期的方式,建立了以节能为目标的优化调度模型;采用差分进化算法对模型进行求解,应用实数编码将决策变量表示为进化种群中的个体;运用罚函数法对约束条件进行转换,并使用加法和乘法的形式进行组合,构建了适应度函数;采用标准差分策略进行变异操作;以天津市中心城区供水系统为例,验证了模型与差分进化算法的有效性,并与遗传算法进行了对比,显示出前者在求解该模型上具有一定的优势。     

基于自适应QPSO算法的软件测试数据自动生成

针对软件测试数据采用遗传算法和粒子群算法自动生成算法复杂和容易早熟等问题,提出一种动态调整收缩扩张因子的自适应量子粒子群算法(AQPSO)。该算法通过引入粒子进化度和聚合度,收缩扩张因子随粒子进化度因子和聚合度因子变化而变化,从而实现算法的动态自适应性,提高算法收敛速度和求解精度。软件测试数据自动生成实验验证了该算法的有效性和可行性。     

基于差分进化算法的河流突发性污染事故溯源

针对河流上突发的污染事故溯源问题,在可观测数据有限的情况下有效找出污染源信息对于开展有效的治理措施至关重要。为快速精确地得到事故位置、强度和时间的未知污染源参数,建立了最优化溯源模型,该模型考虑了测量误差,基于贝叶斯推理通过后验概率来度量模型优化目标。为求解优化模型,提出了改进的差分进化算法。首先,利用部分观测数据训练得出流速等水文参数;然后,采用自适应差分进化算法优化污染源参数。实例与仿真结果表明:与传统优化算法相比,改进的差分进化算法可以在更大的源项参数取值范围内有效提高河流突发性污染事故溯源的精度。     

基于混沌差分进化粒子群算法的模糊资源受限项目调度问题

本文研究了工期模糊情况下的资源受限项目调度问题,采用一种基于区间数距离的模糊取最大运算比较模糊工期的大小,解决了以往研究中忽略的工期模糊情况下,项目关键路径可能会发生改变,相应地各活动的模糊调度时间以及项目的模糊最短工期也可能随之发生改变的问题。引入一种基于混沌和差分进化的混合粒子群优化算法,并对算法的惯性权重进行改进来求解上述问题。通过一个算例验证了所建立模型及提出方法的有效性。     

高斯变异差分进化算法及其应用研究

为平衡算法收敛速度和全局搜索能力,克服差分进化算法易“早熟”的缺陷,在分析引起种群多样性下降及个体进化停滞原因的基础上,通过引入高斯变异操作,提出了基于高斯变异改进的差分进化算法(modified differential evolution base on Gauss mutation, GMDE). 数值仿真及2个工程优化问题的求解结果表明本文算法能有效避免“早熟”收敛,且在算法收敛速度和全局搜索能力上取得了较好的平衡.     

自适应人工蜂群优化极限学习机在拉曼光谱血液定量分析中的应用

提出了一种基于自适应差分进化人工蜂群优化极限学习机预测血液各组分浓度的方法。首先应用人工蜂群算法对输入权值和隐含层阈值迭代寻优;其次结合差分进化进一步提高模型精度且避免后期易陷入局部最优等问题;由于差分进化算法交叉率和变异率存在凭经验给定的不确定性,最后引入了自适应调整的思想提出自适应差分进化人工蜂群算法优化极限学习机算法的模型,将其应用于血液成分定量分析中。实验表明,自适应差分进化人工蜂群算法优化的极限学习机模型具有较高的预测精度,模型具有较强的稳健性。