一种改进的协同优化算法及其应用

针对协同优化方法收敛困难、优化效率低的问题,提出了一种改进的协同优化算法—ICO算法。通过引入自适应松弛因子将一致性等式约束转化为不等式约束,同时建立混合惩罚函数,将系统级约束优化问题转化为无约束优化问题,ICO算法较好地克服了传统协同优化算法难于收敛的缺点。标准算例实验结果表明,ICO算法能够有效提高优化的稳定性、可靠性和计算效率。优化结果显示了协同优化算法解决海洋供应船的设计优化问题的有效性,为解决更为复杂工程系统的设计优化问题奠定了基础。     

基于仿真优化的飞机维修备件优化问题研究

飞机维修备件优化问题研究目标是寻求备件费用与飞机的战备可靠性之间的平衡。针对通常的解析方法假设过多的问题,提出了仿真优化的方法加以解决,在两种备件优化模型的基础上,建立更符合备件优化实际情况的仿真模型,在仿真模型中引入优化策略,对备件优化问题进行求解。最后,以具体应用遗传算法为例,简要介绍了仿真优化的基本原理、仿真优化算法及仿真优化方法的应用过程。结果表明,仿真优化的方法解决备件优化问题是合理可行的。     

非线性约束优化的算法分析

针对非线性约束优化问题,运用了一种新的智能优化算法——社会认知优化算法。社会认知优化算法是一种基于社会认知理论的集群智能优化算法,它对目标函数的解析性质没有要求,适合于大规模约束问题处理的优点,使搜索不容易陷入局部最优。将该算法引入非线性约束问题,解决优化问题。通过实例和其他算法进行比较,对比数值实验结果表明,即使只有一个学习主体,该算法能够高效、稳定地得到解决方案,便于求解非线性约束优化问题。     

大规模多输入多输出下的容量优化算法

针对3D相关信道中大规模多输入多输出系统的遍历和速率最大化问题,将空间自由度、信道估计精准因子引入预编码的容量分析中,提出一种联合优化问题的容量优化算法。推导空间自由度、信道状态信息准确度下的系统容量表达式,将系统容量最大化时的联合优化问题转化为用户数优化问题的条件,并基于中点法求优化问题的最优解。仿真结果表明,当信道估计精准因子为0.1、空间自由度为200时,该优化算法与基于用户数穷举搜索算法优化后的遍历和速率、用户数几乎相等,且收敛速度快、复杂度低。     

混合性能指标优化问题的进化优化方法及应用

针对混合性能指标优化问题的普遍性及其处理过程中的特点,提出一种混合性能指标优化问题的进化优化方法,首先给出混合性能指标优化问题的定义;然后．确定不同类型和标度的性能指标的转换策略、混合性能指标的个体适应度的赋值方法、以及混合性能指标优化问题的进化优化流程;最后．通过服装设计这一典型的混合性能指标优化问题的仿真验证了算法的有效性．     

现代优化技术在无线传感器网络中的应用

无线传感器网络是由大量廉价、微小的传感器节点构成的,用于实时监测环境的无线自组织网络。由于无线传感器网络具有规模庞大、节点的计算和存储资源受限、网络拓扑动态不确定等特性,设计高性能的无线传感器网络常常会涉及传统的技术难以建模和求解的复杂优化问题。现代优化技术是一类新兴的具有较强全局搜索能力的启发式优化算法,是解决无线传感器网络中的复杂优化问题的有力工具。作者在研究现代优化技术在无线传感器网络中的主要应用领域,包括传感器节点的定位、网络节点的部署优化、网络覆盖优化、网络路由优化和数据融合问题的基础上,分析了现代优化技术在求解无线传感器网络中的复杂优化问题上的优缺点,并对该领域未来的发展趋势进行了展望。     

物流企业配送车辆调度问题研究综述

物流配送车辆优化调度问题(Vehicle Routing Problem,简称VRP)是一个研究热点,许多学者采用了各种优化方法来解决实际问题。该文首先综述了车辆优化调度问题的起源、研究动态及水平,然后再综述了物流配送车辆调度问题的各种优化方法,然后对所述的几种优化方法的优缺点、适用性等都作了说明,并对它们作以比较分析。     

汽车薄壁冲压件焊点的拓扑优化

汽车薄壁冲压件的焊点数量是汽车制造成本的决定性因素,为了降低成本,焊点的拓扑优化逐渐成为人们关注的热点。基于ICM（Independent Continuous Mapping,即独立、连续、映射）方法,将焊点有无的离散拓扑优化问题转化为[0,1]区间上的连续优化问题;建立了以结构刚度最大为目标、结构强度为约束的连续拓扑优化模型;采用K-S函数将多目标和多约束问题转化为单目标和单约束问题;运用响应面（RSM）方法将位移和应力转化为设计变量的显式函数,采用序列二次规划（SQP）方法求解优化模型。为了提高求解效率,对优化问题的可并行性进行了分析,搭建并行环境,用C++和Fortran语言开发了焊点优化问题的并行程序。工程实例表明,优化算法和程序是可靠、有效的。     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。     

基于微粒群算法的QoS组播路由算法

文章研究了带宽、延时、延时抖动约束最小代价的QoS组播路由问题,提出了一种基于微粒群优化(PSO)算法[2,5]来设计路由优化算法。该算法采用一种新的整数编码方案,将路由优化问题转化成准连续优化问题,并采用罚函数处理约束条件。给出了应用微粒群优化算法求解QoS组播路由问题的算例,并与遗传算法和改进后的遗传算法进行了比较。计算机仿真实验证明,该算法可以更有效地求得QoS组播路由问题的优化解,可靠性高。     

Spark性能优化技术研究综述

近年来,随着大数据时代的到来,大数据处理平台发展迅速,产生了诸如Hadoop,Spark,Storm等优秀的大数据处理平台,其中Spark最为突出。随着Spark在国内外的广泛应用,其许多性能问题尚待解决。由于Spark底层 的执行机制极为复杂,用户很难找到其性能瓶颈,更不要说进一步的优化。针对以上问题, 从开发原则优化、内存优化、配置参数优化、调度优化、Shuffle过程优化5个方面对 目前国内外的Spark优化技术进行总结和分析。最后,总结了目前Spark优化技术新的核心问题,并提出了未来的主要研究方向。     

基于改进的粒子滤波非线性约束优化算法

传统的非线性约束优化算法的精度较低,为了克服这一问题,提出了一种基于粒子滤波的新型优化算法。该算法用于解决非线性约束优化问题,并结合粒子滤波器的模型和机制。首先,利用粒子滤波算法的基本原理建立这种优化算法,并给出算法的操作步骤;然后将非线性约束优化问题转换为函数优化问题函数优化问题,并针对非线性约束优化问题,建立粒子滤波优化算法的数学模型。仿真实验结果证明了这种新型算法的正确性,并且表明了相对于传统的优化算法,基于粒子滤波器的优化方法在解决非线性优化问题方面具有更高的效率和速率,并对今后的非线性约束优化问题具有适应性。     

基于蚁群算法的机械臂逆问题的求解

机械手臂是一个复杂、强耦合、非线性的系统,其运动学逆问题的求解常常是一个多解或无解的过程,传统方法求解／较为困难,本文将其转化为连续性空间的优化问题,并应用蚁群优化算法对其进行求解。蚁群优化算法是随机搜索、全局优化的算法,不仅能够很好地解决任意的优化组合问题,还能较好地解决连续性空间解的优化问题。通过MATLAB仿真求解,证实了该算法的优越性,分析了参数的设置对蚁群优化算法性能的影响。     

基于无约束优化的最小二乘支撑向量机

为了解决最小二乘支撑向量机（LSSVM）优化问题需要耗费大量时间的问题,提出了利用牛顿优化法来解决LSSVM优化问题的方法（称为Newton-LSSVM）。首先把LSSVM优化问题转化为无约束化优化问题的形式,然后再采用牛顿优化法来迭代求解。实验结果表明,该方法在大幅度减少LSSVM算法的训练时间开销的同时,能够获得与采用传统优化方式求解LSSVM优化问题一样的泛化能力。     

二进制粒子群优化算法在化工优化问题中的应用

优化问题是化工过程的一个主要问题,而由化工问题建模所得到的优化问题大多较为复杂,此时要求的优化算法具有良好的优化性能。粒子群优化算法是新近发展起来的一种优化算法,但其对多极值函数的优化时,易陷局部极值。本文在分析粒子群优化算法的机理、考虑二进制比十进制更易于学习等的基础上,提出采用二进制表示粒子群优化算法,使每个粒子更易于从个体极值与全局极值中学习,从而使算法具有更强的搜索能力与更快的收敛速度,性能测试说明了所提出的算法是有效的．最后将算法用于求解换热网络的优化问题,取得良好效果。     

基于Python的大规模复杂优化问题求解平台设计与应用

优化问题广泛存在于工业生产过程的各种应用层面,且往往描述为大规模复杂优化问题,该类问题的有效求解对于提高经济效益意义重大。现有的商业性通用建模优化软件普遍存在价格昂贵、专用性差、应用门槛高及难以维护和再开发等局限,因此研究一种低门槛、便捷高效的应用开发模式及开发一款理想的优化求解平台十分必要。鉴于此,本文提出基于Python的大规模复杂优化问题求解平台的设计思路,并给出了一般化的设计流程。该平台在通用性、可扩展性和可移植性等方面存在优势。通过与一个基于C#编写的炼厂全厂调度优化软件连接使用,验证了本平台求解优化问题的有效性。     

智能优化算法的应用研究

优化问题广泛存在于各个领域,对该问题的求解问题从没停止过.自从优化问题提出以来,人们提出了各种各样的智能优化算法.文中简要介绍了遗传算法、蚁群算法、模拟退火算法3种智能优化算法,并简述其优缺点及应用研究的使用情况.     

基于改进遗传算法的电力系统无功优化的研究

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题,其操作变量既有连续变量又有离散变量,其优化过程比较复杂。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应的全局优化搜索算法,可用于解决含有离散变量的复杂优化问题。本文选用遗传算法求解电力系统无功优化问题,并对基本遗传算法的编码、初始种群、适应度函数和交叉、变异策略等进行改进,使用本文提出的改进算法对IEEE1 4节点进行无功优化计算,结果证明本文模型和算法的实用性、可靠性和优越性。     

进化高维多目标优化研究进展

高维多目标优化问题是目标个数多于3的多目标优化问题.尽管进化优化方法在多目标优化问题求解中显示了卓越的性能,但是,对于高维多目标优化问题,已有方法存在目标维数难以扩展、Pareto占优关系无法区分进化个体,以及多样性维护策略失效等困难.因此,高维多目标优化问题的高效求解引起进化优化界的高度关注.本文将分别从新型占优关系、多样性维护策略、目标缩减、目标聚合、基于性能指标的选择、融入偏好、集合进化、变化算子、可视化技术,以及应用等10个方面分类总结近年来进化高维多目标优化的研究成果,通过分析已有研究存在的问题,指出今后可能的研究方向.