基于混合连续蚁群算法的最优潮流研究

提出了基于混合连续蚁群(HCACO)的最优潮流(OPF)计算方法;该方法将蚁群优化算法(ACO)的正反馈特性与实数遗传算法(GA)的进化策略相结合,克服了基本蚁群算法只适用于离散问题的局限性,并提高了寻优的效率,同时采用动态调整罚函数策略,有效提高了算法的全局收敛能力和计算精度,采用优进策略,提高了算法的收敛速度.应用此算法对标准IEEE-30节点测试系统进行最优潮流计算,该算法能够更好地获得全局最优解,仿真结果表明了该算法的合理性和有效性.     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

求解连续空间优化问题的Powell蚁群算法

针对连续空间函数优化问题,提出了Powell蚁群算法.该算法把Powell方法嵌入蚁群算法的局部搜索,提高蚁群算法的搜索精度和收敛效率.全局搜索过程中,把传统蚁群算法中的信息素更新和蚂蚁的转移规则拓展到连续空间中,定义了相应的求解算法.通过对二维多极值非线性函数的寻优实例进行仿真,并与Powell方法的求解结果进行比较,证明该方法的有效性.     

基于遗传蚁群算法的机器人全局路径规划研究

蚁群算法是基于生物界群体启发行为的一种随机搜索寻优方法,它的正反馈性和协同性使其可用于分布式系统,隐含的并行性更使其具有极强的发展潜力,它在解决组合优化问题上有着良好的适应性。因此将其应用到智能机器人全局路径规划中,其目的是探索一种新的路径寻优算法.在基于栅格划分的环境中,研究了机器人路径规划问题中蚁群系统的"外激素"表示及更新方式,并将遗传算法的交叉操作结合到蚁群系统的路径寻优过程中,提高了蚁群系统的路径寻优能力,为蚁群算法的应用提供了一种新的探索.     

基于改进蚁群算法和剩余矩形法的二维矩形件优化排样

二维矩形件优化排样是一类具有NP完全难度的组合优化问题。提出了一种基于改进蚁群算法和剩余矩形法的新型混合算法对其进行求解。通过针对最优个体的变异策略和具有随机选择机制的路径选择规则,提高了算法的全局寻优能力。在每一代的寻优过程中采用剩余矩形法完成矩形件排样,以改善算法的局部寻优能力。将该文算法与已有算法通过两个仿真实例进行了对比分析,仿真结果表明该算法具有明显的优势。     

基于改进蚁群算法的专用输电工程电气设备优化选型

针对专用输电工程的建设现状,采用优化方法选择输电工程的主要电气设备如高压断路器、输电线路、变压器等,建立考虑一次性投资、年运行维护费用和停电损失费用的优化模型,并利用优化模型从众多符合技术参数要求的电气设备中选择成本效益最大化的投资方案,该方案兼顾经济性与可靠性,使得年综合运行费用最低.然后采用蚁群算法求解,针对该算法寻优较慢的缺点,利用改进的邻域蚂蚁"标兵"学习算法进行寻优,最后通过对居民专用输电工程算例的计算与分析,表明该模型和算法的有效性.     

基于改进粒子群优化算法的可用输电能力计算

针对可用输电能力问题展开了深入研究,构造了适合ATC问题特点的改进的粒子群优化模型,提高了ATC计算结果的准确性和有效性。首先,针对粒子群的搜索特点,提出并建立了自适应调整权重策略,提高了算法的适应性和收敛速度;其次,根据不等式约束在计算过程中越界量的大小,动态地调节惩罚函数,进一步提高了算法的收敛速度和准确性;最后,IEEE30节点系统验证了所建模型的有效性。     

取消变异的小生境遗传算法及应用

为提高算法寻优能力,提出取消变异的小生境遗传算法.算法在寻优过程中采用最优保持子代种群产生策略,通过对种群中个体适应值惩罚机制的小生境操作,加速淘汰适应值低的个体,实现种群基因多样性,克服了遗传算法中随进化代数的增加种群个体趋于相似而造成全局搜索能力下降的缺点,增强了遗传算法在解决多变量多峰值优化方面的能力.将小生境遗传算法用于典型测试函数进行寻优测试,与取消变异改进遗传算法和基本遗传算法比较,证明了其在多变量、多峰值优化问题中的有效性和收敛性.     

航空货站自动化存取系统作业调度优化

为从作业调度角度提高航空货站自动化存取系统运作效率,在分析双板作业和防冲突避让对指令序列完工时间影响的基础上,以指令序列完工时间最短为优化目标,建立了航空货站自动化存取系统调度优化模型,并设计了一种改进的蚁群算法对模型进行求解.为避免算法在搜索过程中陷入局部最优,在引入权重信息素和随机扰动策略的基础上,提出了具有变异率的状态转移参数,用于在寻优过程中决定蚂蚁的移动方向.仿真结果表明:改进的蚁群算法较基本蚁群算法和遗传算法具有更好的全局搜索能力和求解精度,所提出的调度优化方法获得的指令序列完工时间较先到先服务调度策略有至少37%的改进.     

改进蚁群算法在机器人路径规划中的应用

机器人路径规划是机器人技术研究中的一项关键技术。针对蚁群算法在求解机器人路径规划中准确性不高以及求解时间长的问题,提出了一种基于改进蚁群算法的机器人路径规划方法,采用栅格法构建了相应的数学模型。为了提高蚁群算法的全局搜索能力,防止算法早熟收敛,在状态转移规则中引入了随机策略;同时引入了基于狼群分配的策略来更新启发式信息,这样可以进一步提高算法的收敛速度。实验结果表明,改进的蚁群算法具有更强的全局寻优能力,求解时间更短,它可以有效地求解机器人路径规划问题。     

一般约束优化含等式约束问题的鲁棒信赖域算法

针对一般约束优化问题进行了研究.利用引入罚函数将一般约束问题转化为一个只含不等式约束的的参数规划问题的技巧,将不等式约束优化问题的一个鲁棒信赖域算法扩展到一般约束优化问题中,并保留了算法的良好性质;同时,在一定条件下,得到了算法的全局收敛和超线性收敛.     

An enhanced hybrid and adaptive meta-model based global optimization algorithm for engineering optimization problems

Due to the good balance between high efficiency and accuracy, meta-model based optimization algorithm is an important global optimization category and has been widely applied. To better solve the highly nonlinear and computation intensive engineering optimization problems, an enhanced hybrid and adaptive meta-model based global optimization (E-HAM) is first proposed in this work. Important region update method (IRU) and different sampling size strategies are proposed in the optimization method to enhance the performance. By applying self-moving and scaling strategy, the important region will be updated adaptively according to the search results to improve the resulting precision and convergence rate. Rough sampling strategy and intensive sampling strategy are applied at different stages of the optimization to improve the search efficiently and avoid results prematurely gathering in a small design space. The effectiveness of the new optimization algorithm is verified by comparing to six optimization methods with different variables bench mark optimization problems. The E-HAM optimization method is then applied to optimize the design parameters of the practical negative Poisson’s ratio (NPR) crash box in this work. The results indicate that the proposed E-HAM has high accuracy and efficiency in optimizing the computation intensive problems and can be widely used in engineering industry.     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

一种新型的带有小生境技术和精英集策略的多目标粒子群算法

为提高多目标粒子群算法的有效性和运行效率,利用小生境技术求解适应度,采取轮盘赌的方法根据精英集中各个粒子的适应度选取全局最佳位置,提出一种新型的带有小生境技术和精英集策略的多目标粒子群算法。论文对算法运行的过程作了调整,加入小概率变异方法,采用测试函数验证算法的有效性。结果表明,在相同的实验环境中本文算法的运行时间为2.113 s,比基于粒子群的多目标优化算法(4.157s)缩短近一半,即本算法的运算效率大大提高了。仿真结果还表明本文中的算法不仅有很好的收敛性,所得的解还有较好的均匀性。     

多处理机调度问题的蚁群优化算法

传统蚁群算法存在收敛速度慢、计算时间长、易陷入局部最优解等方面的缺陷。通过对蚁群信息素更新、策略选择、参数选择等各方面进行改进,提出一种更加高效的多处理机调度蚁群优化算法。实验证明：与其他优化算法相比,该算法能在较短的时间内找到更好的调度策略,具有较好的收敛性和有效性及优良的全局优化性能。     

无约束优化问题的Newton-过滤器算法

构造了求解无约束优化问题的新算法,该算法结合了一般的Newton算法的思想和过滤器线性搜索策略,一方面搜索方向由Newton算法产生;另一方面在接受新的迭代点时,采用过滤器线性搜索策略,确定步长,且新算法是全局收敛的.     

一种改进的粒子群优化算法及其应用

介绍了粒子群优化算法及其原理,针对其后期容易陷入局部极值的缺陷,提出了一种改进粒子群算法.改进算法采用全局最优粒子变异策略和部分粒子群部分维初始化策略.通过将其应用于(N M)容错系统模型的实例,对改进算法的性能进行了分析,结果表明,改进算法的搜索效率和精度均优于一般的粒子群算法,同时具有较好的收敛稳定性.     

求解一类变分不等式问题的信赖域算法

变分不等式作为变分原理的主要推广,是数学上的一个主要分支.近年来,变分不等式理论已被大量应用于经济与金融、交通各个领域中.将一类变分不等式问题等价转化为无约束优化问题,并提出了一个求解无约束优化问题的信赖域算法;在通常假设下,证明了算法的全局收敛性.该算法可用于网络的均衡模型,使得模型解的精确程度有了很大地提高.     

基于混合优化策略的结构损伤识别方法

根据结构损伤后的动力特性 (包括频率和振型 )实测数据 ,提出了基于混合优化策略的结构损伤识别方法 .所建立的混合优化策略将收敛速度快的局部优化搜索方法与具有全局搜索能力的人工神经网络方法相结合 ,解决了局部优化搜索方法的局部极值问题和全局优化搜索方法收敛速度慢的问题 .这对于解决反问题所普遍存在的解的不唯一性和不稳定性问题具有实际意义     

箱型约束变分不等式的微粒群算法

对箱型约束变分不等式的简单光滑价值函数,给出了求解箱型约束变分不等式的微粒群算法。该算 法具有计算简单、快速收敛到全局最优解和较高的计算精度等优点。数值计算结果表明,提出的算法可靠性高、有 效性强,在计算精度上,都优于阻尼牛顿法和正则半光滑牛顿法