An improved self-adaptive membrane computing optimization algorithm and its applications in residue hydrogenating model parameter estimation

In order to solve the non-linear and high-dimensional optimization problems more effectively, an improved self-adaptive membrane computing(ISMC) optimization algorithm was proposed. The proposed ISMC algorithm applied improved self-adaptive crossover and mutation formulae that can provide appropriate crossover operator and mutation operator based on different functions of the objects and the number of iterations. The performance of ISMC was tested by the benchmark functions. The simulation results for residue hydrogenating kinetics model parameter estimation show that the proposed method is superior to the traditional intelligent algorithms in terms of convergence accuracy and stability in solving the complex parameter optimization problems.     

自适应混沌量子克隆算法

针对传统进化算法的早熟和收敛速度慢等瓶颈问题,提出了自适应混沌量子克隆算法．算法中采用量子编码来表示个体,利用个体质量、进化代数和个体的分布情况构造变异算子,针对克隆算子局部寻优能力强的特点,通过logistic混沌序列自适应地调节变异尺度,提高种群多样性,避免盲目搜索．对函数优化问题的仿真实验表明:本算法求解精度高,均方差小于10-7;运算次数小,平均运算代数在10代以内就能获得高质量的解．     

异构有向传感器网络连通覆盖调度算法

在面向目标监测的有向传感器网络中,为满足监测目标的不同监测要求,并保持网络连通前提下网络寿命最大化,提出了一种基于增强珊瑚礁算法的节点调度算法。受集合覆盖的启发,以增强珊瑚礁算法为工具求解满足连通覆盖要求的集合。增强珊瑚礁算法采用SOBOL序列和反向学习策略对种群进行初始化,同时在非性繁殖过程中,借鉴和声搜索、生物地理学算法和自适应变异策略的差分进化算法达到继承种群的优秀解和增强子代的优化能力的目的。再者,对种群的最差个体执行随机反向学习和与最优个体差分策略以提升最差个体的优化能力。在数值测试以及在传感器网络节点调度方面的仿真结果表明,改进珊瑚礁算法的性能优于其他算法,证明了改进算法的有效性。     

模糊交货期Flow-shop调度问题的改进微粒群算法

针对企业生产中由定单变化引起的具有模糊交货期性质的连续生产调度问题,提出一种改进的微粒群算法.通过对模糊交货期Flowshop调度问题的模糊机会约束设置惩罚函数,引入自适应变异和交叉等方法来改进算法,仿真结果表明算法具有较好的全局寻优和实用性,优于遗传算法和启发式算法.     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

[研究生论坛]自适应多重Baldwin克隆选择算法

提出一种自适应多重Baldwin克隆选择算法(SAMBCSA)用以改善经典克隆选择算法(CLONALG)针对复杂多峰优化时精度不足的问题。通过学习不同抗体之间的优势差异信息引导免疫变异,挖掘潜在优势解区域方向,增强免疫进化能力。设计了免疫响应策略库,并引入基于统计的自适应学习框架以使算法可自适应选择不同的免疫响应策略应对不同的问题,增强算法普适性。分析了算法的时间复杂度,并说明了算法的收敛性。针对16个最新测试函数的仿真实验表明,对于多数复杂多峰优化问题,SAMBCSA的求解质量和收敛速度优于标准免疫克隆选择算法等已有算法。     

增强全局搜索和自适应蜉蝣算法

针对蜉蝣算法全局搜索能力较差和自适应能力弱等问题,提出一种增强全局搜索能力和自适应的蜉蝣算法——MIWMA。首先引入非均匀高斯变异策略对雄性蜉蝣和雌性蜉蝣进行位置更新,对全局最优位置变异引导其他个体向优良位置靠近,促使种群具有一定指导,从而提升全局搜索能力和增强种群多样性;其次,引入不完全伽马函数与Beta累加分布的自适应惯性权重对全局搜索和开发能力建立更好的平衡,平衡种群的全局搜索和局部搜索能力,进而提升算法收敛精度,利于种群全局搜索寻找最优解的潜力;引入局部停滞对抗策略,根据迭代停滞情况,调节蜉蝣速度更新的惯性部分和社会部分,使之具有最优搜索状态,增强算法全局搜索能力。利用经典测试函数集和IEEE CEC2021测试竞赛集进行测试优化比较,验证算法的有效性和稳健性,并利用Friedman和Wilcoxon秩和检验,分析表明：提出的算法有更好的稳定性、鲁棒性和可靠性。最后运用两个工程难题进行优化,结果验证了该算法在工程优化问题上的适用性,适合求解需求高精度的优化难题。     

Application of Improved Genetic Algorithm in Network Fault Diagnosis Expert System

Knowledge acquisition is the “botdeneck“ of building an expert system. Based on the optimization model, an improved genetic algorithm applied to knowledge acquisition of a network fault diagnostic expert system is proposed. The algorithm applies operators such as selection, crossover and mutation to evolve an initial popula-tion of diagnostic rules. Especially, a self-adaptive method is put forward to regulate the crossover rate and muta-tion rate. In the end, a knowledge acquisition problem of a simple network fault diagnostic system is simulated,the results of simulation show that the improved approach can solve the problem of convergence better.     

Constrained Optimization Algorithm Based on Double Populations

In order to improve the distribution and convergence of constrained optimization algorithms, this paper proposes a constrained optimization algorithm based on double populations. Firstly the feasible solutions and infeasible solutions are stored separately through two populations, which can avoid direct comparison between them. The usage of efficient information carried by the infeasible solutions will enlarge exploitation scope and strength diversity of populations. At the same time, adopting the presented concept of constraints domination to update the infeasible set may keep good variety of population and give consideration to convergence. Also the improved mutation operation is employed to further raise the diversity and convergence. The suggested algorithm is compared with 3 state-of-the-art constrained optimization algorithms on standard test problems g₀₁-g₁₃. Simulation results show that the presented algorithm has certain advantages than other algorithms because it can ensure good convergence accuracy while it has good robustness.     

混沌粒子群优化的模糊神经PID控制器设计

针对常规PID控制的线性局限性及传统模糊控制和模糊PID控制中积分误差规则难以获取,系统存在稳态误差的问题,提出一类以模糊神经网络和PID神经网络组成的模糊神经PID控制器．以整个神经网络的权值为优化参数,利用基于混沌策略的粒子群全局优化算法离线优化和误差反传算法在线调整相结合的方法获得控制器参数,并设计了混沌优化与粒子群结合的两步方案．仿真结果表明:与传统PID、模糊、模糊PID控制相比,系统的瞬态和稳态性能有了明显提高,且保持了一定的鲁棒性及高跟踪精度．该方法有效地拓展了PID控制的使用范围,并为智能方法与PID控制的结合提供了一种新的参考方案．     

蚁群算法理论及应用

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,易与其他方法结合,具有较强的鲁棒性。本文首先介绍了蚁群算法的基本原理,然后讨论了蚁群算法的应用,最后评述了蚁群算法未来的研究方向和主要研究内容。该算法用于解决组合优化问题,如TSP、QAP、JSP等效果很好。     

基于反向学习与混合位置中心的樽海鞘算法

为解决樽海鞘算法收敛速度慢和易陷入局部最优解的问题,引入不同的优化策略,提出一种基于反向学习与混合位置中心相结合的樽海鞘算法。该算法在更新领导者位置时进行反向学习;在每次迭代更新中引入位置加权中心和位置均值中心,通过比较不同位置中心值的优劣程度得到更佳食物源位置。在8个不同类型的基准测试函数上的实验结果表明,改进的樽海鞘算法在求解精度、收敛速度上均有明显的提高,且具有更佳的鲁棒性。     

一种二维不规则零件优化排样算法

将模拟退火算法和粒子群算法相结合，提出了一种基于模拟退火的粒子群算法。采用交叉和柯西变异运算，提高了算法的收敛速度和精度。将该算法应用于求解二维不规则零件排样问题，首先将二维不规则零件的排样问题转化为矩形件的排样问题，然后应用该算法进行优化求解，在求解过程中应用自适应调整策略对零件的排样位置进行微调。排样结果表明该算法是行之有效的。     

基于改进的DE算法对PID参数的优化

通过改进标准差分进化算法的放缩因子,得到一种改进的差分进化算法.这种改进的差分进化算法具有自适应的特点,能自调整放缩因子的大小,而标准差分进化算法的放缩因子通常取某个常数.将这种改进的差分进化算法用于PID参数的优化,克服了一些传统方法过于直接、不能寻优的缺点.仿真结果显示,改进的差分进化算法,具有较快的响应速率和较好的鲁棒性.     

柔性作业车间分批调度多目标优化方法

为了解决柔性作业车间中小批量工件的分批调度多目标优化问题,构建以制造工期、拖期惩罚、加工成本、批次数量和机器总负荷为目标函数的柔性作业车间多目标调度模型.应用改进的强度Pareto进化算法（SPEA）求解.在该算法中,应用模糊c 均值聚类（FCM）加快外部种群的聚类过程,引入自适应的变异算子来增强解的多样性.采用约束Pareto支配和可变长度的编码策略,一次运行就能够求得Pareto最优解集.利用模糊集合理论得到Pareto解的优先选择序列,并从中选出一个最优解.该方法将工件分割成具有柔性数量的多个批次,使各批次的工艺路线选取及加工顺序得到优化.通过实例仿真对该方法的性能进行比较分析.将该方法应用于某机械公司车间调度中,验证了该方法的有效性和适应性.     

自动驾驶路径优化的RF-DDPG车辆控制算法研究

针对自动驾驶车辆在行使中对目标路径跟踪精度不高、鲁棒性能较差等问题，提出了一种深度确定性策略梯度RF-DDPG（reward function-deep deterministic policy gradient）路径跟踪算法。该算法是在深度强化学习DDPG的基础上，设计DDPG算法的奖励函数，以此优化DDPG的参数，达到所需跟踪精度及稳定性。并且采用aopllo自动驾驶仿真平台，对原始的DDPG算法和改进的RF-DDPG路径跟踪控制算法进行了仿真实验。研究结果表明，所提出的RF-DDPG算法在路径跟踪精度以及鲁棒性能等方面均优于DDPG算法。     

一种多反向学习的教与学优化算法

针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化（MOTLBO）算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明：非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。     

蚁群算法解决连续优化问题的新途径

为了克服蚁群算法难以直接处理连续优化问题的缺陷,在保持蚁群算法基本框架的基础上,将传统蚁群算法中蚂蚁由解分量的信息素和启发式的乘积值按比例来决定取值概率的方式,改为根据连续的概率分布函数来取值.并将函数在各个维上的极值点方向作为蚂蚁搜索的启发式信息.在标准测试函数上的试验结果显示,该算法不但具有较快的收敛速度,而且能够有效地提高解的精确性,增强了算法的稳定性.     

基于多种群遗传算法的钢框架结构优化设计

传统的基于力学分析软件的结构设计方法存在效率低下、依靠专家经验等局限性,采用智能算法能实现高效的结构自动优化设计。然而,由于随机搜索特征,优化结果和收敛性高度依赖于算法的参数设置,需要通过试算来确定其合理取值,该方法会造成优化效率低、计算量大等问题。引入多种群协作和信息共享机制来改善此类问题,并研究其在结构优化设计中的适用性。利用MSC.Marc软件建立钢框架结构有限元模型,采用底部剪力法将地震作用等效为水平荷载施加到结构上,搭建有限元软件与智能算法的自动优化过程,以结构的总体材料用量最低为目标,考虑了层间位移角、应力比、构件稳定性和宽厚比等多种约束条件,以遗传算法为基础,通过适应度尺度变换、基于方向的交叉算子、非均匀变异算子、自适应概率、精英保留策略、重复项替代机制、基于约束的策略对其进行改进,引入多种群思想,对比多种算法优化结果的差异。结果表明：基于多种群的遗传算法能有效改善优化结果对算法参数的依赖性,提高结构优化设计的效率。     

基于多GEP分类器和DGA的变压器故障诊断

将GEP(Gene Expression Programming)方法与变压器油中溶解气体分析方法结合起来,提出了基于自适应GEP分类算法的变压器故障诊断方法。该方法继承了遗传算法(GA)的线性性和遗传程序设计(GP)的普适性,从而达到了简单编码解决复杂问题的目的,具有良好的收敛性和鲁棒性。选择能反映各种故障而又不冗余的400组DGA实测数据作为GEP分类器的训练样本和测试样本,并将测试结果与NB分类器,BP网络法,免疫分类法进行对比分析。大量诊断实例表明,所提出的自适应多GEP分类方法适用于变压器故障诊断,其性能优于另外3种方法。