一种求解函数优化的混合遗传算法

在浮点编码遗传算法中加入最速下降法，构成适于函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力，显著提高了遗传算法求得全局解的概率。由于只利用函数值信息，混合算法是一种求解函数全局优化问题的通用方法。     

一种求解多峰函数优化问题的新算法

一般的演化算法求解多峰函数优化问题采用笼统的评估机制,盲目评估现象明显,文章提出了求解多峰函数优化问题的一种新的演化算法,较好地避免了这种盲目现象,且有效地提高了算法的全局收敛性能。     

一种全局优化的计算方法——遗传算法

遗传算法是搜索复杂最优解的一种并行计算方法,本简述了遗传算法的基本思想,并介绍了其来源、发展,指出了遗传算法存在的问题。     

一种混沌蚁群算法的多峰函数优化方法

为了快速、准确地获得多峰函数的全局峰值以及局部峰值,在给出Henon混沌映射技术的基础上,提出了一种混沌蚁群算法的多峰函数优化方法.该方法将复杂函数的数值解所构成的数字字符转化为蚁群搜索路径上的城市分布网,并构建同函数变量个数相同的蚁群进行全局搜索求解,采用混沌映射技术自适应更新蚁群优化路径上的信息素量.采用低维及高维Benchmark测试函数验证该优化方法的求解性能,并同引力搜索算法以及其他文献方法作求解对比.通过对比可知,该方法在低维多峰函数优化时,其搜索效率均2倍高于其他文献方法.对于维数高于5维的高维函数,该方法的优化效率同其他文献方法基本相同,但在获得全局解及局部解的能力以及所求解的精度均远高于其他文献方法.     

一种求解多峰函数优化问题的新算法

一般的演化算法求解多峰函数优化问题采用笼统的评估机制 ,盲目评估现象明显 ,文章提出了求解多峰函数优化问题的一种新的演化算法 ,较好地避免了这种盲目现象 ,且有效地提高了算法的全局收敛性能     

非线性规划的遗传算法在多峰函数优化中的应用

对于函数优化问题,遗传算法具有较强的全局搜索能力,但其局部搜索能力相对较弱,一般只能搜索到问题的次优解,特别是函数具有多个峰值时,遗传算法易陷入局部解,而采用梯度下降方法寻优,非线性规划具有很强的局部搜索能力,但全局搜索能力较弱,所以研究通过结合两种算法的优点,利用遗传算法实施全局搜索和非线性规划实施局部搜索,以得到函数优化问题的全局最优解.通过测试函数证明,结合非线性规划后,遗传算法不仅能解决多峰函数寻优过程中易陷入局部最优的问题,而且具有很高的寻优效率,取得满意的结果.     

一种改进的遗传优化算法——GA-Complex算法

提出了一种改进的遗传优化算法———GA Complex算法 ,它是将复合形法与遗传算法相结合的产物 .通过实际算例 ,证明GA -Complex算法在寻求全局最优值时更为简洁快速     

一种改进的遗传优化算法：GA—Complex算法

提出了一种改进的遗传优化算法－ＧＡ－Ｃｏｍｐｌｅｘ算法，它是将复合形法与遗传算法结合的产物。通过实际算例，证明ＧＡ－Ｃｏｍｐｌｅｘ算法在寻求全局最优值时更为简洁快速。     

共轭梯度法和最速下降法的混合算法

将共轭梯度法与最速下降法有机地结合起来,构造了一种共轭梯度法和最速下降法的混合算法,并证明了该算法的全局收敛,混合算法既提高了共轭梯度算法的收敛速度,又解决了目标函数“性态不优”时,最速下降法难以求解的问题。同时也可以看到共轭梯度法与最速下降法仅仅是混合算法的特例。     

一种非线性约束优化的微粒群新算法

通过对标准微粒群算法(PSO)改进,采用动态罚函数的方法,提出了一种求解非线性约束优化问题的新算法.由于使用了一种新的适应度函数,该算法具有很强的全局寻优能力.     

一种改进遗传算法在数值优化中的应用

提出了一种改进的遗传算法———可变适应度的遗传算法,并详细介绍了该方法在数值优化计算中的应用,以及该方法在提高算法的收敛速度和算法的可靠性方面的作用和原理。最后通过实际的例子说明了算法在数值计算中的有效性。     

基于改进遗传算法的连续函数优化

为了进一步避免连续函数优化过程中的早熟收敛和搜索迟钝,在简单遗传算法基础上提出了划分寻优区间、基于排序和最佳保留的轮盘赌选择算子,可以用来提高遗传算法的运行效率和收敛速度,达到了既能够选出最好个体又能够保证种群多样性的效果;同时采用择优交叉算子和二元变异算子,这样既保证了种群的收敛性,又可在陷入局部最优时为种群引入新基因。仿真实验表明,与简单遗传算法相比,改进后的遗传算法能有效地提高遗传算法的收敛速度和避免陷入局部最优。     

求解函数优化问题的混合进化规划算法

提出一种混合进化规划算法,将进化规划与免疫进化中的克隆扩增相结合.该算法一方面用自适应变异步长的进化规划来有效地控制种群的整体进化,以在全局范围内进行搜索;另一方面,对于当前代中最优个体本身,利用免疫进化中的克隆扩增算子,来进行小邻域的局部细搜,从而形成两层领域搜索机制,以保证全局和局部搜索能力.仿真结果表明,该算法收敛速度快,搜索精确度高,并具有良好的全局搜索能力.     

一种μGA+Quasi-Newton的混合优化算法

提出了一种新型的优化算法。此算法利用微种群遗传算法(μGA)的全局最优性在大范围内搜索可能的极值，而用拟牛顿(Quasi—Newton)法的目标函数梯度下降特性在极值点附近快速搜索，从而实现了全局最优与快速搜索的有机结合。同时，通过几个典型的试验函数对此混合算法与微种群遗传算法的寻优效果做了比较。     

多种遗传算法在函数优化方面的性能比较分析

进行了4种常用的遗传算法（适值函数标定遗传算法、顺序选择遗传算法、两点交叉遗传算法和自适应遗传算法）在求函数最优解问题上的性能比较分析,并采用MATLAB进行仿真。仿真结果表明,除两点交叉遗传算法外,在求函数最优解问题上适值函数标定遗传算法、顺序选择遗传算法和自适应遗传算法均表现出了较好的稳定性,同时所求得的函数最优解均较准确。其中,顺序选择遗传算法在求函数最优解方面性能最好。     

基于BCC算法和最速下降法的RBF神经网络结构优化算法

为提高细菌群体趋药性(bacterial colony chemotaxis,BCC)算法优化后RBF神经网络(RBFNN)的泛化能力,提出了一种新的细菌编码方式。将隐层节点位置和相应的控制参数组成细菌,使RBFNN的两个参数同时得到优化;同时,在整体算法中融入最速下降法,利用其能快速收敛到极小点的特性,使算法速度得到提升。将此算法优化后的RBFNN用于IRIS和双螺旋分类问题,结果表明:算法速度提升了大约60%,同时泛化效果也得到提高。     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

三目标遗传粒子算法的电力系统无功优化

电力系统无功优化是提高电网高效运行和节能的关键环节。建立了综合考虑有功网损最小、电压偏差最小及静态电压裕度最大的三目标电力系统无功优化模型。提出了遗传粒子群(GAPSO)混合算法,并将算法运用于IEEE14与IEEE30节点电力系统无功优化中。该算法先通过选择操作,选出优秀的样本,在利用交叉操作增加种群的多样性。然后进行变异操作提高种群的局部搜索能力。通过数据计算和比较GAPSO算法在收敛速度、精度和全局搜索能力上均优于常规GA算法和PSO算法。结果验证了模型和算法的有效性和实用性。     

改进PSO算法及其在函数优化中的应用

针对微粒群算法PSO（Particle Swarm Optimization）应用于函数优化存在的问题,提出一种加入了梯度信息改进的微粒群算法。微粒群算法用于函数的优化,具有简单、效果好等优点。但是研究也表明该方法也存在着一些缺点,如计算时间较长、容易陷入局部最小等,这是由于算法本身的随机性决定的。梯度法是传统的优化方法,典型的特征是在确定优化解的方向时遵循梯度下降原则,因此在寻找优化值时方向比较确定,可以减少优化时间。为了克服PSO的缺点,在标准PSO优化策略中引入梯度原则,设计了一个具有梯度指导的PSO算法。现将改进的PSO算法应用于函数的优化,并与标准PSO算法的效果进行了比较。函数优化实验的结果表明,改进的PSO算法提高了标准PSO算法的收敛时间。