求解非线性极大极小问题的一种新的混合算法

对于一类非线性极大极小问题,由于凝聚函数法简单且易实施,所以一直是较流行的光滑处理技术,然而选择一个合适的惩罚因子不是一件容易的事。本文通过引入Hook-jeveese搜索法和可行基规则,提出一个求解非线性极大极小问题的新的混合算法—Hook-jeveese搜索法和与可行基规则相结合粒子群算法的混合算法。与凝聚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域。利用两个典型实例问题进行计算比较,计算结果表明了新算法是求解非线性极大极小问题的一个高效的算法,而且获得了一些比以往文献精度更好的解。     

一个求解约束优化问题的与可行基规则相结合的改进微粒群算法

提出一个求解约束最优化问题的新的混合算法-与可行基规则相结合的改进的微粒群算法。与惩罚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域。利用5个基准测试函数进行仿真计算比较,仿真结果表明了新算法是求解约束最优化问题的一个高效的算法。     

基于混合模拟退火的勤务编排技术研究

为了优化航空公司勤务编排结果,在考虑勤务编排规则、机组成本和人力因素的基础上,构建了勤务编排优化模型,且综合平衡了各项目标函数.运用局部搜索法获得初始解,并与模拟退火算法结合,形成求解勤务编排问题的混合模拟退火算法.最后通过启发式操作将不可行解转化为可行解.仿真实验表明,混合模拟退火算法能够有效缩小算法搜索空间,减少计算时间,提高运行效率.与基本模拟退火算法和遗传算法相比,混合模拟退火算法运算速度和运算结果均有明显地提高.     

约束优化问题的实数制免疫-禁忌混合算法

针对免疫算法局部搜索能力较弱的缺点,提出了实数制编码的免疫-禁忌混合算法,在免疫操作后引入禁忌搜索算法来提高混合算法的爬山能力,从而提高求解精度和搜索速度,适合于约束优化问题的求解.在阐述混合算法计算原理的基础上,提出实数制编码方式、惩罚函数法和适应度函数构造方法.通过测试算例进行验算,计算结果表明,实数制编码的免疫-禁忌混合算法收敛速度快,计算精度高,特别适合计算复杂、时效性强的优化问题.     

求解非线性方程组的一种新方法及应用

针对非线性方程组求解问题提出一种变异量子粒子群算法,该算法首先把非线性方程组的求解转化为约束优化问题,然后根据可行性规则,引入约束违反度函数,结合变异算子,不断地寻找更优可行解,逐渐达到搜索全局最优解。数值实验表明,所设计变异量子粒子群算法是可行的、有效的,是求解非线性组的一种成功算法。     

一个与Powell搜索相结合的混合免疫进化算法

提出一个求解无约束最优化问题的新的混合算法-Powell搜索法和免疫进化算法的混合算法.该算法不需要计算梯度,容易应用于实际问题中.通过对免疫进化算法的修正,使混合算法具有更加精确和快速的收敛性.本文主要目的是通过加入混合策略说明免疫进化算法是能够被改进的.利用4个基准测试函数进行仿真计算比较,结果表明新混合算法在解的搜索质量、效率和关于初始点的鲁棒性都远优于免疫进化算法.仿真结果表明了新算法是求解无约束最优化问题的一个高效的算法.     

混合约束最优化问题的直接解法

针对可行域比较畸形的混合约束最优化问题,证明了联合应用消元法和随机方向搜索法求解该类问题的可行性,并给出了相应的算法和程序框图,该算法具有良好的收敛性,但收敛程度将随着等式约束条件个数的增大而减小。     

Powell搜索法和局部收缩微粒群算法的混合算法

提出一个求解无约束最优化问题的新的混合算法——Powell搜索法和惯性权重线性调整的局部收缩的微粒群算法的混合算法。该算法不需要计算梯度,容易应用于实际问题中。通过对微粒群算法的修正,使混合算法具有更加精确和快速的收敛性。主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的。首先利用20个基准测试函数进行仿真计算并比较,计算结果表明,新混合算法在求解质量和收敛速率上都优于其它的3种算法(PSO,GPSO和NM-PSO算法)。同时将新混合算法和最新的各种协同的PSO算法进行分析比较,比较结果表明,新混合算法在解的搜索质量、效率和关于初始点的鲁棒性都远优于其他的进化算法。仿真结果证明了新算法是求解无约束最优化问题的一个高效的算法。     

求解有约束非线性规划的混合混沌算法

针对带有约束的非线性规划问题,提出了一种新的算法.首先把有约束的非线性规划转化为含有2个目标的无约束的优化问题,然后利用混沌优化算法和最速下降法来混合求解.数值计算结果显示,该算法是可行有效的.     

大规模过程系统优化的一种改进简约空间SQP算法

为了提高简约空间序列二次规划算法的求解效率和稳定性,使其适于求解更大规模过程系统优化问题,提出了一种 改进的大规模过程系统简约空间序列二次规划算法.算法采用新的基变换规则,根据基变换规则实时调整基变量,利用一种 综合过滤线性搜索方法求取搜索步长,该搜索方法结合了传统搜索方法和过滤搜索方法的优点.改进算法被应用于部分小 规模Benchmark算例和三个经典大规模算例求解,计算结果表明,本算法可以较大地减少迭代和函数估计次数,其求解效率 远高于标准序列二次规划算法，且算法的稳定性也有较大提高.     

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.     

一种改进的混合蛙跳算法求解有约束优化问题

提出一种适用于求解有约束优化问题的改进混合蛙跳算法(improved shuffled frog leaping algorithm, Im-SFLA)。该算法针对混合蛙跳算法(shuffled frog leaping algorithm, SFLA)在进化后期搜索速度变慢且容易陷入局部极值的缺陷,将模拟退火和免疫接种思想引入到具有高斯变异和混沌扰动的SFLA中。标准测试函数仿真结果表明Im-SFLA能显著提高收敛速度和精度,并能有效克服局部极值,全局寻优能力明显优于SFLA。使用静态罚函数法将有约束优化转化为无约束优化,对12个有约束优化测试函数的实验结果表明Im-SFLA寻优精度高、鲁棒性强,是一种十分有效的求解有约束优化问题的算法。     

一种求解约束优化问题的微粒群算法

约束保持法是目前求解约束问题时处理约束的主要方法之一,该方法的思想是确保进化过程中所有粒子始终在可行域范围内。本文借鉴复合形法的思想,提出一种求解约束优化问题的新方法。当粒子超出可行域范围时,通过反射、扩张、收缩等操作,为粒子重新产生一个可行位置。通过对标准函数仿真实验表明,该算法实现原理简单,而且能得到较优的解。     

A new evolutionary algorithm for constrained optimization problems

To solve single-objective constrained optimization problems,a new population-based evolutionary algorithm with elite strategy(PEAES) is proposed with the concept of single and multi-objective optimization.Constrained functions are combined to be an objective function.During the evolutionary process,the current optimal solution is found and treated as the reference point to divide the population into three sub-populations:one feasible and two infeasible ones.Different evolutionary operations of single or multi-objective optimization are respectively performed in each sub-population with elite strategy.Thirteen famous benchmark functions are selected to evaluate the performance of PEAES in comparison of other three optimization methods.The results show the proposed method is valid in efficiency,precision and probability for solving single-objective constrained optimization problems.     

改进蚁群算法在并联六自由度平台优化设计中的应用

蚁群算法在解决组合优化问题上有着良好的适应性,但直接应用于求解连续优化问题难以获得理想的效果．通过对蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的改进,构成了可用于连续优化问题求解的改进蚁群算法．将该算法应用于以灵巧度为目标函数的并联六自由度平台结构设计问题中,通过与采用基本蚁群算法得到的优化结果进行比较,证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度,可以有效求解并联六自由度平台结构设计这一类连续优化问题．     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.     

非线性互补问题的罚函数法

将非线性互补问题转化为带约束的优化问题,在已有的利用罚函数方法求解约束化优化问题 的基础上,提出了利用惩罚函数方法来求解非线性互补问题的算法。并利用惩罚函数的单调性质证明了 算法的全局收敛性。最后得出的数值试验表明了算法良好的适定性和强收敛性质。