求解非线性方程组的量子行为粒子群算法*

介绍了利用量子行为粒子群算法解决非线性方程组的问题。求方程组的解归结为一个最优化问题,当方程组有多个解时,它的适应值函数就是具有多个最优解的多峰函数。为此,引进一种物种形成原理算法,该算法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体进行QPSO最优搜索,从而保证方程组中每个可能的解都能被搜索到,具有良好的局部寻优特性。对几个重要的测试函数进行仿真实验,结果证明了所用算法可以保证找到方程组所有的解,并且具有很好的精确度。     

求解非线性方程组的量子行为粒子群算法

介绍了利用量子行为粒子群算法解决非线性方程组的问题.求方程组的解归结为一个最优化问题,当方程组有多个解时,它的适应值函数就是具有多个最优解的多峰函数.为此,引进一种物种形成原理算法,该算法根据群体微粒的相似度并行地分成子群体.每个子群体是围绕一个群体种子而建立的.对每个子群体进行QPSO最优搜索,从而保证方程组中每个可能的解都能被搜索到,具有良好的局部寻优特性.对几个重要的测试函数进行仿真实验,结果证明了所用算法可以保证找到方程组所有的解,并且具有很好的精确度.     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。     

基于克隆选择和粒子群思想的动态多群体优化算法

针对粒子群算法和克隆选择原理的特点,提出了基于克隆选择和粒子群思想的动态多群体优化算法.该算法将整个群体分为若干子群体,在子群体内部应用基本的粒子群算法,以子群体作为抗体设计了克隆、变异、选择和受体编辑算子.交异算子使子群体动态变化实现子群体闻相互交换信息,具有良好的全局搜索能力.实验结果表明,该算法具有寻优能力强、搜索精度高的优点,可用于工程问题中具有各种特性的复杂函数优化.     

基于岛屿群体模型的多目标演化算法研究

近年来,基于Parcto最优概念的多目标演化算法成为演化计算的研究热点,并已在工程领域中得到了广泛应用。在多目标演化算法NSGA-II基础上,给出了并行非劣分层多目标演化算法(PNSMEA)。该算法引入了粗粒度岛屿模型,整个群体被划分成若干个子群体,每个子群体单独演化计算。子群体在进化过程中,每隔一定进化代数交换集合中的个体,以保证各子群体中个体的多样性,提高多目标问题非劣最优域搜索的广度。引入算术交叉算子,以克服NSGA-II中SBX(Simulated Binary Crossover)交又算子搜索能力较弱的缺点。试验结果表明,PNSMEA算法不仅可改善NSGA-II算法的搜索孤立区域困难和早收敛的问题,而且所获得的Parcto解集具有更好的分布性。     

基于克隆选择和粒子群思想的动态多群体优化算法

针对粒子群算法和克隆选择原理的特点,提出了基于克隆选择和粒子群思想的动态多群体优化算法.该算法将整个群体分为若干子群体,在子群体内部应用基本的粒子群算法,以子群体作为抗体设计了克隆,变异,选择和受体编辑算子.变异算子使子群体动态变化实现子群体间相互交换信息,具有良好的全局搜索能力.实验结果表明,该算法具有寻优能力强,搜索精度高的优点,可用于工程问题中具有各种特性的复杂函数优化.

     

多峰搜索的动态微粒群算法

对多峰搜索问题提出了一类动态微粒群算法。该算法通过变换函数将多峰问题中的所有峰变为等高峰,从而保证每个峰都有同等机会被找到;在搜索过程中采用群体规模动态可调的进化方式,使得初始群体可以任意指定,从而克服了标准微粒群算法由于无法事先知道多峰函数峰值点个数而很难确定合适群体大小的困难。实验表明了该算法可以尽可能多地找到峰值点。     

蚁群协同模式搜索算法及其收敛性分析

提出了一种解决无约束连续空间优化问题的蚁群协同模式搜索算法.该算法通过目标函数值启发式信息素引导群体进行区域搜索,而每个个体的模式搜索为算法提供进一步的局部搜索,其搜索结果以信息素融合的方式进行信息共享,为下一次的区域搜索提供依据.通过随机模式搜索算法理论得出了算法的收敛性定理.详细的测试结果体现算法的涌现智能特征,与其他算法的比较结果说明了算法的有效性及群体协同的优势.     

基于蚁群算法的MAS多目标协调优化

利用蚁群算法的群体搜索策略,研究了基于蚁群算法的MAS多目标协调优化机制．对每个Agent的目标函数分配一群蚂蚁。使之在问题空间寻优,并对所有的优化解采用谈判机制进行协调,以产生多目标优化问题的Pareto折衷解．采用“误差率”和“空间矩阵”方法对算法的性能指标进行度量．用该方法求解两个典型的多目标优化测试函数,仿真结果表明所提出的方法可成功地解决MAS的多个目标函数的优化问题,收敛速度较快．     

动态区域性多群体搜索的遗传算法

提出了一种新的动态区域性多群体搜索的遗传算法.该方法的各个遗传群体所占据的 搜索空间由自适应模糊Hamming神经网络的决定,此神经网络通过对遗传个体分类和学习,将 不同的遗传群体分配在搜索空间的不同位置,并可以动态地调整遗传群体的搜索区域或建立新 的遗传群体,从而确保了遗传群体的个体多样性,有效地抑制了可能发生的早熟收敛现象,而且 使得遗传算法具有较强的全局寻优能力和快速局部寻优能力.本文的实验通过对典型的复杂多 模函数的优化计算,也显示了动态区域性多群体搜索的遗传算法的优良性能.     

基于遗传模拟退火算法的移动机器人路径规划

针对移动机器人路径规划的难题,运用了一种基于遗传模拟退火算法的移动机器人最优路径规划方法,对移动机器人的路径规划进行了设计,采用了栅格法对环境进行建模.为了提高路径规划的效率,采用了一种改进的避障算法来生成初始种群.将遗传算法与模拟退火算法相结合形成遗传模拟退火算法,新算法具有较强的全局和局部搜索能力.仿真实验结果证明算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高.     

基于遗传算法的时频差快速估计

利用互模糊函数进行时频差估计运算量大,现有算法对时频差搜索大都基于遍历思想,实时性较差。针对此问题,提出基于遗传算法的时频差快速估计方法,该方法针对互模糊函数特点对遗传算法做出改进,通过种群收敛程度自适应调整变异概率,并结合多次种群初始化,有效改善种群多样性防止算法陷入局部最优。仿真结果表明,遗传算法相对现有算法,能够快速得到时频差估计结果,计算效率有较大提升。     

Fuzzy genetic sharing for dynamic optimization

Recently,genetic algorithms(GAs) have been applied to multi-modal dynamic optimization(MDO).In this kind of optimization,an algorithm is required not only to find the multiple optimal solutions but also to locate a dynamically changing optimum.Our fuzzy genetic sharing(FGS) approach is based on a novel genetic algorithm with dynamic niche sharing(GADNS).FGS finds the optimal solutions,while maintaining the diversity of the population.For this,FGS uses several strategies.First,an unsupervised fuzzy clustering method is used to track multiple optima and perform GADNS.Second,a modified tournament selection is used to control selection pressure.Third,a novel mutation with an adaptive mutation rate is used to locate unexplored search areas.The effectiveness of FGS in dynamic environments is demonstrated using the generalized dynamic benchmark generator(GDBG).     

一种求解旅行商问题的改进遗传算法

针对基本遗传算法存在容易"早熟",无法全局收敛的现象,设计了一种新交叉算子和变异算子,并在遗传算子构造中引入贪心控制策略.新算子的引入丰富了种群的多样性,提高了算法的全局搜索能力.实例仿真表明,改进遗传算法在迭代陷入局部最优时,能在较短的时间内跳出局部最优,继续寻找全局最优解.     

自适应遗传算法的改进与应用

针对遗传算法易出现早熟现象，通过对标准遗传算法和自适应遗传算法的分析研究，本文对自适应遗传算法进行了改进。即在保留以往自适应遗传算法优点的同时，设计了与种群个体分布及种群规模的波动情况相关的自适应遗传算子。实验结果表明：该算法不易陷入局部极值，收敛速度快。     

融合多策略的鸟群算法及油层识别ELM模型优化

为了改进鸟群算法易陷入局部最优、收敛速度慢以及种群多样性不足的缺点,提出融合多策略的鸟群算法.引入混沌权重和对称切线混沌加速系数以及高斯扰动策略,增强算法跳出局部最优的能力;引入混合多步选择和自适应步长因子策略,加快算法的收敛速度;引入小波变异策略,丰富算法的种群多样性.实验采用10个基准测试函数,将改进的算法与另外5...     

Topology design of large displacement compliant mechanisms with multiple materials and multiple output ports

Topology optimization of compliant mechanisms is presented in this paper wherein the layout design problem is addressed in its original binary or discrete (0-1) form. Design variables are modeled as discrete variables and allowed to assume values pertaining only to their void (0) or solid (1) states. Due to this discrete nature, a genetic algorithm is employed as an optimization routine. Using the barrier assignment approach, the search algorithm is extended to use with multiple materials. The layout design of compliant mechanisms is performed wherein displacements at multiple points (ports) in the design region are maximized along the respective prescribed directions. With multiple output ports and multiple materials, additional freedom in motion and force transduction can be achieved with compliant mechanisms. Geometrically large deformation analysis is employed to compute the displacement-based multiple objectives that are extremized using Nondominated Sorting in Genetic Algorithms (or NSGA). With genetic algorithms, buckling or snap through like issues with nonconvergent solutions in the population when computing nonlinear deformations can be implicitly circumvented.     

基于改进量子遗传算法的连续函数优化研究

针对一般量子遗传算法在求解连续函数优化问题时存在的困难,研究了一种改进的量子遗传算法.该算法采用一种新的量子旋转门--Hε门对种群进行更新操作,可有效避免算法陷入局部最优解,提高算法的全局寻优能力.将该算法应用于几个典型复杂函数的优化测试结果表明,改进的量子遗传算法在对连续函数进行求解时,综合性能明显优于传统遗传算法和一般量子遗传算法.     

改进的多种群算法优化隐马尔可夫模型预测篦压趋势

以篦冷机关键参数篦下压力为研究对象,提出一种篦压变化趋势预测模型.利用主成分分析对数据降维,以主元序列作为观测序列,构建改进的多种群算法优化隐马尔可夫模型参数.种群内利用轮盘赌算子选择个体,设计双区与均匀行交叉结合的自适应交叉算子避免局部收敛,进行动态变异率的多项式变异操作提高收敛速度,种群间提出混合师生交流机制的自适应移民算子保证多种群协同进化.仿真表明本文算法可收敛到全局最优,能提高收敛精度和速度,利用该算法建立的模型跟踪性能好,预测精度高,能满足对篦压趋势预测的要求.     

基于免疫遗传算法的排课方法的研究

在排课问题中引入免疫遗传算法,即基于免疫算法和遗传算法的优化算法,该算法具有可防止未成熟收敛和保证种群的多样性等优点。使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。针对排课问题的复杂性,给出了排课问题的数学模型并提出基于免疫遗传算法的解决方案。结果表明,该算法能比较有效地解决排课问题。