基于遗传模拟退火算法约束求解算法

针对基于图构造方法的可扩展性差的缺陷,根据遗传模拟退火算法,结合空问约束求解,提出了基于遗传模拟退火算法的约束求解算法,解决了过约束和欠约束的问题,可扩展性也得到了提高．而且基于遗传模拟退火算法的约束求解算法有很强的全局搜索与局部快速收敛能力,从而提高了约束求解的效率．     

几何约束求解的BFGS混沌混合算法

为了提高约束求解的效率和鲁棒性，提出了一个将混沌方法嵌入BFGS算法的约束求解混和算法.将
约束求解问题转化为优化问题，并对多变量函数求全局极值，用混沌算法跳过局部搜索陷阱.算法分析确
定几何元素的初始搜索范围，并利用BFGS方法的超线性收敛速度和混沌优化方法的内在特点进行求解.对
Camel函数极值和正五边形约束求解的实验结果表明，该混合算法能够处理欠/过约束问题，有效克服BFGS
算法容易陷入局部最优以及无法越过临界点的情况，可以高效鲁棒地进行约束求解.     

基于模拟退火的粒子群算法求解约束优化问题

针对复杂约束优化问题,提出一种基于模拟退火(SA)的粒子群(PSO)算法(SAPSO)。该算法使粒子的飞行无记忆性,结合模拟退火算法重新生成停止进化粒子的位置,增强了全局搜索能力。同时采用双群体搜索机制,一个群体保存具有可行解的粒子,用SAPSO算法使粒子逐步搜索到最优可行解;另一个群体保存具有不可行解的粒子,并且可行解群体以一定的概率接受具有不可行解的粒子,有效地维持了群体的多样性。仿真结果表明:该算法能够快速准确地找到位于约束边界上(或附近)的最优解,具有较好的稳定性。     

一种基于几何推理约束求解参数化设计方法

提出了一种基于几何推理，约束求解的参数化设计方法，它综合了代数法与人工智能方法，通过确定几何约束与拓扑约束生成约束模型，以普通算法实现推理过程避免了求解繁琐的约束方程，解决了图形的参数化问题２。     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

基于并行技术的几何约束求解的研究

针对几何约束的求解问题,在阐述了利用DM-分解求解几何约束问题的基础上,提出了基于并行技术的求解方法.这种方法首先将一个几何约束求解问题分解成一些具有某种偏序关系的较小的几何约束求解问题,然后将各个小的几何约束问题分配到各个处理机上,进行并行处理,从而提高求解速度.     

几何约束求解的扩展C-树分解法

为了有效分解几何约束系统,本文提出了一种基于增量LMA(ILMA)算法的扩展C-树分解法,该方法将几何约束系统分解为一棵扩展C-树。与C-树分解法相比,该方法能够保证以任意装配几何约束的方式构造的扩展C-树是几何约束系统的最大化分解。实例分解结果表明:将本文方法应用于几何约束求解是行之有效的。     

几何约束多解问题

针对几何约束求解的多解性问题,将约束分成两个集合:原约束集合和增加的额外约束集合。用求解器求解出全部解后,利用提出的混合遗传蚂蚁算法,搜索全部解空间,在算法的初始阶段采用遗传算法,产生信息素的初始分布;在算法的后期采用蚂蚁算法。由于在遗传算法中使用随机的种群,不仅提高了蚂蚁算法的速度,而且在求解时能避免陷入局部最优解。通过启发式搜索算法使增加的额外约束得到最大化满足,从而寻找到符合用户意图的解。     

基于多级惩罚函数的粒子群约束优化算法

基于多级惩罚函数和粒子群算法解决多约束优化问题,采用粒子种群中的多个粒子并行寻优,避免多约束优化问题收敛于局部优化解。定义了多级分配函数作为约束因子表达惩罚函数与约束条件间函数关系,约束因子按照约束条件的不同分为多个等级。提出了粒子群多级惩罚函数算法,应用于三个经典约束优化问题,均在较少迭代次数内得到高精度优化解。     

几何约束求解中分离图完备的充要条件

在基于图论的几何约束求解方法中,通常是先将恰当几何约束图分解为两个完备的分离图,然后再进行下一步分解。而一个恰当几何约束图关于其最小切割图的两个分离图往往是不定约束的。针对以上问题,通过对最小切割图与分离图的自由度分析,得出了分离图的完备化的一个充分必要条件,并推导出2D和3D中恰当约束图的最小分割图中顶点元素个数的一个下限,这也是恰当约束图连通度的一个下限。并通过实例验证了所提出的充分必要条件的正确性。     

微粒群优化算法

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术。具有典型的群体智能的特性．介绍了微粒群算法的基本原理及其改进算法。从群体组织与进化以及混合微粒群算法等方面对国内外微粒群算法的研究进展进行综述．     

应用种群多样性二进制蛙跳算法实现机会频谱分配

针对NP-Hard认知无线电分配模型,提出了基于种群多样性的二进制蛙跳算法.传统蛙跳算法采用整数编码和相关的搜索方法,新算法采用种群文化倾向性,在二进制编码条件下实现了最优或次优解搜索.依据模式理论,以海明距为数学工具,定义了种群多样性参量作为早熟判别指标,当出现早熟时,在保留精英个体前提下进行种群重构,避免算法陷入局部最优.为了证明算法的有效性,进行了100种网络拓扑结构的对比实验,实验数据说明,新算法优于粒子群、遗传算法和量子遗传算法,针对3种适应度函数,其优胜率分别为100%、75%和100%.     

基于离散蛙跳算法的零空闲流水线调度问题求解

针对零空闲流水线调度问题,提出了一种新的离散化蛙跳求解算法.该算法借助蛙跳算法优化机理,采用基于工件序列的编码方式和新的个体产生方法扩展了传统蛙跳算法的求解模型,并结合简化邻域搜索算法给出了3种改进策略.仿真实验表明了所提算法及策略的有效性.     

一种基于微粒群算法的自适应滑模控制

提出了一种基于微粒群算法的自适应滑模控制方法,把微粒群算法运用于自适应滑模控制器设计中。首先利用一种自适应算法估计系统中总不确定量的上确界,然后利用微粒群算法对自适应滑模控制器的切换参数和自适应参数进行优化调节,在改善系统控制性能和鲁棒性的同时削弱了抖振。仿真研究结果证明了该方法的有效性。     

基于偏好粒子群算法的移动机器人路径规划

针对粒子群算法收敛速度快,但易陷入局部最优的问题,提出一种基于偏好粒子群算法的移动机器人路径规划方法.在对障碍物环境建模的基础上,根据避障偏好利用粒子群优化算法规划出全局最优路径.为避免搜索过程中算法陷入局部最优,采用深度优先搜索策略,保持了种群的多样性,提高了算法的搜索能力.实验结果表明:该方法能够有效地避开障碍物,并且获得较好的路径规划效果.     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

粒子群算法和Qos约束对EIGRP度量算法的优化

针对EIGRP协议无法适应高速复杂网络、不考虑服务质量的缺点,提出了一种基于粒子群算法和Qos约束路由的计算EIGRP混合度量值的算法.分析了EIGRP协议计算路径开销主要依据的五个指标在应用中的特点,并在此基础上建立模型,将粒子群算法应用到该模型中实现路径的寻优.仿真结果表明,粒子群算法用于该模型中能够得到很好的收敛速度和寻优结果.     

求解CVaR投资组合优化问题之改进PSO算法

研究了基于CVaR约束的的最优投资决策问题,为避免维数障碍,针对Fredrik提出的CVaR投资组合优化线性规划模型还原为非线性规划。通过引入缩进因子,改进PSO算法,使粒子在迭代过程中保持在可行域内。最后,通过算例证明了该文方法的有效性,计算结果表明,投资组合优化后的损失期望收益率、标准差、受险价值、条件受险价值等重要风险衡量指标都有了较大改进。     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。