基于Q学习算术优化算法的无人机三维航迹规划

针对传统方法求解无人机三维航迹规划易导致规划代价高、精度差和容易陷入局部最优的不足,提出基于Q学习算术优化算法的无人机三维航迹规划算法。为了提升算术优化算法的寻优精度,引入Circle混沌映射提高初始种群多样性和分布均匀性,引入Q学习根据个体状态自适应调整数学优化加速函数更新,均衡算法全局搜索与局部开发,设计最优解邻域扰动优化全局搜索能力。通过建立无人机三维航迹规划模型,将航迹规划转化为多目标函数优化问题,并利用改进算法求解无人机三维航迹规划,以综合考虑航迹代价、地形代价和边界代价的目标函数评估粒子适应度,对航迹规划迭代寻优。仿真实验结果表明,所提算法规划的航迹具有更低的总代价和适应不同复杂地形环境的稳定性。     

一种新型的变领域搜索算法

一般变邻域搜索算法在连续优化问题的可行解空间上难以找到局部最优解。提出了一种结合SQP算法的变邻域搜索算法,该算法将SQP算法引入到变邻域搜索算法的局部搜索过程中,以SQP算法寻找局部最优解,以变邻域搜索算法跳出局部最优解的低谷,进而寻找到全局最优解。另外还对变邻域搜索算法的初始解和扰动过程进行了改进。数值实验表明,该算法具有良好的收敛性和搜索精度,求解效果优于文献算法。     

基于搜索策略的烟花算法研究

为了克服烟花算法容易早熟,提高其寻优精度,提出一种基于搜索策略的烟花算法。首先,通过最小爆炸半径检测,得到种群适应度值。其次,在烟花种群多次迭代过程中对当前最佳烟花个体进行动态随机搜索,增强对当前阶段最佳个体邻域范围内的搜索。最后,根据当前最佳个体之间的拥挤程度,存留10%的最佳个体,对剩余烟花个体采用佳点集策略进行初始化操作,辅助种群个体逃离局部最优。实验结果表明,所提算法相比同类烟花算法有效提高了求解精度,且收敛速度较快。     

路径规划问题的自适应改进樽海鞘群算法求解研究

路径规划问题的求解具有理论与实际应用价值.为寻到最短路径,解决传统算法存在收敛速度不快,寻优精度不高和全局最优值易陷入局部最优解区域的问题,提出一种基于扰动因子和自适应惯性权重的改进樽海鞘群算法(DISSA).首先,在领导者位置更新阶段添加扰动因子,扩大搜索范围来提高局部搜索能力,引导个体探索其他位置,以增加种群的多样...     

改进元胞粒子群算法求解JSP问题

为求解离散JSP(作业车间调度)问题,设计了基于四方形网格的元胞粒子群算法。引入变异策略增强了算法跳出局部最优的能力,对每代粒子群引入变邻域搜索提高了算法的局部搜索能力。数值实验表明,改进的元胞粒子群优化算法具有好的收敛性与求解精度。     

基于局部邻域模型的自适应CS算法

CS算法完全依赖于随机步长,无法保证其快速收敛性.本文首先将Lévy飞行步长设置为随算法收敛而减小的变量以增强算法后期的局部搜索能力;其次引入局部邻域模型以更好地利用当前种群中优秀个体的信息,加快算法收敛速度;最后为避免算法陷入局部最优,在每次迭代结束时对当前种群进行自适应性变异操作.仿真结果表明,改进后的算法具有较快的收敛速度和较高的收敛精度.     

种群熵启动反向学习的动态多种群粒子群算法

针对传统粒子群优化算法在求解复杂优化问题时容易陷入局部最优和停滞的问题,提出采用种群熵启动反向学习的动态多种群粒子群算法。借鉴狮群算法划分狮群的思想,采用动态多种群划分策略,将粒子划分成3个不同行为子群,对其实施不同的位置更新公式,保持粒子在搜索过程中的多样性;在迭代阶段,为避免算法早熟,构建了各维重心反向变异策略丰富变异备选个体,并结合种群熵指标进行种群状态评价适时启动变异策略,帮助粒子跳出局部最优。最后,通过8个基准测试函数与同种类6种经典和新型改进算法,在不同维度下进行测试对比。数值实验结果表明,改进策略显著提升了粒子群算法搜索能力,在搜索精度和搜索速度方面均优于其他对比算法。     

带局部搜索的动态多群体自适应差分进化算法及函数优化

 提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.     

基于邻域粗糙集和海洋捕食者算法的特征选择方法

针对粗糙集模型中特征选择方法存在计算开销大、不能直接处理连续数据,以及海洋捕食者算法(MPA)处理优化问题仍存在收敛速度慢、易陷入局部最优等问题,提出了基于邻域粗糙集(NRS)和海洋捕食者算法的特征选择方法.首先,使用基于Tent混沌映射的反向学习和高斯扰动策略对原算法改进得到IMPA,再构建一种传输机制形成一种二进制算法;然后,基于邻域依赖度和特征子集长度构造适应度函数,使用IMPA不断迭代搜索出最优特征子集,设计一种元启发式特征选择算法.最后,在9个基准测试函数上评估IMPA的优化性能以及在UCI数据集上评估特征选择算法的分类能力.实验结果表明,在9个基准测试函数上IMPA的平均值、标准差明显优于粒子群优化算法(PSO)和樽海鞘算法(SSA);在UCI数据集上,同基于粗糙集的优化特征选择算法、基于邻域粗糙集的优化特征选择算法相比,所提的特征选择方法在KNN分类器下的分类精度平均值分别提高了10.28~14.13个百分点、2.71~12.11个百分点,在CART分类器下的分类精度平均值分别提高了9.41~13.24个百分点、2.90~12.31个百分点.     

基于两阶段搜索算法的多峰函数优化

多峰优化问题需要搜索多个最优值（全局最优／局部最优）,这给传统的优化算法带来很大程度上的挑战。本文提出了一种两阶段算法求解多峰优化问题。第一阶段采用带有邻域变异策略的排挤差分演化算法进行粗粒度搜索,在适应度景观上尽可能多的找到最优解的大概位置。搜索一定代数之后,调用DMC聚类方法把搜索种群划分成多个聚类,然后在每个聚类上调用协方差矩阵自适应演化策略算法进行精细搜索。另外,本文还提出搜索点补充策略用于平衡每个聚类的大小及增加算法初期的搜索能力。我们提出的方法和9个较新的经典算法在两个基准测试集上进行了大量对比测试,结果表明新算法是有效的,在大多数测试函数上都优于其它算法。     

A multi-objective genetic local search algorithm and itsapplication to flowshop scheduling

We propose a hybrid algorithm for finding a set of nondominated solutions of a multi objective optimization problem. In the proposed algorithm, a local search procedure is applied to each solution (i.e., each individual) generated by genetic operations. Our algorithm uses a weighted sum of multiple objectives as a fitness function. The fitness function is utilized when a pair of parent solutions are selected for generating a new solution by crossover and mutation operations. A local search procedure is applied to the new solution to maximize its fitness value. One characteristic feature of our algorithm is to randomly specify weight values whenever a pair of parent solutions are selected. That is, each selection (i.e., the selection of two parent solutions) is performed by a different weight vector. Another characteristic feature of our algorithm is not to examine all neighborhood solutions of a current solution in the local search procedure. Only a small number of neighborhood solutions are examined to prevent the local search procedure from spending almost all available computation time in our algorithm. High performance of our algorithm is demonstrated by applying it to multi objective flowshop scheduling problems     

一种邻域重心反向学习的粒子群优化算法

粒子群优化算法使用反向学习技术可以提高性能.然而,现有的反向学习粒子群优化算法仅采用粒子最大最小边界计算反向解,没有充分利用群体搜索经验.针对此问题,提出了一种邻域重心反向学习策略,使用邻域重心作为参考点计算反向解,充分吸收群体搜索经验的同时保持种群多样性;采用收缩因子拓展反向解搜索范围,增加找到更高质量解的机率.在典型的基准测试函数、CEC'13测试函数和一个实际工程优化问题上进行验证,实验结果说明了邻域重心反向学习策略的有效性和本文算法的竞争力.     

基于改进鲸鱼优化算法的最大2维熵图像分割

为了避免原鲸鱼优化算法早熟收敛、易陷入局部最优等缺陷,首先在原鲸鱼优化算法初始化过程中采用了猫映射产生混沌序列结合反向解方法取代随机产生初始种群;其次在位置更新机制上采用了疯狂算子和黄金正弦算法的方法;最后将改进鲸鱼优化算法用于寻求图像2维最大熵来确定图像分割最佳阈值的选取.对10个经典基准函数进行了试验仿真验证,得到...     

基于改进鲸鱼优化策略的贝叶斯网络结构学习算法

针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。     

自适应遗传灰狼优化算法求解带容量约束的车辆路径问题

带容量约束的车辆路径问题是NP难的组合优化问题,精确算法无法在合理的时间内得到有效的解.本文提出了一种采用灰狼空间整数编码和先路由后分组解决方案生成策略的自适应遗传灰狼优化算法用于求解带容量约束的车辆路径问题.该算法提出了移动平均自适应灰狼更新策略和灰狼基因遗传策略提高全局收敛能力,同时提出带3-opt的劣势点启发邻域搜索策略来增强算法的全局和局部搜索能力.实验结果表明：所提出算法具有较高的计算精度和较强的寻优能力,有较高的鲁棒性,通过与自适应扫描和速度推测粒子群优化算法、K均值聚类和灰狼优化混合算法、大邻域搜索和蚁群优化混合算法、基于精英选择的多种群人工蜂群算法、基于集覆盖的扩展节省算法、混合变邻域生物共栖搜索算法等6个算法对比证明了算法的有效性.     

Evolutionary Multiobjective Optimization for the Pickup and Delivery Problem with Time Windows and Demands

This paper studies an evolutionary algorithm to solve a new multiobjective optimization problem, the Pickup and Delivery Problem with Time Windows and Demands (PDP-TW-D), which is applicable to operational optimization in various mobile network systems. With respect to multiple optimization objectives, PDP-TW-D is to find a set of Pareto-optimal routes for a fleet of vehicles (e.g., mobile robots, drones and autonomous heavy-haulage trucks) in order to serve given transportation requests. The proposed algorithm uses a population of individuals, each of which represents a solution candidate, and evolves them through generations to seek the Pareto-optimal solutions. In addition to the evolution-based global search process, the proposed algorithm allows individuals to improve their optimality in each generation with a local search process, which is designed based on iterative neighborhood search. Experimental results demonstrate that the integration of global and local search processes improves the optimality of individuals and expedites convergence speed. The proposed algorithm outperforms two well-known existing EMOAs, NSGA-II and MOEA/D, in relatively large-scale problems that have up to 400 pickup and delivery locations.     

基于CPSO－AdaBoost算法的人脸检测方法

Ada Boost分类器训练算法对特征搜索的时间复杂度较高,改进的PSO-Ada Boost算法采用最佳特征搜索方式训练耗时减少,但在迭代过程中容易陷入局部最优解。为此,提出用混沌粒子群优化Ada Boost训练算法的CPSO-Ada Boost算法。通过引入混沌优化序列增加种群的多样性并扩大粒子搜索范围,帮助粒子克服"惰性"摆脱局部最优解,从而在训练分类器时可以快速寻找到性能更好的弱分类器。在MIT样本库上训练人脸检测分类器结果表明,CPSO-Ada Boost算法减少了训练过程中所需要的特征数量,缩短了训练时间,有效地提高了人脸检测率。     

基于教与学优化算法的相关反馈图像检索

为提高基于内容的图像检索的检索性能和检索速度,克服低层视觉特征与高层语义概念间的“语义鸿沟”,提出一种基于教与学优化的图像检索相关反馈算法（TLBO-RF）.结合图像检索问题的特殊性和粒子群优化算法的优点,对TLBO算法中个体的更新机制进行了改进,通过将相关图像集的中心作为教师以及引入学员最好学习状态Pbest,使之朝用户感兴趣的相关图像区域快速收敛.将该算法与目前效果最好的两种基于进化算法的相关反馈技术在两套标准图像测试集上进行对比,结果表明本文算法相较于另外两种算法具有明显的优势,不仅提高了图像检索性能,同时也加快了图像检索速度,更好地满足了用户的检索要求.