双蝙蝠群智能优化的多模盲均衡算法

针对常模盲均衡算法(CMA)均衡多模QAM信号收敛速度慢、剩余均方误差大的缺陷,提出了一种基于双蝙蝠群智能优化的多模盲均衡算法(DBSIO-MMA)。该算法将2个蝙蝠群独立全局寻优得到的一组最优位置向量分别作为多模盲均衡算法(MMA)初始化最优权向量的实部与虚部,以此提高收敛速度并减小剩余均方误差。仿真结果表明,蝙蝠算法(BA)全局搜索成功率高、收敛速度快的特点在DBSIO-MMA中得到很好地体现。与CMA、MMA、粒子群多模盲均衡算法(PSO-MMA)、单蝙蝠群多模盲均衡算法(BA-MMA)相比,DBSIO-MMA具有更快的收敛速度和更小的均方误差。     

基于模拟退火高斯扰动的蝙蝠优化算法

蝙蝠算法（bat algorithm, BA）是一类新型的搜索全局最优解的随机优化技术。为了提高BA算法的搜索效果, 把模拟退火的思想引入到蝙蝠优化算法中, 并对蝙蝠算法的某些个体进行高斯扰动, 提出了一种基于模拟退火的高斯扰动蝙蝠优化算法（SAGBA）。分别将蝙蝠优化算法、模拟退火粒子群算法、SAGBA在20个典型的基准测试函数中进行仿真对比, 结果表明SAGBA不仅增加了全局收敛性, 而且在收敛速度和精度方面均优于其他两种算法。     

基于Lévy飞行特征的蝙蝠算法及其在WSN定位中的应用

针对蝙蝠算法收敛易早熟、收敛速度慢等不足,提出一种改进的基于Lévy飞行特征自适应的蝙蝠算法。采用Lévy飞行策略取代原算法中蝙蝠飞行速度和位置的更新方式,充分利用Lévy飞行的重尾效应,有效避免局部最优值的吸引,加快了收敛速度,达到寻优能力和搜索能力的平衡。在无线传感器网络自身定位应用中,把定位问题转换为一个全局优化问题,使用改进的算法进行定位计算。通过Zigbee平台的实验表明,改进后的算法在不同空间位置的定位精度更高,收敛速度更快。算法实现条件简单、精度高,具有较高的实际工程应用价值。     

疯狂蝙蝠算法的低通FIR滤波器设计

针对处理滤波器设计问题,蝙蝠算法（BA）很容易陷入早熟收敛,提出改进的疯狂蝙蝠算法（CBA）旨在设计低通有限脉冲响应（FIR）滤波器。首先,在频率更新中引入两个随机数来控制全局与局部的平衡;其次,在标准蝙蝠算法中引入疯狂因子,使得蝙蝠算法以一定疯狂概率维持其多样性;最后,在局部搜索时,对算法的响度和脉冲发射率进行动态修正,便于精细搜索。将CBA与其他算法进行比较,仿真结果表明,疯狂蝙蝠算法在应用实例中优于其他算法,且能够有效、稳定用于低通FIR滤波器设计。     

协同智能的蝙蝠差分混合算法

为解决差分进化算法后期收敛易陷入局部最优和早熟收敛的问题,提出一种群体智能优化算法,即协同智能的蝙蝠差分混合算法。利用蝙蝠个体脉冲回声定位的特点,与差分种群相互协作,在当前最优解gbest附近进行一次详细搜索,有效增加种群的多样性,跳出局部最优。通过蝙蝠种群和差分种群两个种群的相互协作,较好平衡全局搜索和局部开发之间的能力。为验证算法有效性,选用9个常用的基准测试函数和5个0-1背包问题,与标准粒子群算法、带高斯扰动的粒子群算法、蝙蝠算法、差分算法、烟花算法相对比,仿真实验表明,所提算法总体性能优于其它5种算法。     

Convergence enhanced genetic algorithm with successive zooming method for solving continuous optimization problems

A dynamic parameter encoding method was previously presented by Schraudolph and Belew [J Mach Learn 9 (1992) 9] for solving optimizing problems using discrete zooming factors. In contrast, the current paper proposes a successive zooming genetic algorithm (SZGA) for identifying global solutions using continuous zooming factors. To improve the local fine-tuning capability of a genetic algorithm (GA), a new method is introduced whereby the search space is zoomed around the design point with the best fitness per 100 generations. Furthermore, the reliability of the optimized solution is determined based on a theory of probability. To demonstrate the superiority of the proposed algorithm, a simple genetic algorithm, micro-genetic algorithm, and the proposed algorithm were compared as regards their ability to minimize multi-modal continuous functions and simple continuous functions. The results confirmed that the proposed SZGA significantly improved the ability of a GA to identify a precise global minimum. As an example of structural optimization, SZGA was applied to the optimal location of support points for weight minimization in the radial gate of a dam structure. The proposed algorithm identified a more exact optimum value than the conventional GAs.     

基于速度越界处理与最速下降法改进的蝙蝠算法

针对蝙蝠算法(Bat algorithm,BA)易陷入局部极值、精度不高、搜索盲目性大的缺点,在分析蝙蝠算法本身的迭代机制的基础上,提出一种基于速度越界处理与最速下降法改进的蝙蝠算法(VCBA)。利用速度的越界处理控制蝙蝠位置更新的范围;利用最速下降法对BA局部搜索阶段中不好的蝙蝠位置进行更新;对位置较好的蝙蝠在其附近进行扰动;对BA判断局部搜索阶段产生的蝙蝠位置是否满足需求的条件进行改进。选取7个测试问题进行数值实验,结果表明,VCBA在收敛精度和稳定性上比BA有显著提升。     

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划.该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化.实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性.     

基于SA的改进遗传算法的测试数据生成研究

测试数据的自动生成研究是软件测试的一个焦点问题,测试数据的自动生成可以提高测试工作效率,节约测试成本.考虑遗传算法(GA)和模拟退火算法(SA)各自优缺点,提出遗传/模拟退火(GASA)混合算法的策略,在标准的GA中融入SA,在GA的局部搜索中引入SA,SA的随机状态受限于遗传优化算法的结果,GA的种群更新是由SA的退温算法和随机状态产生函数来控制,从而得到最优解.GA-SA算法取长补短,提高了算法的全局和局部搜索能力,能避免GA过早收敛,提高了算法搜索最优解的能力.实验结果表明,GASA算法寻找最优解所需的迭代次数明显优于标准GA.     

一种改进的遗传算法及其在PID控制中的应用

针对经典遗传算法收敛速度慢、易于早熟、局部寻优能力差等缺点,提出了一种改进的遗传算法,并将其应用于PID参数寻优。该算法既具有经典遗传算法的全局寻优能力,又具有局部寻优能力;同时,它又能有效地抑制早熟,保证得到的优化参数为最优。仿真结果表明,基于此遗传算法寻优设计的PID控制器可以极大地提高寻优的速度,鲁棒性强,具有很好的动态品质和稳定性。     

基于两阶段改进遗传算法的一类特殊LRP问题研究

提出了一种带有随机开关的两阶段改进遗传算法并应用于集成化物流中的定位 运输路线安排 (LRP)优化问题. 该方法采用随机开关控制遗传算法中的变异运算, 实现了空间的有效搜索, 并且在一定程度上, 避免了“局部最优现象”的发生. 通过计算机仿真实验, 证明了该算法求解LRP问题的有效性和准确性.     

基于混合遗传算法的时间最优控制问题求解

研究了用混合遗传算法求解时间最优控制问题.混合遗传算法是用粒子群位移转移的思想改变遗传算法的变异规则,通过记录各染色体的历史最优值和种群的最优值,来修正下一代的染色体,新的算法保留了遗传算法的选择和交叉操作,保证了遗传算法强大的全局搜索性能,该算法可求解数学优化问题.在分析时间最优控制问题已有求解方法优缺点的基础上,提...     

基于遗传和声算法求解函数优化问题*

针对遗传算法和和声搜索算法各自的特点,提出了一种新的搜索算法——遗传和声算法（GAHS）。新算法利用遗传算法改进了和声算法中和声记忆库初始解的产生方式,同时对和声算法中新解的产生方式也作了改进;将此改进算法应用到函数优化问题中,并分别对六个测试函数进行了仿真,用于验证算法的可行性。仿真结果表明,遗传和声算法提高了函数优化的搜索效率,具有较高的寻优性能和较强的跳出局部极小的能力。     

初始信息素筛选的蚁群优化算法在HDFS副本选择中的研究

随着社会信息化程度的不断提高,各种形式的数据急剧膨胀.HDFS成为解决海量数据存储问题的一个分布式文件系统,而副本技术是云存储系统的关键.提出了一种基于初始信息素筛选的蚁群优化算法(InitPh_ACO)的副本选择策略,通过将遗传算法(GA)与蚁群优化算法(ACO)算法相结合,将它们进行动态衔接.提出基于初始信息素筛选的ACO算法,既克服了ACO算法初始搜索速度慢,又充分利用GA的快速随机全局搜索能力.利用云计算仿真工具CloudSim来验证此策略的效果,结果表明:InitPh_ACO策略在作业执行时间、副本读取响应时间和副本负载均衡性三个方面的性能均优于基于ACO算法的副本选择策略和基于GA的副本选择策略.     

基于量子遗传算法的无线传感器网络路由研究

对于无线传感器网络(WSNs)中的两大关键性问题路由搜寻和能量优化,引入量子遗传算法进行路径的搜寻,并改进算法编解码思路,降低由于网络规模扩大而导致编码长度急速增加,即减少算法的计算复杂度,从而解决传统编码方式下的量子遗传算法难以适用于大规模的WSNs的缺点。通过实验表明:该方法能够得到更加优越和稳定的路径搜索结果,与粒子群优化算法进行1000次重复路径搜寻试验比较,其平均最优解提高了18.9%,稳定性提升了38.9%。     

Combinations of estimation of distribution algorithms and other techniques

This paper summaries our recent work on combining estimation of distribution algorithms (EDA) and other techniques for solving hard search and optimization problems:a) guided mutation,an offspring generator in which the ideas from EDAs and genetic algorithms are combined together,we have shown that an evolutionary algorithm with guided mutation outperforms the best GA for the maximum clique problem,b)evolutionary algorithms refining a heuristic,we advocate a strategy for solving a hard optimization problem with complicated data structure,and c) combination of two different local search techniques and EDA for numerical global optimization problems,its basic idea is that not all the new generated points are needed to be improved by an expensive local search.     

一种改进的遗传算法：GA-EO算法

针对基本遗传算法(GA)有局部搜索能力差、计算量大、对较大搜索空间适应能力差和易收敛于局部极小值等问题,采用将极值优化(EO)算法与传统遗传算法相结合的方式,对基本遗传算法进行改进,提出了一种新的算法:GA-EO算法,并用实验证明了新算法的有效性。     

混合算法求解多目标平衡旅行商问题

平衡旅行商问题(balanced traveling salesman problem, BTSP)是旅行商问题(traveling salesman problem, TSP)的变化模型,是另一种组合优化问题,可在汽轮机(gas turbine engines, GTE)等的优化问题中得到应用,但BTSP模型只能对含单个旅行商一个任务的优化问题建模,不能同时对含多个旅行商多任务的问题进行建模和优化.基于此,首次提出了一种多目标平衡旅行商问题(multi-objective balanced traveling salesman problem, MBTSP)模型,可建模含多个旅行商多任务的优化问题,具体可应用在含多个目标或个体的实际问题,例如含多个GTE的优化.相关文献的研究已证实,伊藤算法和遗传算法(genetic algorithm, GA)在求解组合优化问题中具有较好的性能,因此,应用混合伊藤算法(hybrid ITO algorithm, HITO)和混合遗传算法来求解MBTSP问题.HITO通过蚁群算法(ant colony optimization, ACO)来产生基于图的概率生成模型,再用伊藤算法的漂移和波动算子对该图模型进行更新,从而得到MBTSP的最优解.对于混合遗传算法,第一个用贪心法对遗传算法进行改进,命名为贪心法遗传算法(genetic algorithm with greedy initialization, GAG),第二个用爬山算法优化遗传算法,称之为爬山法遗传算法(genetic algorithm by hill-climbing, GAHC),最后一个为模拟退火遗传算法(genetic algorithm with simulated annealing, GASA).为了有效验证该算法,使用小尺度到大尺度的不同规模MBTSP问题的数据进行实验,结果表明：混合算法在求解MBTSP问题是有效的,并表现出不同的特点.     

求解0-1背包问题的混合贪婪遗传算法

求解0-1背包问题（KP）的最优解的时候,传统遗传算法（GA）的局部求精能力不足而简单局部搜索算法的全局探索能力有限,针对上述问题,将这两个算法整合并提出了混合贪婪遗传算法（HGGA）。在GA全局搜索框架下增加局部搜索模块,并改进传统仅基于物品价值密度的修复算子,增加基于物品价值的贪婪混合选项,从而加速寻优过程。HGGA一方面引导种群在进化的优质解空间中展开精细搜索,另一方面依靠GA的经典操作算子开拓全局搜索空间,从而达到算法求精能力和开拓能力的良好平衡。HGGA分别在三组数据上做了测试,结果表明在第一组15个测试用例中的12个上,HGGA能够百分百找到最优解,成功率达到80%;在第二组小规模数据集上,HGGA的性能明显好于其他同类GA和其他元启发算法;在第三组大规模数据集上,HGGA较其他元启发式算法具有更好的稳定性和高效性。     

最大化个人偏好的多目标优化进化算法

针对多目标优化过程中如何将个人偏好信息融入寻优搜索过程的问题,本文提出一种最大化个人偏好 以确定搜索方向的多目标优化进化算法．该算法首先采用权重和法将多目标问题转换为单目标问题,再利用遗传算 法进行全局搜索,在满足个人偏好约束条件下,每一代进化结束后通过解约束优化问题获得能够使种群综合适应度 具有最大方差的权重组合,从而最大化个人偏好以选择综合最优的个体进行遗传操作．按照不同个人偏好应用于传 动系统进行控制器设计,仿真结果表明该算法能够获得满足个人偏好约束条件下的全局最优解．