一种新的分阶段进化的粒子群优化算法

针对粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的不足,提出一种新的分阶段进化的粒子群优化算法。该方法进化过程分为两个阶段,每个阶段对应一个不同的模型,通过结合这两种模型的各自优点有效地降低群体陷入局部最优。仿真实验结果表明,对于复杂多极值函数优化问题,本文算法比标准粒子群算法的寻优能力更强。     

组织进化粒子群数值优化算法

为充分利用粒子的通讯、响应、协作和自学习能力等特性,克服算法早熟收敛,本文提出一种组织进化粒子群算法.该算法将进化操作直接作用在组织上,通过组织间的相互竞争、协作,最终达到全局优化的目的,且证明算法的全局收敛性.实验中,用12个无约束标准测试函数对算法性能进行测试,与其它算法进行比较,并对算法中的参数进行分析.结果表明,本文算法无论在解的质量上还是在计算复杂度上都明显优于其它算法.参数分析表明该算法具有性能稳定、成功率高、对参数不敏感等优良特性.     

多策略协同进化粒子群优化算法

为了提高粒子群优化(PSO)算法的优化性能, 提出了一种多策略协同进化PSO(MSCPSO)算法。该方法引入了多策略进化模式和多子群协同进化机制, 将整个种群划分为多个子群, 每个子群中的粒子按照不同的进化策略产生新的粒子。子群周期性地更新共享信息, 以加快算法的收敛速度。通过六个基准函数实验, 仿真结果表明, 新算法在计算精度和收敛速度方面均优于其他七种PSO算法。     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

新的进化计算算法——粒子群优化算法

Particle Swarm Optimization (PSO),rooting from simulation of swarm of bird, is a new branch of Evolution Algorithms based on Swarm Intelligence.Concept of PSO,which can be described with only several lines of codes,is more easily understood and realized than some other optimization algorithms.PSO has been successfully applied to much engineering.Firstly,this paper depicts natural explanation about PSO,secondly,introduces its basic theory and several development versions of PSO,and presents some applications of PSO.At last,a brief conclusion and further research direction are given.     

粒子群分形进化算法

在传统粒子群优化(PSO)算法的基础上,提出粒子群分形进化算法(FEPSO).FEPSO利用分形布朗运动模型中的无规则运动特性模拟优化目标函数未知特性,隐含的趋势变化模拟优化目标函数极值变化的总趋势,从而克服个体过于随机进化和早熟的现象.与传统的PSO算法相比,文中算法中每个粒子包含分形进化阶段.在分形进化阶段,粒子在解的子空间以不同的分形参数进行分形布朗运动方式搜索解空间,并对其分量进行更新.仿真实验结果表明,该算法对大部分标准复合测试函数都具有较强的全局搜索能力,其性能超过国际上最近提出的基于PSO的改进算法.     

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA).该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索.在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛.通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点.     

信息熵协进化粒子群算法

针对基本粒子群算法具有搜索初期收敛速度慢,后期易陷入局部极值点的缺陷,引入信息熵衡量粒子群体的适应度值,结合模拟退火算法,提出一种基于信息熵混合协进化粒子群算法,增强了算法的自适应能力。通过4个标准函数对提出的算法进行了测试,仿真结果表明,算法是有效和可行的,且比基本粒子群算法的计算精度高。     

全信息差异进化粒子群优化算法

针对种群多样性对粒子群算法的性能影响,提出了一种基于差异进化思想的粒子群算法。该算法采用多生态子群社会结构,利用一种新的全信息粒子作为信息交互的渠道,通过进化过程中的种群衰落监控指导子群间的差异融合,有利于优秀个体的产生,增加粒子间的差异性,提高种群整体品质和算法的收敛性能。最后对八个测试函数进行实验仿真,并与六个改进粒子群算法进行多方面对比。实验结果表明,该算法有效地保持了种群的多样性,在保证收敛速度的同时大幅提高了算法的收敛精度,从理论和实验仿真两个方面证明了算法有很强的全局搜索能力。     

基于粒子群优化算法的室内定位方法

为了减小无线传感器网络节点的定位误差,将粒子群优化算法应用于定位中,与以往的适应度函数来源不同,为解决误差累积问题,在最小二乘原理基础上采用加权系数,确定适应度函数的表达式。在粒子群优化算法中引入三种不同的参数组合观察不同的参数对迭代次数以及定位精度的影响,然后通过两种不同的适应度函数对定位误差进行比较。实验结果表明,合适的参数选择能降低算法的复杂度,新的适应度函数更能减小定位误差。     

基于进化算法的多目标优化方法

进化算法在解决多目标优化问题中有其特有的优势.首先对多目标优化问题进行了描述;然后结合研究现状讨论了目前几种主要的基于进化算法的多目标优化方法,以及它们的优缺点;最后给出了多目标进化优化算法的一些应用,以及进化多目标优化算法的未来发展方向.     

进化迁移优化算法综述

进化算法是模拟自然界生物进化的启发式算法,具有良好的搜索能力和灵活性且广泛用于复杂优化问题的求解,但在求解过程中默认问题先验知识为零,然而由于问题很少孤立存在,解决单一任务积累的经验可迁移至其他相关任务。进化迁移优化算法利用相关领域的知识学习和迁移,实现了更好的优化效率和性能。介绍进化迁移优化算法的基本分类,从源任务选择、知识迁移、缩小搜索空间差异、进化算法搜索、进化资源分配等5个角度出发对主流进化迁移优化算法的核心策略和优劣势进行梳理和分析。通过中国知网和WOS平台对2014年至2021年的进化迁移优化相关文献进行检索,运用知识图谱进行数据挖掘、信息处理、知识计量和图形绘制,根据进化迁移优化的发展趋势和经验分析总结了其面临的主要挑战和未来研究方向。     

利用BP-NN算法的机器人臂重力补偿研究

利用反向传播神经网络(BP-NN)学习算法,对机器人臂的重力补偿进行了研究。给出了机器人臂各关节扭矩的重力项理论计算公式及其连杆参数识别方法,同时,对BP-NN算法进行了详细分析,利用BP-NN来处理机器人臂重力项并进行试验。试验结果表明,采用该学习算法得到的机器人臂重力项输出值和实测值基本一致,能有效减少机器人臂重力项计算量,达到实时控制的目的。     

基于相似历史信息迁移学习的进化优化框架

现有进化算法大都从问题的零初始信息开始搜索最优解, 没有利用先前解决相似问题时获得的历史信息, 在一定程度上浪费了计算资源.将迁移学习的思想扩展到进化优化领域, 本文研究一种基于相似历史信息迁移学习的进化优化框架.从已解决问题的模型库中找到与新问题匹配的历史问题, 将历史问题对应的知识迁移到新问题的求解过程中, 以提高种群的搜索效率.首先, 定义一种基于多分布估计的最大均值差异指标, 用来评价新问题与历史模型之间的匹配程度; 接着, 将相匹配的历史问题的知识迁移到新问题中, 给出一种基于模型匹配程度的进化种群初始化策略, 以加快算法的搜索速度; 然后, 给出一种基于迭代聚类的代表个体保存策略, 保留求解过程中产生的优势信息, 用于更新历史模型库; 最后, 将自适应骨干粒子群优化算法嵌入到所提框架, 给出一种基于相似历史信息迁移学习的骨干粒子群优化算法.针对多个改进的典型测试函数, 实验结果表明, 所提迁移策略可以加速粒子群的搜索过程, 显著提高算法的收敛速度和搜索效率.     

多目标优化与自适应惩罚的混合约束优化进化算法

提出一种多目标优化与自适应惩罚函数相结合的方法来处理约束优化问题.首先利用多目标优化方法提取当前群体中的主要信息;然后进一步用自适应惩罚函数选出最有价值的信息.将这种约束处理技术与一种基于群的算法生成器模型相结合,即可得到一种新的约束优化进化算法.选取10个标准测试函数对新算法的性能进行数值实验,结果表明了所提出方法的有效性和较强的稳健性,与其他尖端算法相比得到了相似或更优的结果.     

CAN-RS232转换器在实时操作系统RT-Thread上的实现

控制器局域网(CAN)通信的主要功能是实现其节点设备和上位机之间数据信息和控制信息的交互,CAN与PC机RS-232网络间的协议转换需要用转换器来完成.介绍了基于LPC1768处理器与RT-Thread系统的转换器的实现过程,完成了CAN与RS-232网路间的无缝通信.实践证明,此方案对CAN组网应用具有实际意义.     

基于(μ+1)演化策略的多目标优化算法

使用(μ 1)演化策略求解多目标优化问题，利用群体中个体间的距离定义拥挤密度函数以衡量群体中个体的密集程度，个体适应值定义为个体的Pareto强度值和拥挤密度值之和。通过对测试函数的实验，验证了算法的可行性和有效性，该算法具有简单、稳健等特点。     

基于进化规划算法的IIR数字滤波器优化设计

采用进化规划算法进行IIR数字滤波器的优化设计。进化规划算法是一种模拟自然选择和变异机制的随机并行优化算法。本文首先描述了进化规划算法,并将进化规划算法用于IIR数字滤波器优化设计,模拟计算结果表明本算法具有良好的优化效果。     

Evolutionary Optimization Methods for High-Dimensional Expensive Problems: A Survey

Evolutionary computation is a rapidly evolving field and the related algorithms have been successfully used to solve various real-world optimization problems. The past decade has also witnessed their fast progress to solve a class of challenging optimization problems called high-dimensional expensive problems (HEPs). The evaluation of their objective fitness requires expensive resource due to their use of time-consuming physical experiments or computer simulations. Moreover, it is hard to traverse the huge search space within reasonable resource as problem dimension increases. Traditional evolutionary algorithms (EAs) tend to fail to solve HEPs competently because they need to conduct many such expensive evaluations before achieving satisfactory results. To reduce such evaluations, many novel surrogate-assisted algorithms emerge to cope with HEPs in recent years. Yet there lacks a thorough review of the state of the art in this specific and important area. This paper provides a comprehensive survey of these evolutionary algorithms for HEPs. We start with a brief introduction to the research status and the basic concepts of HEPs. Then, we present surrogate-assisted evolutionary algorithms for HEPs from four main aspects. We also give comparative results of some representative algorithms and application examples. Finally, we indicate open challenges and several promising directions to advance the progress in evolutionary optimization algorithms for HEPs.

     

基于多父体杂交的多目标演化优化算法

多目标优化问题是演化计算领域的一个新热点。提出了一种求解Pareto最优解集的新算法,它既能较快地收敛,又能有效保持种群的多样性。新算法引入了“约束占优”的概念;采用多父体杂交算子(一种多父体非凸线性组合算子),最小淘汰压力策略(每次只淘汰群体中的一个最差个体),以及适应值共享的niche技术,这样既保证了近似解集对Pareto前沿的逼近,又保持了解集分布的均匀性。对一些代表性的BenchMark问题(包括凸的与非凸的、连续的与间断的、带约束的与不带约束的各种问题)数值试验都取得了很好的结果。