基于群智能的连续优化算法研究

在对蚁群优化算法(ACO)和粒子群优化算法(PSO)进行分析的基础上,提出一种解决函数连续优化的群智能混合策略-CA-PSO.在求解过程中,首先对解空间进行区域划分,进而利用ACO在优化初期具备的快速收敛性能,在整个解空间内搜索最优解的敏感区域.然后利用蚁群的搜索结果初始化PSO粒子,利用PSO快速和全局收敛性进行所在小区域内的搜索.种群更新时根据蚁群的拓扑结构和小区域间的阶跃规则,蚁群不断向最优解敏感区域聚集,使得敏感区域内粒子数增加,则局部的PSO搜索策略可以更细密的搜索最优.实例结果表明,CA-PSO既能保证解的分布性与多样性,又避免了在多峰值函数寻优过程中陷入局部最优解而停止运算,最终将收敛到全局最优解.     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

群智能优化算法研究

群智能优化算法是一种新型的优化算法。该文介绍了几种常见的群智能优化算法,包括粒子群优化算法、蚁群优化算法、人工免疫算法、人工鱼群算法,分析了它们的优缺点及使用情况,提出了群智能优化算法的发展方向。     

群搜索优化算法在桁架结构优化中的应用

介绍一种改进的群搜索优化算法（IGSO）及适用于它的一种约束处理方法,并将其应用到两个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于每个算例,IGSO和HPSO算法各运行10次,从10次运行的统计分析中可以看出,IGSO算法的优化效果和稳定性稍逊于HPSO算法,但其收敛速度比HPSO算法快,且其使用的约束处理方法大大减少有限元分析的次数,提高程序运行的速度。     

改进的群搜索优化算法在结构优化中的应用

针对桁架结构优化设计问题,对群搜索优化算法(GSO)进行了算法修改和参数调整,并将修改后的算法应用到10杆、17杆和200杆共3个桁架结构截面优化设计算例中,同时与另一种GSO改进算法(IGSO)进行了对比分析。对于每个算例,该文改进算法和IGSO算法各运行了10次,从10次运行的统计结果可以看出,改进算法的优化效果和稳定性均好于IGSO算法。另外,改进算法也与目前结构优化中较好的其它几个算法进行了比较,总体来说,改进算法的最佳优化结果与这些算法的最佳结果相当。     

浅析智能优化算法

算法优化在许多的工程领域得到了广泛的应用,而求解线性、非线性、随机和几何规划等各种最优化的问题也得到了快速发展。智能优化算法是利用自然界中的事物与优化过程中所具有的某些相似性而进行搜索的一种搜索算法,相对于传统的优化算法,智能优化算法在求解速度等方面具有显著优点。     

改进的群搜索优化算法在结构优化中的应用

针对桁架结构优化设计问题,对群搜索优化算法（GSO）进行了算法修改和参数调整,并将修改后的算法应用到10杆、17杆和200杆共3个桁架结构截面优化设计算例中,同时与另一种GSO改进算法（IGSO）进行了对比分析。对于每个算例,该文改进算法和IGSO算法各运行了10次,从10次运行的统计结果可以看出,改进算法的优化效果和稳定性均好于IGSO算法。另外,改进算法也与目前结构优化中较好的其它几个算法进行了比较,总体来说,改进算法的最佳优化结果与这些算法的最佳结果相当。     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化（PSO）算法的一种改进算法：用于约束优化问题的启发式粒子群优化（HPSO）算法。针对HP-SO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍。     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化(PSO)算法的一种改进算法:用于约束优化问题的启发式粒子群优化(HPSO)算法.针对HPSO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析.对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍.     

智能优化算法的应用研究

优化问题广泛存在于各个领域,对该问题的求解问题从没停止过.自从优化问题提出以来,人们提出了各种各样的智能优化算法.文中简要介绍了遗传算法、蚁群算法、模拟退火算法3种智能优化算法,并简述其优缺点及应用研究的使用情况.     

新的基于多目标优化的推荐算法

针对目前推荐系统效率问题,采用线上、线下分离策略,构建一种新的推荐系统框架.针对推荐系统多目标性和目前众多推荐算法适应性局限等特性,采用混合策略,提出一种新的多目标推荐算法.首先,对多个推荐算法进行加权混合;然后,构建以权重序列为自变量,推荐评价指标F调和率、多样性和新颖度为目标函数的多目标优化模型;其次,采用SPEA2多目标优化算法进行优化求解;最后,基于用户的购物偏好和Pareto解集向用户有针对性地进行购物推荐.实验结果表明:新的推荐算法较子推荐算法在F调和率上持平,在多样性上提高了1%,在新颖度上提高了11.5%;多目标的各个Pareto解在解空间中分布形成了密集邻近的点曲线.该推荐算法能够满足不同购物偏好用户的推荐要求.     

基于入侵性杂草优化算法的图像识别的研究

针对小波不变矩提取的特征向量维数过大的问题,提出一种以类间、类内散布矩阵作为可分离判据的离散入侵性杂草优化算法实现特征向量的选择,利用BP神经网络作为分类器进行图像识别。实验仿真结果表明,与现有特征选择算法相比,改进的离散入侵性杂草优化算法对于图像特征向量的选择时间更短,识别正确率更高,能有效提高分类器的性能。     

智能优化算法的混合策略分析、设计和建模*

首先对国内外混合智能优化算法进行了研究,分析并揭示了现有各种算法中起作用的关键机制和元件,然后提出了一个混合智能优化算法模型,用于解释现有混合算法取得优良性能的根本原因,并为设计新的混合算法提供指导作用。     

基于一种新的正交优化的群智能优化算法

目前的智能优化算法易陷入本地最优平衡态,并且进化后期的效率低下。为了克服这些缺陷,提出了一种基于正交优化的群智能优化算法。该算法突破了以往正交设计方法仅能用在粒子群初始化和进化前优化搜索过程的局限,基于方差分析和方差比例分析,证实了正交设计方法进一步的搜索方向和范围。使用正交设计的特征在一次阵列计算中寻找包含最优值的间隔,算法可以在优化搜索过程中循环进行方差比例分析。对六峰值驼背函数的仿真分析结果说明,正交智能优化算法相比目前的智能优化算法,计算量更低,搜索时间更短,运行速度更快,且优化搜索过程的精度更高。     

融合变异策略的自适应蝴蝶优化算法

蝴蝶优化算法是近年来提出的一种新型自然启发式算法。针对基本蝴蝶优化算法收敛速度慢、求解精度低、稳定性差等问题,提出了一种融合变异策略的自适应蝴蝶优化算法。通过引入动态调整转换概率策略,利用迭代次数和个体适应度的变化信息动态调整转换概率,有效维持了算法全局探索与局部搜索的平衡;通过引入自适应惯性权重策略和局部变异策略,利用惯性权重值和混沌记忆权重因子进一步提高了算法的多样性,有效避免算法早熟收敛,同时加快了算法的收敛速度和求解精度。利用改进算法对12个基准测试函数进行仿真实验,与基本蝴蝶优化算法、粒子群算法、樽海鞘群算法、灰狼优化算法等其他算法对比表明,改进算法具有收敛速度快、寻优精度高、稳定性强等优异性能。     

两阶段式的物流配送路径优化方法

根据组合优化理论,充分利用遗传算法、蚁群算法的优化点,提出了一种两阶段式的物流配送路径优化方法(GA-ACO)。利用遗传算法迅速找到物流配送路径优化问题的初始解,初始解生成蚁群算法的初始信息素分布,通过蚁群算法找到物流配送路径的最优方案。采用实例对GA-ACO的性能进行测试,测试结果表明,GA-ACO可以获得较好的物流配送路径优化方案,是一种高效率、鲁棒性好的物流配送路径优化问题求解方法。     

用于函数优化和特征选择的翻筋斗觅食海鸥优化算法

针对基本海鸥优化算法（SOA）在处理复杂优化问题中存在低精度、慢收敛和易陷入局部最优的不足,提出了一种基于翻筋斗觅食策略的SOA算法（SFSOA）。该算法首先采用基于倒S型函数的控制参数A非线性递减策略更新海鸥个体的位置,以改善个体的质量和加快收敛速度;引入一种基于翻筋斗觅食策略的学习机制以增加海鸥个体位置的多样性,避免算法在搜索后期陷入局部最优值。选取八个基准函数优化问题进行数值实验,并与基本SOA、灰狼优化算法和改进SOA进行比较,结果表明,所提算法具有较高的解精度、较快的收敛速度和较强的全局搜索能力,能有效地处理复杂函数优化问题。最后,将SFSOA用于求解特征选择问题,获得了满意的结果。     

Parameter optimization of moving horizon estimation based on hybrid intelligent algorithm

In the application of moving horizon estimation (MHE) algorithm, the window length will affect the estimation accuracy and the computing efficiency. For this kind of problem, a method of parameter optimization is proposed to obtain suitable window length. Firstly, in order to facilitate online solution, the optimization problem involved in the algorithm is transformed into a quadratic programming (QP) problem in matrix form. Secondly, for the time index and the estimated residual index that measure different properties, the normalization idea is adopted to incorporate them into the same dimension to design the fitness function, and a genetic optimization algorithm based on simulated annealing mechanism is given to search for the optimal window length. Finally, the proposed parameter optimization method is verified by two cases. The results show that the parameter optimization method has the advantages of excellent local search ability and sufficient convergence, and the window length obtained by this method can better take into account the two performance indexes of the MHE algorithm and improve the estimation performance.     

基于风驱动优化算法WDO的PID参数优化

鉴于PID控制器的优越性,其在工业控制领域中的引用越来越广泛。PID控制器的性能主要在于其参数优化设计,PID参数优化问题一直是研究热点。为了解决PID参数优化问题,提出了一种基于自然启发的风驱动优化算法（WDO）的PID优化控制方法,该算法以PID三个参量为控制对象,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。通过计算机仿真,并与遗传算法和粒子群算法PID参数优化相比,结果表明：该算法提高了系统的控制精度、响应速度和鲁棒性,为控制系统PID参数整定提供了参考。     

基于元学习的推荐算法选择优化框架实证

针对给定特征的数据集,选择最佳推荐算法存在计算资源相对过高、耗时较长、正确率较低的问题,提出一种基于元学习的推荐算法选择优化框架,在常用元特征的基础上融入新的特征测度。将Donorschoose和Movielens作为实证数据集,实验分析KNN、SVD等算法的自动选择过程,通过3种元学习算法构建元模型,评估该模型的预测正确率。StackingDecisionTree元模型所选择推荐算法具有较高预测性能,预测正确率分别达到86.58%和80.39%,实验结果表明了提出框架的可行性。