基于双种群的动态交换策略的粒子群优化算法

提出了一种基于双种群的动态交换策略的粒子群优化算法.该算法将初始种群划分为两个子群P1和P2,而P1和P2遵循不同的寻优机制,然后通过对个体极值(pBest)和全局极值(gBest)的选取进行调整,并在迭代过程中动态的交换两个子群的个体,从而能够更好的完成多目标优化算法对于Pareto front 的搜索和逼近.通过对标准测试函数的实验,证明了该算法的可行性和有效性.     

一种基于优胜劣汰的多粒子群替代优化算法的设计

微粒群算法是一种新颖的优化算法,已成功应用于许多优化问题,但该算法容易陷入局部极值.针对这种缺陷,提出了一种基于优胜劣汰的多粒子群替代算法,该算法先通过多个种群彼此独立地搜索解空间,增强全局搜索能力;各种群每次进化完成后,核心种群中的最差微粒与其他种群的最好微粒互相替代.通过对3种常用测试函数进行测试和比较,结果表明该算法比标准微粒群算法具有更低的平均最好适应值,可快速收敛到全局最优解,优化效率明显提高.     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

求解约束优化问题的混沌类电磁算法

针对约束优化问题, 提出了基于混沌优化的一种新的类电磁机制算法. 采用多目标优化的约束处理技术, 将约束优化问题转化为无约束的双目标优化模型来求解; 对于转化后的新模型, 设计粒子的电荷和粒子间的受力公式. 同时, 为了加快算法的收敛速度, 结合混沌优化改进种群中的粒子. 采用标准的Benchmark函数对新类电磁机制算法的性能进行了仿真测试, 并将测试结果与已有算法的结果进行比较, 结果表明, 新算法能够快速找到问题的全局最优解或近似最优解, 是一种非常有竞争力的优化算法.     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

基于双种群的混合免疫动态优化算法

针对传统的群智能算法在求解动态优化问题时出现的早熟收敛和多样性缺失等问题,提出一种基于双种群的混合免疫动态优化算法BPAIS。首先,受生物免疫系统中固有免疫反应和自适应免疫反应的启发,将初始种群根据适应度值分为2个种群——固有种群和自适应种群;其次,对固有种群进行固有免疫反应操作,在进行全局性搜索的同时保持种群的多样性,而对自适应种群进行自适应免疫反应操作,采用差分进化算法加强局部搜索能力,通过引入记忆跟踪机制在环境变化时跟踪局部最优解;最后,结合双种群的免疫反应和记忆跟踪机制,提出基于双种群的混合免疫动态优化算法,并在简单测试用例产生器(simple test-case generator,STCG)和移动峰测试函数上进行仿真实验。结果表明,BPAIS具有很好的动态优化能力,能够有效地跟踪和定位全局最优解,与其他算法相比,具有很强的竞争力。     

一种改进多目标灰狼优化算法的多无人机任务分配

针对多无人机对空中移动目标协同执行多任务问题,本文提出了一种基于并行机制的多目标灰狼优化算法.结合无人机空中态势模型,以最小化执行代价和最小化时间代价为双目标函数,建立了多无人机协同多任务分配模型;将多个无人机视为并行的灰狼子群,对每个子群分别采用分层编码和多目标优化算法保留其最优个体;通过档案室共享策略获得整个群体的...     

基于MapReduce模型的分布式粒子群算法

通过对传统的单种群粒子群算法的分析,提出一种基于MapReduce模型的分布式粒子群算法,解决粒子群算法在求解大规模优化问题时求解效率和精度明显下降等问题。在粒子群进化过程中,粒子速度和位置的更新采用惯性权重的方法,其权重值线性递减,并且利用多子群进化策略,提高算法的收敛精度。通过MapReduce模型实现算法的并行化,有效提高算法求解效率。选取目前比较流行的几种算法,并在13个500维、1 000维的标准测试函数上仿真试验,结果显示该算法具有良好的优化性能。     

面向离散优化问题的改进二元粒子群算法

二元粒子群算法被广泛用于求解离散组合优化问题。在求解离散优化问题时,二元粒子群算法会出现解空间利用率低,速度和状态趋同以及退化和波动等演化问题。针对这些问题,提出一种改进的二元粒子群算法。算法使用Gray码演化基编码,混沌初始化过程,改进速度和状态调整方法以及子代处理方法用于提高种群利用率和种群多样性。在不同类型的检验函数以及多选择背包问题上,和现有优化算法及其他二元粒子群算法相比,改进算法能够获得较高的收敛精度以及较快的收敛速度,体现出多离散优化问题的实际效用。     

双目标动态迁移操作DE-PSO混合算法

针对非线性约束优化问题的特殊性,给出一种求解非线性约束优化问题的动态目标迁移DE-PSO混合算法.在初始化中加入迁移操作,采取动态目标的处理方法,将约束优化问题转化为无约束双目标优化问题.依据原目标函数、违反约束度函数进行选择操作,先通过改进差分进化算法对种群进化,对违反约束度在容忍度以外的个体再采用改进的粒子群优化算法进化,并用采用一组经典的测试函数进行测试.DE-PSO混合算法具有精度高、稳定性好的特点.     

基于多种群遗传算法的钢框架结构优化设计

传统的基于力学分析软件的结构设计方法存在效率低下、依靠专家经验等局限性,采用智能算法能实现高效的结构自动优化设计。然而,由于随机搜索特征,优化结果和收敛性高度依赖于算法的参数设置,需要通过试算来确定其合理取值,该方法会造成优化效率低、计算量大等问题。引入多种群协作和信息共享机制来改善此类问题,并研究其在结构优化设计中的适用性。利用MSC.Marc软件建立钢框架结构有限元模型,采用底部剪力法将地震作用等效为水平荷载施加到结构上,搭建有限元软件与智能算法的自动优化过程,以结构的总体材料用量最低为目标,考虑了层间位移角、应力比、构件稳定性和宽厚比等多种约束条件,以遗传算法为基础,通过适应度尺度变换、基于方向的交叉算子、非均匀变异算子、自适应概率、精英保留策略、重复项替代机制、基于约束的策略对其进行改进,引入多种群思想,对比多种算法优化结果的差异。结果表明：基于多种群的遗传算法能有效改善优化结果对算法参数的依赖性,提高结构优化设计的效率。     

改进链式多种群遗传算法的防空火力任务分配

为化解敌方空袭的威胁,提高中等规模防空火力任务分配问题的求解效率,提出一种性能优越的链式多种群遗传算法(CMPGA)。首先建立改进的防空火力任务分配模型,综合考虑目标威胁程度、可拦截性判断等因素。目标威胁程度考虑目标的高度、速度、射程以及相对距离等威胁因素。可拦截性判断考虑时间约束、空间约束和性能约束,并将其融入杀伤概率的计算中,以简化模型的约束条件。其次提出CMPGA算法求解中等规模防空火力的最优任务分配方案。算法中综合运用了种群重复个体的数量限制策略、适应度相近个体的交叉变异策略、陷入局部极值时部分较优解的删除策略、链式环中种群当前最优解的传递策略。算法充分利用多种群并行搜索的优点,加快收敛速度,持续保持种群多样性,避免陷入局部极值。在标准测试函数的仿真以及防空火力任务分配问题的应用中,通过与几种典型优化算法的对比分析,结果表明CMPGA算法的性能优势较大,能以较高的概率快速地搜寻到最优解,从而验证了该算法的有效性和优越性。     

一种基于折射反向学习机制与自适应控制因子的改进樽海鞘群算法

为克服基本樽海鞘群算法（SSA）存在的收敛速度慢、易陷入局部最优等不足,提出了一种基于折射反向学习和自适应控制因子的新型改进樽海鞘群算法（RCSSA）.首先,采用折射反向学习机制在每一次个体的求解中计算折射反向解,极大地提高了算法收敛精度和速度.然后,将原SSA算法中引导者的自适应控制因子引入跟随者的位置更新中,有效地控制整个搜索过程并增加了算法的局部开发能力.为验证所提RCSSA算法的优化性能,采用了7个单峰、16个多峰基准测试函数以及1个工程设计问题对其进行测试.试验中,先引入两种单策略改进的SSA算法来验证所提算法的有效性,再加入鲸鱼优化算法等5个先进的智能优化算法与之进行对比,进一步验证所提算法的优越性.研究结果表明:无论对于低维度还是高维度基准优化问题,所提算法都能有效地增强原SSA算法的开发和探索能力;并且RCSSA算法在整体优化性能方面要优于其他大多数群智能算法.     

Optimal design of dynamic and control performance for planar manipulator

k]A design and optimization approach of dynamic and control performance for a two-DOF planar manipulator was proposed. After the kinematic and dynamic analysis, several advantages of the mechanism were illustrated, which made it possible to obtain good dynamic and control performances just through mechanism optimization. Based on the idea of design for control (DFC), a novel kind of multi-objective optimization model was proposed. There were three optimization objectives: the index of inertia, the index describing the dynamic coupling effects and the global condition number. Other indexes to characterize the designing requirements such as the velocity of end-effector, the workspace size, and the first mode natural frequency were regarded as the constraints. The cross-section area and length of the linkages were chosen as the design variables. NSGA-II algorithm was introduced to solve this complex multi-objective optimization problem. Additional criteria from engineering experience were incorporated into the selecting of final parameters among the obtained Pareto solution sets. Finally, experiments were performed to validate the linear dynamic structure and control performances of the optimized mechanisms. A new expression for measuring the dynamic coupling degree with clear physical meaning was proposed. The results show that the optimized mechanism has an approximate decoupled dynamics structure, and each active joint can be regarded as a linear SISO system. The control performances of the linear and nonlinear controllers were also compared. It can be concluded that the optimized mechanism can achieve good control performance only using a linear controller.     

基于遗传算法和蚂蚁算法求解函数优化问题

针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题，提出一种基于遗传算法和蚂蚁算法的混合算法.该混合算法利用了遗传算法快速随机的全局搜索能力的优点，设计了编码与适应度函数，进行了种群生成与染色体的选择，并通过设定交叉算子和变异算子， 生成了信息素分布.该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点，通过确定吸引强度的初始值，建立了强度更新的模型，从而求得精确解.并将该算法应用于求解函数优化问题.结果表明，该混合算法与遗传算法和蚂蚁算法相比，收敛速度快，寻优性能好.     

基于核分布估计的动态多目标优化进化算法

建立了一种近似估计下一环境进化种群和问题的Pareto最优解集的核分布估计方法, 当问题环境发生改变时, 算法利用以前不同环境搜索到的有用解信息对下一环境进化种群及Pareto最优解集进行近似估计, 极大地提高了算法的搜索效率。在对进化算子的合理设计基础上提出了一种核分布估计的动态多目标优化进化算法。通过对4个常用标准测试函数所作的数据仿真实验表明:提出的算法是十分有效的.     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

有效图像压缩的提升小波优化设计

提出了多种群遗传算法和蚂蚁算法融合的提升格式小波优化设计方法。首先采用多种群遗传算法对构成小波的提升步进行优化；并提出局部适应度和全局适应度的概念，将其和蚂蚁算法中蚂蚁选择路径时对全局启发信息和局部启发信息的利用有机地结合起来；采用蚂蚁算法对遗传优化的结果进一步寻优，精确求解适合给定变换问题的最优小波，形成一种时间效率和求解效率都比较好的启发式随机优化方法。将所设计的小波应用于基于小波的图像编码器对指纹及医学图像压缩，实验结果验证了设计方法的有效性和图像压缩性能的优越性。     

平面完全约束绳牵引并联机器人的多目标优化

针对平面完全约束的绳牵引并联机器人的多目标优化问题,给出了一种理想点法与遗传算法相结合的方法．首先以绳牵引并联机器人工作空间面积、全面刚度指标、全局灵巧度系数为优化目标,基于遗传算法进行全局优化,得到各个目标的理想点．然后采用理想点法建立多目标优化模型,并采用遗传算法对该模型进行求解．仿真实验表明,优化结果较为均衡,各模型有效解都接近相应单目标的理想点．所得结论可以为同类绳牵引并联机器人的设计提供参考．