求解约束优化问题的混合类电磁机制算法

提出了一种求解约束优化问题的混合类电磁机制算法.该算法将约束条件通过外点法转移进目标函数,将约束问题简化为无约束问题;并加入粒子电量过滤公式设计出新类电磁机制(EPEM)算法.数值试验证明,新算法性能优于其他启发式算法,是一种高效、稳健的方法.     

蜜蜂进化型的类电磁机制算法

针对类电磁机制算法求解高维问题耗时的缺点,提出了一种蜜蜂进化型类电磁机制算法。在该算法中,种群的最优粒子作为蜂王与被选的每个粒子（雄蜂）以概率进行交叉操作,增强了对种群最优粒子所包含信息的开采能力。为了避免算法过早收敛,结合邻域搜索技术来改进种群中的粒子,提高了算法的勘探能力。理论分析表明新算法以概率1收敛到问题的最优解。实验结果表明,蜜蜂进化型类电磁机制算法是一种提高类电磁机制算法性能的有效改进算法。     

一种改进的类电磁机制算法

文章以无约束优化问题为研究对象,分析了类电磁机制算法的原理,即模拟了电磁场中带电粒子之间的吸引排斥机制,通过该机制使得粒子朝着最优粒子移动。针对原算法中存在的运算量大、收敛速度慢等问题,提出了一种改进的类电磁机制算法。新算法采用归一化目标函数值方法,简化了电量计算公式;同时引入自适应移动算子,将粒子的优劣和迭代的过程体现在粒子的移动过程中,使得算法在搜索过程中能朝着更精确的解移动。实验证明,改进后的算法具有更好的收敛效果和更高的执行效率。     

类电磁机制算法及其应用

研究了一种新的启发式全局优化算法——类电磁机制（Electromagnetismlike Mechanism, EM）算法。系统介绍了类电磁机制算法的原理、基本步骤、几个不同版本及其改进,综述了类电磁机制算法在函数优化、神经网络训练和调度等方面的应用,最后对类电磁机制算法的研究和应用方向进行了展望。     

嵌入单纯形法的混合类电磁机制算法

针对类电磁机制算法存在局部搜索能力差的问题,提出一种基于单纯形法的混合类电磁机制算法。该混合算法首先利用反向学习策略构造初始种群以保证粒子均匀分布在搜索空间中。利用单纯形法对最优粒子进行局部搜索,增强了算法在最优点附近的局部搜索能力,以加快算法的收敛速度。四个基准测试函数的仿真实验结果表明,该算法具有更好的寻优性能。     

改进类电磁机制算法预测应用

改进类电磁机制算法,优化一种新的神经网络预测模型,应用于求解复杂的水质预测实际问题.实验数据采集黄河兰州段新城桥监测断面177组监测数据,其中前154组为模型训练数据,后23组为模型测试数据,与经典预测模型对比,改进算法优化的新模型预测结果均方误差较小,误差稳定性好,预测结果更准确.     

基于混合类电磁机制算法的混沌系统控制与同步

混沌系统控制与同步可通过优化方法设计控制律引导混沌系统轨道来实现．类电磁机制优化算法（EM）是模拟电磁场带电粒子间吸引一排斥行为机制的一种启发式搜索方法,目前还尚未在混沌系统控制与同步问题中得到应用．本文提出一种混合类电磁机制优化算法（HEM）用于求解该优化问题,该方法采用修改的类电磁机制算法（REM）与差分进化算法（DE）相融合平衡算法对解空间的全局探索和局部开发能力,基准函数测试表明混合算法改善了全局搜索能力及求解可靠性．在此基础上,采用HEM算法引导混沌系统的轨道,搜索施加于系统的小扰动使其轨迹在短时间内跟踪到目标区域;再将混沌系统的同步问题转化为在线轨道导引问题,采用HEM优化算法解决．通过典型离散Henon映射为例,数值仿真结果表明了该方法是解决混沌系统控制与同步的一种有效方法．     

类电磁机制算法的应用研究

针对多车场多车型的关联运输调度问题(Multi-depot and Multi-vehicle-type Related Vehicle Routing Problem),对传统的类电磁机制算法进行改进,局部搜索可以提高算法在局部区域精细搜索的能力,并引入了移动系数来提高算法的收敛速度。实验结果证明,改进的算法有效地解决了此类问题且优于传统类电磁机制算法。     

结合变尺度法的改进类电磁机制算法

标准类电磁机制算法处理连续函数优化问题时存在最优参数选取和收敛速度问题.数值实验研究表明类电磁算法不具备初值敏感性,并在搜索后期算法收敛速度缓慢甚至可能出现停滞.数值实验分析指出粒子之间达成动态力平衡状态是造成算法停滞的可能原因之一,提出一种解决策略是摒弃EM算法后期搜索过程,结合变尺度法对EM算法前期搜索到的近似最优值进行二次优化.该混合计算方法将二者的优势相结合,实验结果表明新方法在保证计算实时性的同时,取得了较高的计算精度.最后,对EM算法本身构造提出一些改进意见,并初步建立用于连续函数优化的EM算法计算框架,为后续更深入的研究EM算法提供参考.     

面向自动组卷问题的改进类电磁算法

类电磁算法（EM）中局部搜索是按一定步长进行线性搜索,在这个范围内寻找个体在某一维上的最优值。由于步长的限定,求得的该维上最优值可能远离实际的最优值。采用遗传算法（GA）中选择因子和交叉因子可以很好地解决这一问题。在组卷系统中,通过基于遗传算法改进的类电磁算法（Based Genetic Electromagnetism-like Mechanism Algorithm,GEM）与GA算法以及采用线性局部搜索的EM算法实验的比较,证明该算法有更高的组卷效率。     

资源受限项目调度问题的改进类电磁算法

在资源受限项目调度中,工序必须在特定时间窗口中执行。为此,在类电磁(EM)算法的基础上提出一种基于变邻域搜索(VNS)的改进类电磁算法(IEMA)。采用VNS作为IEMA的局部搜索策略,对EM算法中的电荷、合力以及粒子解移动的方式做改进。将IEMA应用于求解标准问题库PSPLIB,并与EM、IEM以及基于邻域搜索的改进类电磁算法IEM-NS进行比较分析,仿真结果表明,IEMA具有更好的求解性能。     

基于贪婪离散类电磁机制算法求解背包问题

针对基本类电磁机制算法不能够有效解决离散型的背包问题,提出了一种贪婪离散类电磁机制算法。首先,提出一种交叉操作;然后,利用提出的交叉操作对基本类电磁机制算法中的合力计算公式和粒子移动方法进行修改,使其能够适用于离散型问题;最后,引入贪婪算法的机制来处理经过类电磁机制算法迭代得到的解,使这些解满足背包问题的约束条件。通过对3个经典的背包测试问题进行的测试结果表明:该算法可以解决离散型的背包问题,并且具有较优的求解性能。     

An improved electromagnetism-like mechanism algorithm for constrained optimization

Many problems in scientific research and engineering applications can be decomposed into the constrained optimization problems. Most of them are the nonlinear programming problems which are very hard to be solved by the traditional methods. In this paper, an electromagnetism-like mechanism (EM) algorithm, which is a meta-heuristic algorithm, has been improved for these problems. Firstly, some modifications are made for improving the performance of EM algorithm. The process of calculating the total force is simplified and an improved total force formula is adopted to accelerate the searching for optimal solution. In order to improve the accuracy of EM algorithm, a parameter called as move probability is introduced into the move formula where an elitist strategy is also adopted. And then, to handle the constraints, the feasibility and dominance rules are introduced and the corresponding charge formula is used for biasing feasible solutions over infeasible ones. Finally, 13 classical functions, three engineering design problems and 22 benchmark functions in CEC’06 are tested to illustrate the performance of proposed algorithm. Numerical results show that, compared with other versions of EM algorithm and other state-of-art algorithms, the improved EM algorithm has the advantage of higher accuracy and efficiency for constrained optimization problems.     

一种有效的解无约束全局优化的进化算法

为了解决进化算法在求解全局优化时易陷入局部最优和收敛速度慢的问题,设计了一个杂交算子,利用种群中最好点与其他点间的关系确定搜索方向,从而快速地找到实值函数的下降方向,一旦算法找到优于种群中最好点的点,利用所构造的两条直线交点的投影对其进行进一步优化,使函数值更迅速地下降.提出了适合杂交算子的初始种群生成方法.设计了一个既能提高收敛速度又能摆脱局部最优的变异算子以增强算法的效果.在此基础上,提出了一个求解全局优化问题的高效进化算法,并从理论上证明了全局收敛性,从数值上验证了有效性.     

一种新型的全局优化算法——细胞膜优化算法*

通过研究细胞膜的特性及其物质转运方式,从中进行提取优化模型,并结合全局优化算法的基本思想,提出了一种新型的全局优化算法——细胞膜优化算法（CMO）。通过数值实验,验证了细胞膜优化算法具有很好的全局寻优能力、快速的收敛能力和获取高精度解的能力,并与标准粒子群算法（PSO）和人口迁移算法（PMA）进行比较,结果表明,细胞膜优化算法在解决高维优化问题时具有更好的收敛性能。     

多峰值全局优化的混合算法

根据遗传算法在较小的可行区域内一般有较好的求解结果这一事实,提出了一种混合算法。该算法先利用区间算法求解全局优化问题来得到包含所有最优解的小区间,随后运用遗传算法进行后续过程。算法能够有效缩小一个较大的可行区域空间,提供高适应值的初始种群,求出多峰值问题的全部最优解,提高算法的求解精度同时避免陷入局部最优。最后数值实验说明了算法的有效性。     

求解全局优化问题的遗传退火算法

针对全局优化过程中,算法计算时间长、收敛时机不成熟、容易陷入局部最优等现象,在分析模拟退火算法和遗传算法优缺点的基础上提出了新的遗传退火混合算法,并将新的交叉、变异策略和诱导微调方法应用于算法中,通过10组非线性约束函数的测试表明,该算法能够在保持较高精度的前提下快速收敛。     

A stochastic local search algorithm for constrained continuous global optimization

This paper presents a new stochastic local search algorithm known as feasible–infeasible search procedure (FISP) for constrained continuous global optimization. The proposed procedure uses metaheuristic strategies for combinatorial optimization as well as combined strategies for exploring continuous spaces, which are applied to an efficient process in increasingly refined neighborhoods of current points. We show effectiveness and efficiency of the proposed procedure on a standard set of 13 well‐known test problems. Furthermore, we compare the performance of FISP with SNOPT (sparse nonlinear optimizer) and with few successful existing stochastic algorithms on the same set of test problems.