基于多目标人工鱼群算法的符号回归

针对现有符号回归方法仅关注拟合误差而忽略模型简化的问题,提出了一种基于多目标的人工鱼群算法,将拟合误差与模型复杂度同时作为目标函数进行优化.以二叉堆对语法树编码,优良分支得以稳定地遗传和继承,也更易解码.在引入蒙版、邻域、小生境、拥挤度等概念的基础上,设计和定义了适用于二叉堆编码的随机游动、觅食、追尾、逃脱等人工鱼行为算子.详尽的实验表明,提出算法在符号回归过程中能获取高质量的Pareto解.此外,对从Pareto前沿上选取折衷解及降低算法内存开销的方法也进行了讨论.     

求解VLSI布图规划问题的多目标粒子群优化算法

布图规划在超大规模集成电路(VLSI)物理设计过程中具有重要作用,它是一个多目标组合优化问题且被证明是一个NP问题。为了有效解决布图规划问题,本文提出一个多目标粒子群优化(PSO)算法。该算法采用序列对表示法对粒子进行编码,根据遗传算法交叉算子的思想对粒子更新公式进行了修改;引入Pareto最优解的概念和精英保留策略,并设计了一个基于表现型共享的适应值函数以维护种群的多样性。仿真实验通过对MCNC标准问题的测试表明了本文算法是可行且有效的。     

改进的粒子碰撞算法及其在化工优化中的应用

化工优化问题往往较为复杂,传统的确定性优化方法容易陷入局部最优.粒子碰撞算法(PCA)是新近提出的一种随机全局优化算法,是模拟核反应时粒子与原子核碰撞发生的吸收和散射现象,设计成以扰动、探测、散射三种操作算子实现算法寻优,但全局寻优效率不高.通过分析PCA寻优机制,提出改进策略,包括设计多位交叉算子增加算法的交叉操作,以克服PCA缺乏协同进化机制的弱点;运用单纯形搜索改进探测算子,以增强局部寻优能力;采用交叉率自适应调整等,由此设计一种改进的粒子碰撞算法(MPCA).Shaffer's F6函数和八维Alpine函数测试表明,MPCA的全局优化性能明显优于PcA和常规遗传算法(SGA).将MPCA应用于L-异亮氨酸分批发酵动力学模型参数优化,结果满意.     

一种求解多目标最小生成树问题的有效离散粒子群优化算法

提出一种求解多目标最小生成树问题的有效离散粒子群优化算法.为获得更好的非劣前端,设计一个基于目标共享函数的适应度评价函数.引入遗传算法的变异和交叉算子,提高种群多样性并避免算法过早陷入局部最优解.基于种群的随机状态转移过程,理论分析算法的全局收敛性.实验结果表明该算法是有效的,且随着问题规模的扩大算法仍保持较好的性能.     

利用组合核函数建立VSV系统回归预测模型

利用支持向量回归机(SVR)建立了飞机巡航阶段发动机可调静子叶片系统(VSV)的回归预测模型.在利用SVR进行建模时,核函数的选用尤为关键,核函数有局部核函数和全局核函数,利用单一核函数训练模型易出现过拟合或欠拟合问题.为解决核函数的选用难题,避免训练过程中出现模型过拟合或欠拟合问题,提出了组合核函数.通过对单一核函数的组合,组合核函数兼具全局核函数和局部核函数的优点.最后,利用粒子群算法(PSO)对模型进行参数寻优优化,结果表明:相较于单一核函数,采用组合核函数的模型训练时间更短,模型精度更高.     

基于改进粒子群算法的柔性神经树优化①

神经树采用树结构编码,具有非常好的预测能力和函数逼近能力。模型中的相关参数通常用粒子群优化算法来优化,可是传统的粒子群算法具有容易陷入局部最优值,并且进化后期的收敛速度慢、精度低等缺点,因此会影响神经树的性能。将一种新的改进的粒子群优化算法应用到神经树模型中,并与传统的粒子群算法在柔性神经树的应用比较,表明该改进粒子群算法具有更好的收敛精度,从而改善了神经树的性能。     

基于PSO算法的变差函数球状模型参数拟合

对一阶变差函数球状模型及其二阶套合结构的参数拟合进行研究,利用粒子群优化(PSO)算法在求解非线性优化问题时收敛的快速性以及全局寻优的有效性等优势,将待拟合球状模型的参数组合为一个粒子向量,在PSO算法迭代过程中对部分粒子进行混合柯西-高斯变异,实现变差函数球状模型最优参数的自动拟合。仿真实验结果表明,该方法操作简单、可靠性高。     

多源遥感图像融合的数据同化算法

为解决现有融合方法不能根据遥感图像的后续处理要求对融合规则进行自适应调整的问题, 本文结合模型算子和观测算子的优点构建数据同化系统, 提出了基于数据同化和遗传粒子群方法的遥感图像融合算法. 该算法将平移不变性小波变换作为模型算子, 将对比度金字塔作为观测算子. 由后续处理对图像属性指标的依赖程度确定属性指标的权重, 用评价指标的加权和构造目标函数, 并用遗传粒子群算法优化目标函数, 从而获取高清晰度的遥感图像. 本文通过遥感全色图像与多光谱图像、红外图像与可见光图像的融合证明了算法的优越性.     

基于PSO算法的probit模型参数估计

针对二值probit回归模型中的参数估计问题,提出一种基于粒子群优化（PSO）的参数估计算法。该算法采用以最大似然准则作为PSO的适应度函数,建立二值probit回归模型中的参数估计计算模型。数值仿真分析表明,该算法性能较好,回归结果具有较高的拟合优度。     

X结构下VLSI多层绕障Steiner最小树算法

Steiner最小树作为VLSI布线的基础模型,应进一步考虑到X结构、障碍物、多层等条件,文中基于粒子群优化提出了多层绕障X结构Steiner最小树算法.首先引入边变换操作以改变布线树的拓扑,使其具有较强的绕障能力;为了避免边变换操作带来的布线树环路问题,结合并查集策略设计新的操作算子;为了保证布线边不违反约束,提出一个与绕障情况及通孔数相关的惩罚函数策略,从而优化了多层布线中布线总代价这一最重要的目标.实验结果表明,相对于同类算法,该算法在布线总代价的优化能力上是最强的.     

具有自适应弹射机制的粒子群算法

针对粒子群算法容易陷入局部最优和停滞的问题,提出自适应弹射机制的粒子群算法.为了保持粒子群的活力,在算法内引入弹射操作.当粒子满足条件,当前位置赋予很大的速度,使其飞到很远的区域.弹射方式可以选择全维弹射和概率弹射.为了配合弹射操作,提出粒子优劣的判断机制,使粒子可以被弹射飞出可行域.在算法中设定自适应判别函数,当粒子满足该判别函数,对粒子实施弹射.数值实验表明,文中算法具有较强的全局搜索能力和较快的搜索速度.     

一种多尺度协同变异的粒子群优化算法

为了改善粒子群算法易早熟收敛、精度低等缺点,提出一种多尺度协同变异的粒子群优化算法,并证明了该算法以概率1收敛到全局最优解.算法采用多尺度高斯变异机制实现局部解逃逸.在算法初期阶段,利用大尺度变异及均匀变异算子实现全局最优解空间的快速定位;随着适应值的提升,变异尺度随之降低;最终在算法后期阶段,利用小尺度变异算子完成局部精确解空间的搜索.将算法应用6个典型复杂函数优化问题,并同其他带变异操作的PSO算法比较,结果表明,该算法在收敛速度及稳定性上有显著提高.     

基于云模型的自适应量子粒子群算法

利用云模型理论能兼顾随机性和模糊性的特质, 提出一种基于云模型的自适应量子粒子群优化算法。首先分析量子粒子群算法的控制机制, 在此基础上, 使用云算子实现对每个粒子的吸收扩张因子自适应控制, 达到在进化过程中对粒子飞行位置动态调整的目的, 使算法具有较快的收敛速度和较强的全局搜索能力。同时, 补充针对性的优化方案, 有效避免算法陷入局部最优。对典型测试函数的仿真对比实验表明, 该算法具有寻优能力强、搜索精度高、稳定度好等优点, 相比其它同类算法具有一定优势。     

粒子群算法在Lot-sizing问题中的应用

针对无能力限制的Lot-sizing问题,提出一种改进的离散粒子群优化算法.设计粒子编码为生产设备的调整状态,通过有效的解码程序将粒子解释为生产计划.区别于传统的粒子群算法,算法采用单切点交叉算子来提高算法的局部求精能力,并引入变异算子和速度扰动策略保持种群的多样性,使算法在局部求精和空间探索间取得了较好的平衡.在随机生成的90组测试实例中对算法性能进行仿真实验,结果表明该算法具有良好的性能.     

基于双重距离的多目标粒子群优化算法

多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法在维护收敛性的同时搜索分布良好的最优解集较为费力.为此,提出一种基于双重距离的MOPSO,由种群的平均距离定义粒子的邻域空间,邻域粒子数为粒子的等级,数量越多,粒子的等级越大.当等级相同时,算法结合粒子的拥挤距离选择最优粒子,并更新外部归档集.此外,算法结合粒子的变异行为避免陷入局部最优.在对比实验中,该算法在收敛性和多样性上可取得较优结果.最后,将该算法应用到电力系统的环境/经济调度模型(environmental/economic dispatch,EED),也可获得性能较好的解集.     

一种自适应扩展粒子群优化算法

在粒子群优化算法的基础上,首先把粒子群优化算法的速度更新式中的个体最优位置用粒子群中所有个体最优位置的平均值代替,得到扩展粒子群优化算法;然后,建立了加速系数和粒子群中所有粒子的平均适应度与整体最优位置适应度之差的一种非线性函数关系,得到自适应加速系数扩展粒子群优化算法。由于新的算法利用了所有个体最优粒子的信息,并在进化过程中通过建立的非线性时变加速系数自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度。4个基准测试函数的对比实验结果说明自适应扩展粒子群优化算法的有效性和优良性能。     

A hybrid algorithm based on particle swarm and chemical reaction optimization

In this paper, a hybrid method for optimization is proposed, which combines the two local search operators in chemical reaction optimization with global search ability of for global optimum. This hybrid technique incorporates concepts from chemical reaction optimization and particle swarm optimization, it creates new molecules (particles) either operations as found in chemical reaction optimization or mechanisms of particle swarm optimization. Moreover, some technical bound constraint handling has combined when the particle update in particle swarm optimization. The effects of model parameters like InterRate, γ, Inertia weight and others parameters on performance are investigated in this paper. The experimental results tested on a set of twenty-three benchmark functions show that a hybrid algorithm based on particle swarm and chemical reaction optimization can outperform chemical reaction optimization algorithm in most of the experiments. Experimental results also indicate average improvement and deviate over chemical reaction optimization in the most of experiments.     

一种基于云模型的改进型粒子群算法

针对经典粒子群算法在函数优化中易陷入局部最优和早熟收敛等缺点,结合云模型在定性与定量之间相互转换的优良特性,提出一种基于云模型的改进型粒子群算法。其思想是通过反向学习机制初始化种群,再通过正态云算子求解粒子群中的全局最优个体和自身最优个体周围的更优值,最后利用混沌理论对个别粒子进行变异来跳出局部最优解。典型复杂函数测试表明,该算法能有效找出全局最优解,特别适宜于多峰值函数寻优。     

高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。     

基于I-PSO算法和Simulink的湿式离合器优化设计

为提高湿式离合器的轻便性和可靠性,提出了一种I-PSO算法与MATLAB/Simulink相结合的湿式离合器优化设计新方法。对湿式离合器进行动力学分析,并基于MATLAB/Simulink搭建湿式离合器动力传递的仿真模型。引入模拟退火算法中对粒子进行扰动的思想对改进的粒子群算法再度进行改进,并基于某测试函数验证了算法改进的效果,选择离合器的滑磨功与体积为优化目标。最终联合改进粒子群算法与MATLAB/Simulink中建立的湿式离合器仿真模型对某具体型号湿式离合器进行多目标优化设计。结果表明,改进后的粒子群算法在寻优的速率和精度上有一定效果;优化后的湿式离合器与原设计相比,总目标函数缩小约40.12%,滑磨功减小了约61.8%,优化效果明显。