基于改进遗传算法的动力定位船舶推力分配研究

针对船舶动力定位非凸约束非线性推力分配优化问题,首先建立了推进器功率消耗、磨损、推力误差的优化目标函数,然后分析约束条件,给出优化问题约束不等式,最后将邻域搜索引入遗传算法求解所定义推力分配问题。仿真结果表明该算法对于求解非凸约束非线性推力分配问题具有较强可行性与准确性,能有效降低推进系统功耗,提高船舶动力定位性能。     

基于改进差分进化鲸鱼算法的经济负荷分配

针对电力系统经济负荷分配这一典型的非凸、非线性、组合优化问题,提出一种将改进差分进化算法和鲸鱼算法相结合的优化算法。该算法首先在鲸鱼优化算法中引入了非线性的收敛变化策略,加速寻优算法的迭代;再利用差分进化算法的交叉和选择,丰富算法种群个体信息,增强优化算法的全局收敛性;同时引入一种淘汰机制,将适应度较好的个体信息更快地保留用于下一次鲸鱼优化算法的迭代,提高了求最优解的速度和精度;最后,对多个经济负荷分配问题进行了测试,将该算法与标准鲸鱼算法、标准差分进化算法进行对比,验证了差分进化鲸鱼算法可以更合理地配置电力系统的经济负荷,能够有效找到可行解,避免陷入局部最优,能实现经济负荷的合理分配。     

基于改进鲸鱼优化算法的多无人机围捕

无人机围捕是一项具有挑战性和现实意义的任务,为使无人机可以成功有效地围捕移动目标,提出一种基于动态预测围捕点和改进鲸鱼优化算法的多无人机围捕算法。在环境未知,目标运动轨迹未知的情况下,首先利用多项式拟合预测目标运动轨迹,通过动态预测步数得到预测点,在其周围设置围捕点,然后使用双向协商法为无人机合理分配各个目标点。针对鲸鱼优化算法容易陷入局部最优的缺点,提出基于自适应权重和改变螺旋线位置更新的方法,从而提升算法的开发能力和搜索能力。最终在不同实验环境下进行多次实验仿真,实验结果表明了所提出算法的有效性。     

基于改进鲸鱼优化算法的移动机器人多目标点路径规划

为提高移动机器人在多目标点环境中路径规划的效率与准确性,针对标准鲸鱼优化算法存在的搜索精度不足和收敛速度较慢的问题,本文提出一种改进鲸鱼优化算法。首先,引入自适应搜索控制系数,以提高算法平衡全局搜索和局部搜索的能力。其次,提出一种记忆库列表策略,通过增加记忆库列表存储最优解并进行维护更新,提高算法所得解的质量并降低陷入局部最优的概率。然后通过使用A*算法计算出目标点之间的距离矩阵,并将其输入到改进的鲸鱼优化算法得出最优遍历顺序。最后,在简单和复杂的栅格地图中分别对不同算法进行仿真对比实验。研究结果表明,随着场景复杂度的增加,本文算法相较于标准鲸鱼优化算法在三个场景中所得出的最小路径长度分别减少6.58%、22.71%和25.63%。因此,改进算法在解决多目标点路径规划问题中具有较高的效率和准确性。     

一种改进的多领导鲸鱼优化算法

针对鲸鱼优化算法(WOA)收敛速度慢、收敛精度低、搜索能力不足的缺点,提出了一种改进的多领导鲸鱼优化算法(IWOA)。该算法引入了多领导机制,有利于提高种群的多样性,防止陷入局部最优。引入莱维飞行机制,将最优个体进行随机扰动,加快收敛速度,防止陷入局部最优。通过CEC2014中的六个标准函数进行测试,给出了运行30次的平均值和标准方差,并与当前最先进的其他算法进行比较。收敛图表明了该算法收敛速度快、收敛精度高;箱线图表明了该算法的稳定性。最后用该算法解决三个经典的工程优化问题,该算法相较于其他算法均取得了最小值,表明了该算法具有优秀的搜索能力与开发能力。     

基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化改进算法

为了提高多目标鲸鱼优化算法的全局优化性能,提出了一种基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化算法IWOA-APD。首先,针对基本多目标鲸鱼算法收敛性和多样性难以平衡的问题,采用角度惩罚距离作为解优劣评价指标。其次,给出了一种基于迭代进度和优化因子的收敛因子指数形式非线性递减策略,该策略可以通过调整优化因子进一步提升优化性能。除此之外,给出了基于融合距离与拥挤度距离的精英集维护机制,从而改善精英集的多样性维护效果。最后,为了验证该算法的有效性,基于五种标准测试函数及一种城市轨道列车速度曲线优化实际算例,在MATLAB2016b GUI平台下采用所提出的IWOA-APD与IWOA、MOWOA、dMOPSO进行对比仿真。仿真结果表明,所提出的IWOA-APD寻到了更理想的优化结果。由此说明,相比于一些性能品质良好的优化算法,IWOA-APD还具有更快的计算速度和更高的全局收敛精度。     

基于改进多目标进化算法的微服务用户请求分配策略

如何对基于微服务架构的系统进行并发用户请求的分配以使得时间、成本和均衡性等目标得到优化,是面向微服务的应用系统需关注的重要问题之一.现有的基于固定规则的用户请求分配策略仅着重于负载均衡性的解决,难以处理多目标需求间的平衡.为此,文中提出以请求处理总时间、负载均衡率和通信传输总距离为多个目标的微服务用户请求分配模型,研究并发用户请求在部署于不同资源中心的多个微服务实例间的分配策略,并使用基于改进初始解生成策略、交叉算子和变异算子的多目标进化算法对该问题进行求解.在不同规模的数据集上进行多次实验,结果表明,提出的方法与常用的多目标进化算法和传统的基于固定规则的方法相比,能够更好地处理多个目标间的平衡,具有更好的求解性能.     

船舶动力定位系统推力分配优化算法研究

为了解决配置有舵的海洋工程船推力分配优化问题,采用分离变量技术与二次规划方法相结合的优化算法,把每个推进器产生的推力视为一个有限区域的凸多边形,来表示其可以达到推力大小的能力,这样推力分配问题可以分解成为一个有限且可以单独解决的子问题,且能够更好地找到解决问题的最优化方法,同时对于每个推进器的推力特性的限制可以看作是对问题解决添加更多的限制条件。仿真试验表明：这种技术可以很好地结合序列二次规划方法,试验取得了良好的定位效果。     

基于改进量子免疫克隆多目标优化算法的火力分配问题

针对传统火力分配中存在武器资源浪费的情况,以对敌目标与网络攻击收益最大、己方武器消耗最小为目标,建立一种考虑毁伤概率约束条件的多目标火力分配模型。对标准量子免疫克隆多目标优化算法进行优化,引入了混沌机制,修复不可行解,并对搜索策略和多样性保持策略进行改进,设计了一种改进的量子免疫克隆多目标优化算法。通过实验仿真,验证了模型的正确性与算法的优越性。相比于传统量子免疫克隆算法,改进算法的性能平均提高了23%。     

基于改进鲸鱼优化算法的血液供应链网络多目标鲁棒优化设计

为解决血液供应链网络设计中的不确定性问题,建立了一种血液供应链网络多目标鲁棒优化设计模型。首先,针对带有5个节点的血液供应链网络,建立考虑安全库存的、目标为成本最小、存储时间最短的优化函数,并采用ε约束、Pareto最优和鲁棒优化方法对已建模型进行处理,将多目标问题转化为单目标鲁棒问题;其次,对原有鲸鱼优化算法（WOA）进行改进,引入差分算法的交叉和变异理念,增强了搜索能力并改善了局限性,从而得到差分鲸鱼优化算法（DWOA）,并采用此算法对处理后的模型求解。通过数值实例,验证当测试问题相同时,优化模型在需求短缺方面比确定模型的短缺量平均少76%。因此,所提优化模型在应对需求短缺时更具优势;通过仿真对比分析图像,得出DWOA相比WOA、粒子群优化（PSO）算法和遗传算法（GA）中断时间更短并且成本更低。     

基于混合策略改进的鲸鱼优化算法

针对传统鲸鱼优化算法收敛速度慢、易陷入局部最优等问题,提出一种基于混合策略改进的鲸鱼优化算法。首先,引入非线性调整策略改进收敛因子,平衡算法的全局探索与局部开发能力并加快算法收敛速度;然后,将自适应权重系数引入鲸鱼位置更新式中,从而提高算法的寻优精度;最后,结合人工蜂群算法的limit阈值思想,使算法能够有效跳出局部最优,改善算法早熟收敛现象。通过对14个基准测试函数在不同维度上的仿真实验表明,改进算法具有较高的寻优精度和较快的收敛速度。     

基于改进罚函数策略的综合射频阵列智能多目标优化配置

综合射频系统是未来机载电子设备的发展趋势.本文首次从系统工程运筹学的角度对无人机载综合射频系统中的雷达、侦察、通信、干扰的作战任务及威力进行了研究分析;通过任务矢量的构建可实现不同作战环境下综合射频阵面的自主配置,建立了基于任务矢量的综合射频系统阵面资源优化的物理模型和数学模型;创建了基于作用距离、功耗、作战效能的多目...     

基于混合预测策略与改进社会学习优化算法的动态多目标优化方法

近年来,国内外学者针对基于预测的动态多目标优化算法开展了深入研究,并提出了一系列有效的算法,然而已有的研究工作通常采用单一的预测策略,使得算法不能有效地应对剧烈的环境变化。针对上述问题,提出了一种基于混合预测策略与改进社会学习优化算法的动态多目标优化方法。具体地,当环境发生变化时,该方法首先基于代表性个体预测策略生成一部分群体;其次,基于拐点预测策略生成一部分新群体,特别地,为了提高种群的多样性,根据算法迭代的历史信息和环境变化情况随机地生成一定数量的新个体;为了提高问题的求解效率,对社会学习优化算法进行了改进,为每个进化空间设计了适用于动态多目标优化问题的算子;最后,将混合预测策略与改进的社会学习优化算法结合,构成了一种新的动态多目标优化方法。以FDA、DMOP和F函数集作为实验测试函数集,与四种代表性算法进行了性能对比;并以反向世代距离(inverted generational distance, IGD)对该方法的性能进行了深入的分析。实验结果表明所提方法具有较好的收敛性和鲁棒性。     

基于多目标遗传算法的集装箱码头泊位—岸桥分配问题研究

为获得合理的集装箱码头泊位—岸桥分配方案,建立了以最小化船舶在港时间和码头生产成本为目标的优化模型。提出一种多目标遗传算法用于求解该模型,算法中采用染色体组的方式表示可行解,给出了多个约束条件下的交叉算子运算规则,个体的各目标值结合岸桥分配启发式算法求得,并应用Pareto分级方法进行适应度值评价;同时给出了最终实施方案的选择策略。试验算例表明,与单目标优化相比,提出的优化方法能获得使码头综合效益较大的满意解。     

仿生策略优化的鲸鱼算法研究

通过对混沌映射初始化种群和自适应调整搜索策略对鲸鱼优化算法(WOA)改进,提出了仿生策略优化的鲸鱼算法(BWOA),实现了对算法的全局优化能力和收敛速度的改进.通过基准测试函数的仿真,BWOA与标准WOA及高效的WOA(EWOA)对比分析,证明了BWOA的有效性.     

基于改进鲸鱼优化算法的外骨骼机器人步态检测

针对传统的外骨骼机器人步态检测算法中的信息单一化、准确率低、易陷入局部最优等问题，提出基于改进鲸鱼算法优化的支持向量机（IWOA-SVM）的外骨骼机器人步态检测算法，即在鲸鱼优化算法（WOA）中引入遗传算法（GA）的选择、交叉、变异操作，进而去优化支持向量机（SVM）的惩罚因子与核参数，再使用参数优化后的SVM建立分类模型，从而扩大算法的搜索范围，减小算法陷入局部最优的概率。首先，使用混合传感技术采集步态数据，即通过足底压力传感器和膝关节、髋关节角度传感器采集外骨骼机器人的运动数据，并作为步态检测系统的输入；然后，使用门限法对步态相位进行划分并标记标签；最后，将足底压力信号与髋关节、膝关节角度信号融合作为输入，使用IWOA-SVM算法完成对步态的检测。对6个标准测试函数进行仿真实验，并与GA、粒子群优化（PSO）算法、WOA进行比较，数值实验表明，改进鲸鱼优化算法（IWOA）的鲁棒性、寻优精度、收敛速度均优于其他优化算法。通过分析不同穿戴者的步态检测结果发现，准确率可达98.8%，验证了所提算法在新一代外骨骼机器人中的可行性和实用性，并与基于遗传优化算法的支持向量机（GA-SVM）、基于粒子群优化算法的支持向量机（PSO-SVM）、基于鲸鱼优化算法的支持向量机（WOA-SVM）算法进行比较，结果表明，该算法识别准确率分别提高了5.33%、2.70%、1.44%，能够对外骨骼机器人的步态进行有效检测，进而实现外骨骼机器人的精确控制及稳定行走。     

多蚁群分级优化的多目标求解方法*

为提高多目标优化方法的求解性能,在给出了蚁群算法优化函数类问题求解方法的基础上,提出了基于多蚁群分级优化多目标问题的求解方法。构建了子蚁群以自身启发式信息及以其他子群的启发式信息获得准Pareto解以及采用各子群的每一只蚂蚁获得的准Pareto解作支配判断,从而提高Pareto解的多样性;构建了父蚁群以准Pareto解作为空间节点构成TSP类似的组合优化问题,其求解结果以获得多目标优化问题的Pareto解的前沿,从而提高Pareto解的均匀分布性。通过优化实例验证,结果表明,多蚁群分级优化的多目标求解方法     

混合策略改进的鲸鱼优化算法

针对标准鲸鱼优化算法易出现搜索速度慢、寻优精度低及早熟收敛等问题,提出一种混合策略改进的鲸鱼优化算法。首先采用混沌映射生成初始种群增加种群多样性,为算法全局搜索奠定基础;然后引入非线性策略改进收敛因子和惯性权重,平衡算法的全局探索与局部开发能力并加快收敛速度;最后根据群体适应度方差设定阈值进行变异操作,避免算法出现早熟收敛的现象。通过对12个典型基准函数进行三方面的性能测试,实验结果表明,改进算法在搜索速度、收敛精度等方面有显著提高,且摆脱陷入局部最优解的能力强。     

基于正交自适应鲸鱼优化的云计算任务调度

针对任务调度中存在的任务完成时间长、系统执行任务成本高且系统负载不均衡等问题,提出了一种基于正交自适应鲸鱼优化算法（OAWOA）的云计算任务调度方法。首先,将正交试验设计（OED）应用于种群初始化和全局搜索阶段,以提升和维持种群的多样性,避免算法过早陷入局部收敛状态;然后,利用自适应指数递减因子和双向搜索机制,来进一步加强算法的全局搜索能力;最后,对适应度函数进行优化,从而使算法实现多目标优化。通过仿真实验将所提的算法与鲸鱼优化算法（WOA）、粒子群优化（PSO）算法、蝙蝠算法（BA）以及其他两种改进的WOA进行比较。实验结果表明,在任务规模为50和500时所提算法都取得了更好的收敛效果,并且得到的系统执行任务的总时间和总成本均低于其他几种算法,同时负载均衡度仅低于BA。可见,所提算法在降低系统执行任务的总时间和总成本以及提高系统负载均衡方面均表现出了显著的优势。