求解高维函数优化的动态粒子群算法

针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷,提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略,使得粒子对周围环境的适应能力不受进化代数的影响,从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明,与文献算法相比,该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。     

细菌觅食算法求解高维优化问题

针对细菌觅食优化算法中,以往的自适应步长公式引入参数过多,统一的经验性参数无法适应各类不同问题的情况,提出了改进的自适应步长公式,通过在步长公式中引入当前细菌的进化代数、寻优范围,并发挥当前最优细菌的引导作用,灵活的调整步长,真正达到自适应调整步长的目的;其次对高维优化问题进行分析,将其分为可分解可分组、不可分解可分组和不可分解不可分组三大类,针对不同类型的问题,采用不同的分组方式,降维、细化来求解,将复杂的问题简单化,极大的提高了求解的效率和精度。将改进的自适应步长公式应用于高维优化问题的求解方法中,通过对多个标准测试函数在多维空间特别是超高维空间（500维、800维、1000维）进行测试,并将其结果同其它算法进行比较,实验证明本文改进算法在寻得最优解的精度和效率上比其它改进方案有显著提高。     

求解高维优化问题的混合灰狼优化算法

针对基本灰狼优化算法在求解高维优化问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出一种基于混沌映射和的精英反向学习策略的混合灰狼优化算法用于解决无约束高维函数优化问题. 该混合算法首先采用混沌序列产生初始种群为算法进行全局搜索奠定基础;对当前种群中的精英个体分别执行精英反向学习策略以协调算法的勘探和开采能力;在搜索过程中对决策层个体进行混沌扰动,以避免算法陷入局部最优的可能性. 选取10个高维(100维、500维和1000维)标准测试函数进行数值实验,结果表明混合灰狼优化算法在求解精度及收敛速度指标上明显优于对比算法.     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

改进藤壶配尾优化算法求解高维连续优化问题

为增强藤壶配尾优化算法(barnacles mating optimizer, BMO)的全局探索性能和局部寻优精度,融合藤壶幼虫的沉降附着行为与正反向递减铸型策略提出一种改进藤壶配尾优化算法(improved BMO, IBMO)并将其用于求解高维连续优化问题。沉降附着行为模型受自然界藤壶幼虫随潮浮游、螺旋沉降的行为启发所构建,以增加种群多样性并改善算法的全局探索性能。正反向递减铸型策略借鉴反向学习思想并融入递减调控机制修正传统藤壶优化算法的精子铸型过程,以扩增种群的局部搜索域并改善算法的局部开采性能。实验结果表明,两种策略可分别有效改善藤壶优化算法的全局探索和局部开采性能;同时,所提IBMO算法相较于其他新近智能算法则表现出更高收敛精度、更强算法稳健性和良好高维适用性等。     

粒子群算法分析及其求解露天矿道路路径优化问题

粒子群算法作为一种优化工具具有简单、易实现的优点,它所具有的群体智能和收敛速度快优点更使其适合于大规模复杂的网络优化问题.分析几种粒子群算法的改进策略,得到它们相对于标准算法的优势,抓住粒子群算法收敛快特点,通过对算法参数和算法结构进行调整,有效的弥补了算法易于陷入局部最优缺陷,进而提高了其全局搜索能力.通过适当选择问...     

基于混合粒子群算法的高维优化问题求解

为解决高维复杂函数的优化问题，克服标准粒子群算法早熟收敛、局部搜索能力弱等缺点，在标准粒子群优化算法中融合了遗传算法的设计思想，提出了一种新颖的混合粒子群算法。高维函数个别维上的差解导致算法最终无法找到全局最优解，而通常的优化算法很难寻找到每一维上的最佳值。受遗传算法思想的启发，在粒子的进化过程中，通过对最优粒子的每一维进行评价，找到导致最终解质量差的维度，对其维上的数据进行变异，进而有针对性地改进，寻找到每一维上的最佳位置。对典型高维复杂函数的仿真表明：算法在求解质量和求解速度两方面都得到了好的结果。     

求解job-shop调度问题的量子粒子群优化算法

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题.求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解.仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法.     

一种求解高维复杂函数优化问题的混合粒子群优化算法

对于高维复杂函数,传统的确定性算法易陷入局部最小,而单一的全局随机搜索算法收敛速度慢.本文通过将粒子群优化算法和单纯形法相结合,利用前者搜索速度快、搜索范围广和后者收敛速度快的特 性,提出一种快速、易实现的混合粒子群优化算法.基于典型高维复杂函数的仿真表明:该混合算法效率高、优化性能好、对初值具有很强的鲁棒性,其性能大大优于单一的优化方法.     

求解job shop调度问题的量子粒子群优化算法*

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题。求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解。仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。     

解决高维优化问题的差分进化算法

针对高维优化问题难以解决并且优化耗费时间长的问题,提出了一种解决高维优化问题的差分进化算法。将协同进化思想引入到差分进化领域,采用一种由状态观测器和随机分组策略组成的协同进化方案。其中,状态观测器根据搜索状态反馈信息适时地调用随机分组策略重新分组;随机分组策略将高维优化问题分解为若干较低维的子问题,而后分别进化。该方案有效地增强了算法解决高维优化问题的搜索速度和搜索能力。经典型的实例测试,并与其他一流差分进化算法比较,实验结果表明:所提算法能有效地求解不同类型的高维优化问题,在搜索速度方面有明显提升,尤其对可分解的高维优化问题极具竞争力。     

一种求解二维矩形Packing问题的拟人型全局优化算法

针对二维矩形Packing问题,提出了基于占角动作的基本算法。以基本算法为基础,提出了三阶段优化的拟人型全局优化算法。在第一阶段生成初始布局。在第二阶段交替调用邻域搜索子程序和跳坑策略子程序对矩形块的优先级排序进行优化。邻域搜索采用交换式和插入式两种邻域结构,避免单一邻域结构的局限性。当搜索遇到局部最优解时,采用跳坑策略子程序跳出局部最优解,将搜索引向有希望的区域。在第三阶段调用优美度枚举子程序对占角动作的选择作进一步优化。提出了两条优度定理。对于六组benchmark测试用例的实验结果表明,算法的整体表现优于当前文献中的先进算法。针对矩形块方向固定的情形,算法对zdf6和zdf7两个问题实例得到了比已有文献记录更优的布局。     

求解背包问题的混合粒子群优化算法

提出一种新的遗传思想：父代的基因决定子代继承某一基因的概率,而不是由单纯的交叉产生子代。根据此思想,提出两种利用遗传概率产生子代的方法,并将它们分别与粒子群优化算法相结合得到两种求解背包问题的混合粒子群优化算法。通过数值实验说明了同样的算法采用遗传策略要比交叉策略寻优性更强,分析了变异概率对算法的影响。     

改进型免疫优化算法求解排课问题

为了有效地求解高校排课问题,设计了基于免疫优化算法的排课方案。给出了高校排课问题的数学模型,构建了基于免疫算法的求解框架,并进行了实验验证。实验结果表明该设计的排课方案能够有效地解决高校排课问题,具有较好的应用价值。     

一种求解复杂优化问题的新型人工鱼群算法

受自然界群体生物繁衍生息行为的启发,提出了一种新型人工鱼群算法。新算法将鱼群行为概括为：觅食行为、繁衍行为和逃逸行为。其中,繁衍行为是指利用进化算法的选择和交叉算子赋予了人工鱼繁衍能力;逃逸行为利用了云模型云滴的随机性和稳定倾向性的特点,由基本云发生器实现人工鱼变异操作。新算法还采用了双曲正切函数建立了步长参数自适应模型,从而动态调整算法寻优能力。通过10个标准测试函数的计算验证和分析比较,表明了提出的新型自适应混合人工鱼群算法具有计算精度高、搜索速度快等特点。     

基于粒子群优化的考试时间安排问题的求解算法

粒子群优化算法是近年来发展起来的一种元启发式的搜索算法,是目前解决组合优化问题的最有效的算法之一.针对考试时间表问题(ETP),通过基于时间序列的粒子编码方式和新的更新算子,建立ETP问题的粒子群求解模型,并结合简化邻域搜索算法给出了改进策略.仿真实验结果表明所提算法及策略的有效性.     

求解约束优化问题的新型帝国竞争算法

针对约束优化问题,提出一种约束处理的新策略,运用字典序方法同时优化问题的目标函数和约束违背程度,设计一种新型帝国竞争算法.该算法给出成本和归一化成本的新定义,以避免殖民国家势力为零,并应用嵌入殖民地间全局搜索的同化、基于优秀殖民地的革命、殖民国家的差分进化和新型帝国竞争等策略提高求解质量.基于两组约束优化标准测试函数的实验结果和算法对比表明,结合字典序方法的新型帝国竞争算法在约束优化问题的求解方面具有较强的优势.     

基于改进教学算法的车间作业调度问题

为求解车间作业调度问题,提出一种基于个体差异化自学习的改进教学算法.针对教学算法局部搜索能力不高的缺陷, 提出学生不仅应向能力好的学习者学习,亦应进行有差异的自我学习.通过学习者的完工时间评估学生的学习能力,提出学习次数概念,并设计自学习算子,完善学生阶段的更新,提高算法的局部搜索能力.最后,对OR-Library中的标准仿真实例进行实验,结果表明改进教学算法是有效的,其在收敛精度和鲁棒性能上均有较好的提高.     

A quantum approximate optimization algorithm for solving Hamilton path problem

The Journal of Supercomputing - In recent years, combinatorial optimization has been widely studied. The existing optimization solutions are prone to fall into local optimal solutions and have a...