离散半无限规划的一个超线性收敛的SQP算法

讨论离散半无限规划问题,结合更新离散指标集的技术,提出一种新的可行序列二次规划(FSQP)算法求解由半无限规划(SIP)转化到离散半无限(DSI)问题,使得可行下降方向仅通过求解一个QP子问题可获得,为克服马太效应,高阶校正通过求解带有包含某个约束集的线性方程组所得.在适当的条件下,证明了算法的全局收敛性和超线性收敛性.     

自适应信息素更新蚁群算法求解QoS组播路由

针对基本蚁群算法在求解QoS组播路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种自适应信息素更新蚁群算法对该问题进行求解。该算法在节点选择中引入混沌扰动,在算法前期依据各链路信息素浓度动态调整信息素的挥发因子,提高了全局搜索能力,后期根据解的优劣自适应更新信息素,使收敛性能得到显著提高。仿真实验表明,同等实验条件下,基本蚁群算法在第12次迭代收敛到局部最优费用值87;融合量子粒子群算法思想的多行为蚁群算法第7次迭代收敛到局部最优费用值66,而本研究算法则在第10次迭代收敛到全局最优费用值62,本研究算法比前两种算法更优。     

非负线性最小二乘问题的一种严格可行内点算法

给出了非负线性最小二乘问题的一个新算法。首先,把非负线性最小二乘转化为线性互补问题,结合牛顿方向和中心路径方向,通过求解一个线性方程组得到搜索方向;进而获得了求解非负线性最小二乘问题的一种严格可行内点算法,并证明该算法经过多项式次迭代之后收敛到原问题的一个最优解,数值实验表明此方法是有效的。     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

混合约束非线性规划问题的复合形算法

针对混合约束非线性规划问题,提出了一种改进的复合形方法,并给出了相应的算法步骤.应用此改进复合形法求解一典型算例,经过23次迭代达到了收敛条件,其结果与MATLAB计算得到的最优解误差为0.002%.     

求解单调线性互补问题的势下降内点算法

研究了单调线性互补问题的一种内点法,将牛顿方向和中心路径方向相结合,通过求解一个线性方程组得到搜索方向;在每次迭代中,寻找使得新的迭代点满足可行性要求且同时使得势函数值下降的步长参数,进而建立了求解单调线性互补问题的一种势下降内点算法,并证明该算法经过多项式次迭代之后收敛到原问题的一个最优解,数值实验表明此方法是有效的。     

求解TSP问题的快速蚁群算法

针对蚁群算法求解旅行商问题时存在收敛速度慢并容易陷入局部最优的问题,提出了一种改进的蚁群算法。改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解。实验结果表明,改进算法在迭代次数相对较少的情况下求得的平均解与已知最优解偏差为0.46%,最优解与已知最优解偏差为0.23%,在收敛速度及求解精度上均取到了较好的效果。     

变步长和拥挤度因子的自适应人工鱼群算法

为了改进传统的人工鱼群算法会随着迭代的深入而导致算法易陷入局部最优的问题,以及固定的参数导致算法收敛慢和求解精度不高的问题,提出了一种改进的人工鱼群算法.首先结合迭代次数,为移动步长引入一个权值; 然后以每条人工鱼的视野范围所构成的子群为小生境,结合子群最优解与当前人工鱼状态,为拥挤度因子引入一个变异策略.数值实验结果表明,本文提出的算法收敛速度快、精度高、鲁棒性强,优于传统的人工鱼群算法和文献[4]提出的算法.     

给水管网管径优化设计的遗传算法

给水管网管径设计是离散变量的非线性优化问题,常规的数学规划方法采用连续变量求解,其最优解受初始值影响大。本文提出一种新方法——遗传算法,它的特点在于：从多个初始点开始寻优,并采用交迭和变异算子避免过早地收敛到局部最优解,可获得全局最优解,且不受初始值影响。该算法不必求导计算,编程简单。     

基于遗传蝙蝠算法的选择性拆卸序列规划

针对产品选择性拆卸序列规划问题,提出一种基于遗传蝙蝠算法的产品拆卸序列规划方法.利用Python语言对传统蝙蝠算法进行离散化处理,并在种群更新过程中引入遗传算法的交叉与变异机制,生成遗传蝙蝠算法,以增强解搜索的多样性;在构建适应度函数模型时以拆卸工具的变化次数与拆卸方向的重新定位次数作为评价指标,同时加入零部件的回收收益指标,使适应度函数更加完善.以工业机械臂为实例,利用所提方法进行产品拆卸序列规划求解,对比传统蝙蝠算法以及遗传算法的求解结果,发现在一定的种群数目下,所提方法收敛时间较短;在不同种群数目下,所提方法得到的适应度函数最优值质量较高,从而验证了遗传蝙蝠算法的搜索优越性.     

基于鱼群算法和Ｈｏｐｆｉｅｌｄ网络的ＰＩＤ参数寻优

提出1种融合了人工鱼群算法与Hopfield神经网络的PID参数优化算法．该算法前期利用鱼群算法快速随机的群体性全局搜索能力生成问题较优的可行解域,后期利用Hopfield神经网络硬件易实现简单快速的优点得到最优解,有效弥补了Hovfield网络对初始值过于依赖容易陷入局部极值的缺陷．将该算法用于某发动机PID控制中的参数寻优,结果表明新混合算法的整定效果好于Hopfield神经网络,且该算法简单易实现．     

Memetic优化的外辐射源雷达方位-多普勒定位方法

针对外辐射源雷达系统中快速高精度定位信息不易得到的问题,提出一种基于文化基因(Memetic)优化的方位-多普勒联合定位算法,首次将Memetic算法引入外辐射源定位领域,并设计了一种新的下降方向作为Memetic局部搜索策略,把目标定位转化成函数优化问题.实验结果显示,在无先验初始点信息和单次观测条件下,新算法不仅能将相对定位误差控制在较小范围内,而且能使定位精度稳定地逼近克拉美罗界.相比采用传统进化算法解决定位问题,新方法能够以更快的速度收敛到最优解,且单次定位时间更短,精度更高,从而实现对目标位置的快速高精度定位.     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.     

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．     

一种求解Job-shop问题的混合排序遗传算法

利用遗传算法和模拟退火算法的优点,提出一种新的基于工序的混合排序遗传算法(HSGA).新算法具有优秀的全局搜索能力和避免陷入局部极小的特性,有很高的收敛精度.对Job-shop调度问题进行仿真试验,结果优于其他同类算法,验证了HSGA的可行性和高效性.     

混合算法在轻钢结构优化设计中的应用

结合粒子群优化（PSO）算法快速的全局收敛性和蚁群优化（ACO）算法较强的寻优能力,提出了一种融合PSO算法和ACO算法的混合算法。首先利用PSO算法较强的全局搜索能力,产生各粒子的最优位置值;然后对ACO算法的蚂蚁总个数进行调整,在保证算法全局搜索能力的同时,避免陷入局部最优;最后利用改进的ACO算法对最优位置值做进一步优化。将该混合算法应用于轻钢结构优化设计中,建立优化设计模型。以轻钢门式框架为例,利用该模型进行优化分析,并与文献[11]中改进模拟退火算法的优化结果进行对比。结果表明,混合算法经过61次迭代后能够求出较好的全局最优解,合理可行。     

多策略融合的黄金正弦樽海鞘群算法

针对樽海鞘群算法（Salp Swarm Algorithm，SSA）收敛性能差、容易陷入局部最优等问题，提出了多策略融合的黄金正弦樽海鞘群算法（Golden sine Salp Swarm Algorithm with Multi-strategy，MGSSA）.首先采用选择反向学习策略对种群中完全偏离最优个体寻优方向的个体计算选择反向解，改善种群质量；然后在跟随者位置更新阶段加入最优个体和精英均值个体引导，以加快算法收敛速度；最后根据概率选择黄金正弦算法变异策略，进一步改善解的质量，同时便于算法后期跳出局部最优.本研究在14个基准测试函数上进行实验，与其他群智能优化算法和其他改进樽海鞘群算法对比，将其应用于拉压弹簧设计问题测试解决工程优化问题的性能.结果表明：MGSSA具有较高的收敛精度和稳定性，在求解工程问题时性能良好.     

一种基于漂移和波动思想的遗传算法

为充分利用最优个体的信息,借鉴于漂移和波动思想设计出新的交叉与变异算子,提出一种新的遗传算法.新算法采用混沌策略处理不可行个体,新算子结合最优个体信息,兼具全局搜索与局部搜索性能.仿真实验表明,新算法不但加快了算法的收敛速度,而且提高了求解精度,是一种有效性算法.     

一种求解有约全局优化问题的新型混合方法

通过将模拟退火算法与非线性规划神经网络适当结合，本文提出一种求解有约束全局优化问题的新型混合方法．为了使该方法尽可能保持一般模拟退火算法通用性强的优点，在每一次迭代中不是采用非线性规划神经网络直接求原问题的局部最优解，而是通过求解一个辅助优化问题得到原问题的可行解．数值计算结果表明，与使用罚函数方法处理约束的模拟退火算法相比，本文提出的混合方法不仅可靠性高，而且可以显著地提高计算效率．