遗传禁忌搜索算法收敛性和时间复杂度分析

遗传禁忌搜索算法多用于车辆路径优化、旅行商问题等,试验证明:融合遗传算法与禁忌搜索算法的混合算法相比单一算法的性能有较大提升,但缺少理论证明。本文阐述了遗传禁忌搜索算法的混合策略,从理论上对该算法的收敛性进行了证明,对时间复杂度进行了分析。应用马尔科夫链模型证明了遗传禁忌搜索算法是以概率1收敛到全局最优解的,并应用求解随机算法时间复杂度的方法,即求解算法的期望收敛时间,估算了该算法的时间复杂度,结果证明该算法的时间复杂度与所得解的多样性、问题规模以及遗传算法的种群数量有关。     

基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

基于爬山算子和适应值共享的改进遗传算法

提出了一种基于爬山算子和适应值共享的改进遗传算法,将局部搜索算法与遗传算法有效结合,增强了遗传算法的搜索能力.爬山算子以黄金分割法为基础,依次对个体每一维进行优化.数值实验证明,改进后的新算法优于当前一些较好的遗传算法.新算法既有较快的收敛速度,又能以较大概率搜索到优化问题的全局最优解.     

一种求解TSP问题的改进遗传算法

遗传算法(GA)是基于生物进化论的一种全局优化搜索算法,是求解TSP问题的一种方法,但它存在如何较快地找到最优解并防止"早熟"收敛的问题.结合TSP问题最优解一般包含城市与其最近城市的相连的特点,提出了贪婪两点插入变异算子,改进了启发式杂交算子,并根据个体适应度与群平均适应度根据个体的适应度赋予不同的变异概率,使得较好的个体探测路径,较差个体开发新个体.对初始群体作局部优化提高其质量加快算法的收敛速度,最优个体连续几代一直保留,则采用局部微调算子使子代中的最优个体跳离局部解.通过实验分析,改进的算法能较快的收敛到TSP问题的已知最优解;其测试结果与国际标准测试库TSPLIB中的最优路径相比,或接近或优于.     

基于随机黑洞和自适应策略的引力搜索算法

针对引力搜索算法过于随机、全局搜索能力差、容易陷入局部最优等问题,提出一种基于随机黑洞策略和自适应策略的改进引力搜索算法。引入比例系数n来自适应调节引力常量,使算法在运算初期加大搜索力度,有效避免算法陷入局部最优。将随机黑洞理论中,粒子在黑洞附近容易被黑洞捕获的现象引入算法中,即在黑洞半径内的粒子将会被黑洞捕获,但又有一定的概率逃逸。这样既提高了局部搜索能力,又不失全局搜索能力,且提高了收敛速度。与标准的搜索算法相比,改进后的引力搜索算法具有较快的收敛特性和较好的优化性能。     

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法（PSO）易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的“爬山”能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索（TS）的混合粒子群优化算法（TS—PSO）,并选用两个函数进行测试．结果表明,TS—PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解．     

基于粒子群优化的频域多信道干扰对齐算法

针对频域干扰对齐系统解空间的多峰值特性,提出了一种基于粒子群优化,以系统网络和速率为优化目标函数的干扰对齐全局搜索算法.该算法通过对速度向量在位置向量的法平面上做投影以加强全局搜索能力,并在粒子群标准位置更新的基础上增加沿目标函数梯度方向的学习搜索来提高算法收敛速度和趋向全局最优值的能力.数值仿真结果表明,该算法可以获得比现有算法更好的网络和速率性能.     

求解TSP的改进遗传算法

遗传算法是求解旅行商问题的一种全局优化概率搜索算法方法.文中针对遗传算法较快的找到最优解并防止＂早熟＂收敛问题,提出了一种新的分级方法,该方法在各级中以群体当前最优个体替代各级中的最差个体,并在各级中采用自适应变异概率,改进后的遗传算法不但有效的维持了群体的多样性,而且提高了收敛速度.最后实验表明,改进的算法是可行和有效的.     

模拟退火算法求解指派问题新探

模拟退火算法是一种随机搜索算法,能渐进地收敛于全局最优解.指派问题是组合优化问题中的一种,可用模拟退火算法来解此问题.模拟退火算法解决指派问题时,需要考虑实现此算法的技术问题,例如解的形式、初始温度的计算等.实验结果表明,该方法能够以一定的概率跳出局部最优,从而实现全局寻优.     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

基于Voronoi图和改进引力搜索算法的电动汽车充电站选址定容

电动汽车充电站的选址定容属于多变量、多约束及高维度的非线性数学问题,针对该问题提出一种基于Voronoi图和改进引力搜索算法(Improved Gravity Search Algorithm,IGSA)的选址定容方法.综合考虑主观权值和客观权值,运用层次分析熵权法,建立以建设运行成本、用户充电时间成本及配网损耗成本为...     

基于正态分布和自适应变异算子的ε截断算法

针对约束优化算法不能很好协调收敛性及分布性的问题,提出一种基于正态分布和自适应变异算子的ε截断算法。将正态分布引入模拟二进制交叉算子中,使算法可搜索的空间范围更广,更易跳出局部最优;利用自适应变异算子,将种群个体当前信息与变异算子结合起来,引导种群向真实的Pareto前沿进行进化;结合自适应的ε截断策略,保留Pareto最优解和一定数量的不可行解,同时利用不可行解的信息,加大对搜索空间的探索力度,从而提高种群多样性。采用3种标准测试函数对算法进行测试,试验结果表明:本研究所求解集能够很好的跟踪真实的Pareto解集。该方法可以有效地协调算法的收敛性及分布性。     

基于混沌的生物地理分布优化算法

生物地理分布优化算法(BBO)是一种新型的智能优化算法,其寻优能力优于以往的智能优化算法,但同样存在早熟收敛的缺陷。针对该问题,提出了基于混沌的生物地理分布优化算法(CSBBO)。该算法首先利用分段混沌映射产生初始种群,再根据BBO算法进行全局搜索得到当前最优解,最后以该解为基础进行混沌搜索得到全局最优解。仿真测试表明,该算法的收敛速度和寻优精度均优于BBO算法和以往智能优化算法。     

基于Grefenstette编码和2-opt优化的遗传算法

将Grefenstette编码和2-opt优化算法共同运用到遗传算法中,采用一定数目的城市坐标对路径搜索进行求解。仿真试验取得良好的效果,初始路径接近最优路径,且经过122次迭代后快速得到最优路径。证明本研究提出的搜索空间路径方案实现了遗传算法可以快速收敛到最优解,同时保持较强的搜索能力,实现全局最优,又可以防止陷入局部最优。     

基于蜂群单阈值分割的SRC板材缺陷分类方法

针对传统单阈值板材缺陷分割算法易陷入局部最优、早熟以及收敛速度慢等缺点,提出了一种基于改进蜂群算法的单阈值分割算法.为了提高缺陷分类准确率并减少运算量,将稀疏表达分类器(SRC)运用到板材缺陷分类过程中.改进算法每次迭代都会同时进行全局和局部搜索,且侦查蜂随机全局选取蜜源以加快收敛速度,搜索半径可以根据时变搜索参数进行自适应调整,SRC可将缺陷分类问题转换为求最稀疏系数解的过程.结果表明,本文算法可以准确快速地计算出最佳分割阈值,并将分类准确率提高到90%以上,具有一定的可靠性与可行性.     

求解连续优化问题的多策略动态果蝇优化算法

果蝇优化算法(FOA)是一种新的全局优化算法,其灵感源于果蝇的嗅觉和视觉觅食行为,该算法具有很强的连续优化问题的解决能力。然而,FOA存在算法候选解不能取负值、种群多样性差、局部搜索能力弱等缺点。为了克服上述不足,该文提出了一种基于多策略进化和动态更新种群最优信息的改进果蝇优化算法(MDFOA)。算法引入了一种有效的多策略候选解生成方法和一个新的控制参数,较好的平衡了算法的全局搜索和局部搜索能力。此外,还设计了全局最优信息的实时更新机制,提高了算法的收敛速度,采用29个复杂的基准测试函数来检验该算法的有效性。实验结果表明,该算法的优化性能优于FOA、6种改进的FOA及另外两种智能优化算法。     

正交多智能体算法求解管网直接优化调度模型

针对传统遗传算法存在高维空间寻优能力较差的问题,提出采用正交多智能体算法求解管网直接优化调度模型.对智能体的随机初始种群进行正交操作,得到较优初始种群,通过智能体的竞争和自学习,找到较优解.结果表明:与正交自适应遗传算法相比,正交多智能体算法具有更强全局搜索能力和更快寻优速度,并且正交多智能体算法优化方案较大提高了水泵运行效率,可节电2.96%.     

基于马尔可夫链的人工蜂群算法

分析了人工蜂群算法及部分国内外学者提出的改进算法,针对局部搜索能力差和容易陷入局部最优解的缺点,根据马尔可夫链预测已知解空间的发展趋势,提出了一种基于马尔可夫链的改进人工蜂群算法（MABC）,通过伪代码给出了算法的运行过程,从收敛性能和算法复杂度2个方面分析了人工蜂群算法、一种典型的改进算法和MABC算法的性能.最后以10个典型函数为测试用例,从结果精度、收敛速度、分割参数和运行时间4个方面进行验证,实验结果表明,MABC算法在求解精度和收敛速度上高于ABC算法,但运行时间略长,验证了理论分析的结果.     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.