改进的遗传和声算法及其在车辆路径中的应用

引入和声搜索算法解决车辆路径(VRP)问题,并针对基本和声算法对于初始记忆库依赖性强的缺点,提出了改进的遗传和声搜索算法;新算法利用遗传算法初始化和声记忆库,同时应用均匀设计方法设定算法参数HMS、HMCR、PAR、bw、NI、种群规模、交叉概率、变异概率及迭代次数,以解决参数选取的随机性和不确定性问题;通过对车辆配送过程的分析,将改进算法应用于所建立的车辆配送路径优化模型中进行求解;实验结果表明,改进的遗传和声算法在一定程度上可以避免原算法对初始记忆库依赖性强局限性,提高了求解VRP优化问题的效率和准确性.     

多维多极值函数优化的和声退火算法

针对多极值实函数优化问题,本文结合和声搜索与模拟退火算法,提出了一种新的搜索算法,即和声退火算法。新算法保留了和声搜索的搜索机理,但对和声搜索中于和声记忆库外的搜索方法用超快速模拟退火算法作了改进,对和声记忆库内新解产生方法也作了相应的调整,从而提高了对多维问题的搜索效率。数值实验结果表明算法对和声搜索有明显的改进,收敛速度更快,跳出局部极值点的能力较强。新算法在解决多维多极值优化问题方面比遗传算法更具效率,值得进一步研究与推广应用。     

和声搜索算法研究进展

和声搜索算法是一种新兴的智能优化算法,通过反复调整记忆库中的解变量,使函数值随着迭代次数的增加不断收敛,从而来完成优化。算法概念简单、可调参数少、容易实现。研究了和声搜索算法的起源,基本思想;给出了和声搜索算法的步骤和基本流程,并分析了记忆库取值概率和微调概率对算法的影响。比较了和声搜索算法与遗传算法的差异,给出了和声搜索算法的应用前景和研究趋势。     

一种基于迭代局部搜索的和声搜索算法

为了改进原始和声搜索算法的全局搜索性能,提出了基于迭代局部搜索的和声搜索算法.该算法在充分利用和声记忆库中信息和提高搜索效率的同时,对于不满足停止准则的新和声采用基于改进kick策略移动的迭代局部搜索算法进行寻优,从而使新算法具有较强的"爬山"能力.针对4个benchmark函数对新算法做了测试,并与粒子群优化算法以及已有的几个算法进行了比较,结果表明该算法跳出局部极值点的能力较强、收敛速度更快、寻优精度较高;最后将新算法应用到焊接梁的优化设计问题中,仿真结果验证了该算法在求解焊接梁最小造价问题时优于原始的和声搜索算法、遗传算法等方法.     

基于全局和声搜索的模拟退火算法改进

本文针对传统的模拟退火算法存在收敛速度慢的问题,采用全局和声搜索算法对其进行了改进,即在保持模拟退火原有机制的基础上,使用一个函数随机产生模拟退火算法的初始解,采用全局和声搜索算法中产生候选解的方法产生新解。该方法的优点在于保留中间最优解并及时更新,从而既保证了优化质量又提高了算法的搜索效率。最后,采用benchmark测试函数进行仿真,仿真实验结果表明,该方法在收敛速度及优化质量上都优于传统的模拟退火及其它算法,值得进一步研究。     

改进的和声搜索算法在函数优化中的应用

针对函数优化问题,通过分析和声搜索算法的2个关键参数(和声微调概率与和声微调幅度)对算法搜索性能的影响,提出和声微调概率与和声微调幅度随搜索过程的进行而动态适应变化的方法,从而得到9种改进的和声搜索算法。仿真实验表明,所得方法具有较好的优化性能,计算结果优于M_IHS算法。     

基于离散和声搜索的云计算任务调度研究

云计算任务调度是云计算最重要的问题之一。为解决云计算调度问题,提出一种基于改进和声搜索的调度算法。该算法采用离散形式编码,以总的任务完成时间为优化目标,并对标准和声搜索算法中新和声产生方式进行了改进。最后,在Cloud Sim平台上进行了仿真实验。实验结果表明,新提出的算法具有较好的调度性能。     

基于BtW的和声搜索算法在BP网络优化中的应用

针对和声搜索算法参数影响其优化BP神经网络的性能问题,提出了一种可有效提高BP神经网络收敛速度和准确度的基于BtW参数动态变化的改进和声算法,同时用于BP网络优化。算法根据和声搜索参数的特点,采用以BtW为自变量的非线性函数变换方法,对微调概率PAR和微调幅度BW进行动态调整,利用改进的和声搜索算法对BP神经网络的连接权和偏置值进行优化。实验结果表明,该算法有效改善了和声搜索算法在BP神经网络优化中的性能,提高了BP网络的训练速度和预测的准确度。     

求解函数优化问题的反向自适应和声搜索算法

针对多维函数优化问题,提出2种新的反向自适应和声搜索算法。在自适应和声搜索算法的基础上,通过引入反向初始化操作,增强初始和声库的质量。设计一种反向自适应新和声搜索产生策略,加强算法的寻优能力。分别设计2种不同的和声微调概率的设置方式,并研究其对于算法收敛速度的影响。针对4个标准测试函数的仿真实验结果表明,与传统的和声搜索算法相比,2种算法的求解质量和收敛速度都有所提升。     

一种新的多目标改进和声搜索优化算法

针对标准和声搜索算法存在收敛不稳定及不能用于多目标优化问题的缺陷,通过引入交叉算子、自适应记忆内搜索概率和调节概率,改进了传统的和声搜索算法;根据Pareto支配关系,结合算法和声记忆库内信息完全共享的特性,提出了基于动态Pareto最优前沿的能够求解多目标优化问题的多目标改进和声搜索算法。通过几个典型函数的仿真测试表明,提出的算法能够高效稳定地收敛于Pareto最优前沿,获得分布均匀的Pareto解集。     

基于动态行为选择的和声搜索算法

和声搜索算法是一种模拟音乐即兴创作过程的元启发式搜索,已成功应用于解决许多实际问题.针对高维函数优化问题,提出一种基于动态行为选择的和声搜索算法.在算法中新和声的即兴创作有3种策略,迭代过程中通过计算每个策略的即时价值和综合价值选择和声的即兴创作策略,并通过个体即兴创作策略选择方法提升寻优速度或避免陷入局部最优解.将所...     

VARIANCE-BASED HARMONY SEARCH ALGORITHM FOR UNIMODAL AND MULTIMODAL OPTIMIZATION PROBLEMS WITH APPLICATION TO CLUSTERING

This article presents a novel variance-based harmony search algorithm (VHS) for solving optimization problems. VHS incorporates the concepts borrowed from the invasive weed optimization technique to improve the performance of the harmony search algorithm (HS). This eliminates the main problem of constant parameter setting in the algorithm proposed recently and named as explorative HS. It uses the variance of a current population as well as presents a solution vector to improvise the harmony memory. In addition, the dynamic pitch adjustment operator is used to avoid solution oscillation. The proposed algorithm is evaluated on 14 standard benchmark functions of various characteristics. The performance of the proposed algorithm is investigated and compared with classical HS, an improved version of HS, the global best HS, self-adaptive HS, explorative HS, and the recently proposed state-of-art gravitational search algorithm. Experimental results reveal that the proposed algorithm outperforms the above-mentioned approaches. The effects of scalability, noise, harmony memory size, and harmony memory consideration rate have also been investigated with the proposed algorithm. The proposed algorithm is then employed for a data clustering problem. Four real-life datasets selected from the UCI machine learning repository have been used. The results indicate that the VHS-based clustering outperforms the existing well-known clustering algorithms.     

新颖的全局和声搜索算法在经济性调度中的应用

提出采用新颖的全局和声搜索算法来解决经济调度问题,并设计了一种新颖的处理系统约束的方法;介绍了经济调度问题数学模型、新颖的全局和声搜索算法实现过程及其应用方法。实验结果表明,采用新颖的全局和声搜索算法所获得的最优值要明显好于采用进化算法、粒子群算法所获得的最优值,新颖的全局和声搜索算法为解决经济性调度问题提供了一种新的解决方案。     

多样性保持的和声搜索算法及其TSP求解

为了改善和声记忆库群体多样性, 提高算法的全局寻优能力, 在度量群体多样性指标的基础上, 从参数动态调整方法、和声记忆库更新策略两个方面对基本和声搜索算法进行了改进, 提出了多样性保持的和声搜索算法, 并将该算法应用于TSP的求解。结合TSP问题特点, 设计了基于交换和插入算子的和声微调方法。实例优化结果表明, 改进后的算法不容易陷入局部最优, 优化性能显著提高。     

改进的多目标和声搜索算法

针对和声搜索算法不能很好求解多目标优化问题的缺陷,引入邻域搜索算子,对和声记忆库内搜索到的分量进行扰动,对和声记忆库外进行Pareto邻域搜索,实现群体间信息交换,提高算法的全局搜索能力。数值实验选取4个常用测试函数并与NSGA-II、SPEA2、MOPSO 3个多目标算法进行比较,测试结果验证了改进算法的有效性。     

和声搜索-分布估计混合算法求解多目标优化问题

针对和声搜索算法不能很好地求解多目标优化问题的缺陷,提出一种多目标和声搜索—分布估计混合算法(MHS-EDA)。该算法一方面利用分布估计的采样操作对和声记忆库内进行搜索,拓宽了和声记忆库内空间;另一方面对和声记忆库外进行外部档案搜索,实现群体间信息交换,从而提高了多目标和声算法的全局搜索能力。数值实验选取六个常用测试函数,并与多目标遗传算法、多目标分布估计算法、多目标和声搜索算法进行比较,测试结果表明提出的混合算法能够有效地解决多目标优化问题。     

改进和声搜索算法的英语考试智能组卷策略

为提升英语考试智能组卷成功率和组卷质量,提出基于改进和声搜索算法的英语考试智能组卷策略.首先建立英语考试智能组卷的目标优化函数,然后采用和声搜索算法对英语考试智能组卷的目标优化函数进行求解,并针对采用声搜索算法的不足进行相应的改进,最后进行了与英语考试智能组卷的应用实例分析.结果表明,改进和声搜索算法的英语考试智能组卷成功率高,而且组卷质量好,同时获得比其它英语考试智能组卷策略更优的结果,具有明显的优越性.     

一类用于连续域寻优的蚁群算法

由真实蚁群觅食行为启发而来的经典蚁群算法,非常适合解决组合优化问题,但经典蚁群算法的离散性本质也限制了其在连续空间问题求解中的应用。为此,提出了一种用于连续域寻优的改进蚁群算法。局部搜索上基于解决离散域问题的经典蚁群优化思想,全局搜索利用类似于遗传算法的交叉、变异操作-称为Ant Diffusion和Ant Walk方法,每代寻优结束后均采用"精英策略"把本代最优个体保留到下一代中。最后,采用改进算法对几个基准函数做了寻优测试,都取得了良好的效果,证明了算法的有效性。