布谷鸟算法的含分布式电源配电网最优潮流优化

针对当前模拟退火方法等算法不能满足多约束变量的电网最优潮流设计问题,提出基于布谷鸟算法的含分布式电源配电网最优潮流优化模型。在多目标非线性约束参量模型下构建电源配电网最优潮流目标函数,以机组的耗量和配电总费用为优化目标,采用布谷鸟算法进行最优解多点搜索,模拟鸟群觅食过程和迁徙行为进行全局优化求解,考虑系统的有功损耗进行确定性规划处理,实现含分布式电源配电网的最优潮流求解。仿真结果表明,采用该方法进行含分布式电源配电网最优潮流优化设计有效提高了电源的利用率,降低了系统的运行成本,确保了含分布式电源配电网的经济、安全运行。     

非线性回归模型参数估计的区间分析方法

现有很多方法都属局部搜索方法,不能保证得到问题的全部全局最优解,而基于区间分析的区间全局优化算法则能在给定精度范围内求出问题的全部全局最优解,并能给出满足要求的包含最优解的任意小区间。基于此,给出了非线性回归模型参数估计的区间全局优化算法,论述了算法求解问题的基本思想、解算步骤、基本算法和加速工具等,并将其应用于非线性回归模型参数估计中,仿真实验结果验证了所给算法的可行性和有效性．     

基于函数复杂度的自适应模拟退火和禁忌搜索新算法

在求解多峰复杂函数的过程中,传统的模拟退火算法和禁忌搜索算法经常出现算法快速收敛于局部最优解、后期收敛速度变慢和搜索能力变差等问题.为解决这些问题,本文给出函数复杂度的定义,并提出基于函数复杂度的自适应模拟退火和禁忌搜索算法.该算法首先根据函数复杂度自适应调整步长控制参数,然后根据调整后步长求得函数的粗糙解,在此基础上再使用初始步长求得全局最优解.实验表明,该算法不仅可以跳出局部最优解的限制,并且减少了迭代次数,有效地提高了全局和局部搜索能力.     

一种有效的启发式聚类算法

本文讨论了一种利用确定性退火技术的启发式聚类算法。它把聚类问题看作一物理系统。通过求解一系列随温度变化的自由能函数的全局极小来得到聚类问题的最优解。算例表明，对传统聚类算法无能为力的几种聚类问题，该算法都得到了比较满意的结果。     

基于量子布谷鸟搜索的认知无线网络频谱分配

为了有效解决认知无线网络频谱分配的离散优化问题,将量子计算引入布谷鸟搜索算法,提出了一种新的组合优化算法——量子布谷鸟搜索算法。该算法使用量子鸟窝表征问题的多维解,通过Lévy flights随机游动方式和量子突变策略快速搜索到全局最优位置。通过使用基准函数验证了算法的高效性,并提出了一种基于量子布谷鸟搜索的认知无线网络频谱分配方法。然后与经典频谱分配算法在不同的网络效益函数下进行仿真性能比较。结果表明,所提出的频谱分配方法能够较快找到全局最优解,并且在不同网络效益函数下均优于已有的经典频谱分配算法。     

基于混合遗传算法的多目标问题规划

遗传算法在问题优化中的应用已有了许多研究，但对于大型多目标规划问题而言，由于其问题特性和计算量大而限制了遗传算法的应用。为探索新的问题求解方法，提出了一种基于遗传算法和梯度算法的问题优化混合算法。用梯度法每次迭代得到的结果来改进遗传算法的群体，而用遗传算法的最优个体与梯度算法的迭代解相比较，选择其中的最优点作为梯度法下一步迭代的初始点。通过保持迭代过程的最优解，加快了搜索速度，并保证收敛于全局最优解。算例表明该方法兼具遗传算法的全局搜索能力和梯度算法的局部搜索的特点，且具有良好的工程适应性。     

基于粒子群算法的软件可靠性分配问题研究

针对软件可靠性分配中不易求解全局最优解这一问题,将可靠性指标分配到每个模块中,并利用改进的粒子群优化算法来搜索模型的最优解.实验结果表明,改进的粒子群优化算法在求解软件可靠性分配问题时的效果优于遗传算法等其他智能优化算法.     

BPSK通信系统的部分最优MIMO检测算法

在BPSK调制下,基于最大似然（Maximum Likelihood,ML）准则的MIMO检测器是一个二进制二次规划问题,其计算复杂度随着天线数的增多呈指数增加,当天线数较多时,其计算量太大,无法满足实时通信的要求。本文提出了一种新的MIMO检测算法。使用新算法,可以在很小的计算开销下,求解出ML检测器的部分全局最优解,然后,将优先检测出的部分最优解从原二进制二次规划问题中剔除得到一个相对小规模问题,最后使用传统的次最优检测算法对该小规模问题进行求解。这样,新算法不仅可以得到比传统的次最优检测器更低的误码率,计算量又远小于ML最优检测器。本文的仿真结果验证了新算法的有效性。      

采用搜索趋化策略的布谷鸟全局优化算法

布谷鸟搜索算法是一种基于莱维飞行搜索策略的新型智能优化算法.单一的莱维飞行随机搜索更新策略存在全局搜索性能不足和寻优精度不高等缺陷.为了解决这一问题,本文提出了一种改进的布谷鸟全局优化算法.该算法的主要特点在于以下三个方面:首先,采用全局探测和模式移动交替进行的模式搜索趋化策略,实现了布谷鸟莱维飞行的全局探测与模式搜索的局部优化的有机结合,从而避免盲目搜索,加强算法的局部开采能力;其次,采取自适应竞争机制动态选择最优解数量,实现了迭代过程搜索速度和解的多样性间的有效平衡;最后,采用优势集搜索机制,实现了最优解的有效合作分享,强化了优势经验的学习.对52个典型测试函数实验结果表明,本文算法不仅寻优精度和寻优率显著提高,鲁棒性强,且适合于多峰及复杂高维空间全局优化问题.本文算法与最新提出的改进的布谷鸟优化算法以及其它智能优化策略相比,其全局搜索性能与寻优精度更具优势,效果更好.     

大孔径超稀疏阵列综合算法研究与应用

超稀疏阵列大孔径场景下最优布阵求解问题是在满足特定副瓣电平要求下,通过对布阵位置和阵元权值的优化获得最稀疏解。该问题属于NP-HARD问题,求解时存在搜索空间大、搜索时间长以及难以求得全局最优解等问题。为了解决上述问题,本文基于交替寻优的思想提出了一种针对大孔径场景下超稀疏阵列方向图综合的快速算法。该算法通过对求解空间进行划分后交替优化快速得出一个初始解,在初始解基础上构建相邻域形成新的求解空间,通过二次搜索寻优得到最优解。本算法通过对初始解空间进行划分和相邻域的构建,可大幅缩短每次优化的时间。本文通过对超稀疏线阵若干场景进行了仿真验证,仿真结果证明了该算法的有效性。     

一种新的 QoS 全局最优 Web 服务选择算法

针对运用单目标优化算法求解基于 QoS 的 Web 服务选择问题的不足,设计了一种新的 QoS 全局最优Web 服务选择算法.该算法同时优化组合服务的多维 QoS 属性的多个目标函数,并产生 QoS 全局最优的 Pareto 最优解集.首先建立服务选择问题的多目标优化数学模型,然后采用归档式多目标模拟退火设计该算法以优选 Web服务.实验结果表明了该算法是可行的,实现了全局 QoS 最优化的组合服务.     

基于破圈法与改进布谷鸟算法的两阶段配电网重构

针对传统智能优化方法在配电网重构过程中初始种群效果较差，并且难以获得全局最优解以及效率较低的问题，提出破圈法与改进布谷鸟算法相结合的两阶段重构方法。首先，以配电网的系统网损、负荷均衡和电压偏差三大综合指标为目标函数，建立多目标数学模型。其次，使用两阶段重构方法寻优，第一阶段使用破圈法快速求解配电网重构的初步解集，并将其作为第二阶段的初始种群；第二阶段对布谷鸟算法进行改进，使用基本环网编码策略，有效地减小了解空间，避免了大量的不可行解，并引入鲸鱼优化算法的气泡网搜索和螺旋搜索来避免早熟现象，有效地提高了算法的全局搜索能力。最后，使用含分布式电源的IEEE 33节点系统和Taipower 84进行仿真，结果表明该两阶段重构方法具有初始种群优、搜索能力强、收敛速度快的优点。     

无人机全局路径规划算法研究

针对无人机自主飞行控制技术中的全局路径规划问题,简要分析了几种路径规划算法,提出了一种基于遗传算法的改进型无人机全局路径规划算法,算法以旋翼型无人机为例设计了时间约束条件模型,对适应度函数参数和遗传算法算子进行了优化。试验结果表明,所提出的路径规划算法能够求得近似最优解,为无人机自主飞行决策控制提供可行方案。     

求解TSP的变异算子的设计及优化应用

通过选择合适的算子和参数,遗传算法(GA)可以有效求解旅行商问题(TSP)。GA通常可以获得满意解,但容易陷入早熟,因而较难求得全局最优解。传统的变异算子在求解该问题时性能并不理想,甚至会引起反作用。文章通过实验分析多种变异算子在求解TSP时的表现,提出了一个改进的破坏重建变异法,并利用该方法对算法进行优化。经仿真实验测试,该方法效果明显。     

基于膜量子布谷鸟搜索的双通道网络频谱资源分配

无线双通道Ad Hoc网络中, 有效分配簇间码分频谱资源是提高资源利用效率的关键技术之一.综合考虑子簇码分频谱资源需求和分配公平性, 给出了簇间码分频谱资源分配数学模型, 并转换为以最大化码分频谱资源效益和分配公平性为多目标的受约束离散优化问题.结合膜结构、量子计算和布谷鸟搜索算法, 提出一种新的离散组合优化算法——膜量子布谷鸟搜索算法.该算法使用量子鸟窝表征问题潜在解, 利用布谷鸟寻窝产卵的演化方法在基础膜中寻求单目标最优解, 通过膜间信息共享和非支配解等级排序求出具有多目标最优解的表层膜Pareto前端解集.仿真结果证明, 与经典优化算法相比, 该算法不仅能够同时求解单目标和多目标最优解, 而且具有更优的收敛性能, 能更好地实现码分频谱资源效益最优化.     

基于自适应节点选择蚁群算法的QoS选播路由算法

针对基本蚁群算法在求解QoS选播路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于自适应节点选择的蚁群算法对该问题进行求解.该算法根据解的情况自适应调整节点选择策略;依据各路径上信息素的＂集中＂程度判断解的早熟、停滞情况,并对可能陷入局部最优的解进行信息素混沌扰动更新,以便跳出局部极值区间.仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速地收敛到全局最优解,算法是可行、有效的.     

基于并行遗传算法的弹性TSP研究

文章针对并行遗传算法求解TSP问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化.通过对算法的分析和实验,尤其是在典型的CHN144 TSP求解上发现了新的最优解这一结果表明,本文算法的改进是有效的.     

基于遗传算法利用网络时延解决路由问题的新算法

求解网络的最佳路由问题可以归结为求解全网最小时延问题，用遗传算法理论来解决此种问题，能快速求得全局最优解，且有较高的精度。针对网络规模较大的情况，采取改进的遗传算法，结果表明此法是可行且有效的     

多加性QoS约束下的链路分离路由算法

对多个加性QoS约束下的链路分离路径问题进行了研究,针对现有算法求解结果依赖于网络结构,难以保证对任意网络都可求得可行解和最优解的问题,提出了一种与网络结构无关的多约束链路分离路径路由算法(MCLPRA,multiple constrained link-disjoint path routing algorithm).该算法基于SAMCRA,采用对解空间先分类,然后按类进行处理和搜索的方法,引入了控制搜索深度的参数,可保证对任意网络都能求得可行解.理论分析表明,MCLPRA能够在现有算法不能求解的情况下解得可行解和最优解.仿真结果显示,MCLPRA的可行解平均求解成功率明显高于现有算法且所求路径对长度也比现有算法更短.     

基于正交试验的细菌觅食算法的全局最优化

细菌觅食算法在求解全局最优化问题时的性能大部分依赖于参数的设置,各参数的值不同,则细菌觅食算法的收敛速度和得到的最优解也不同。本文主要介绍了用正交试验的方法设置细菌觅食算法的参数来求解全局最优化的问题,通过正交试验方法来检测多组参数对细菌觅食算法效率的影响,用经典的测试函数数对这种组合方案进行检测对比,通过对实验结果数据分析可得出参数的最佳组合方案。最终实验结果表明用正交试验法设置的细菌觅食算法的参数组合方案可以提高算法的效率和收敛速度,使算法能够更快更好的得到测试函数的近似最优解。