基于时变Sigmoid 函数的鲁棒PSO 算法

在样本规模有限的情况下, 为了提高算法的鲁棒优化性能, 提出一种基于时变(随迭代次数变化) Sigmoid 函数的鲁棒粒子群优化算法. 采用拟蒙特卡罗积分方法近似估计有效目标函数, 以时变Sigmoid 函数为基础, 设计各代各样本规模的选取概率. 迭代前期, 样本规模期望值较小, 加快了算法探索速度; 迭代后期, 样本规模期望值较大, 提高了算法的开发精度. 标准测试函数仿真结果显示, 所提出方法具有较优的鲁棒优化性能.

     

离散非线性系统的迭代学习轨迹跟踪鲁棒算法优化及应用

针对一类存在随机输入状态扰动、输出扰动及系统初值与给定期望值不严格一致的离散非线性重复系统,提出了一种P型开闭环鲁棒迭代学习轨迹跟踪控制算法．基于λ范数理论证明了算法的严格鲁棒稳定性,并通过多目标函数性能指标优化P型开闭环迭代学习控制律的增益矩阵参数,保证了优化算法下系统输出期望轨迹跟踪误差的单调收敛性,达到提高学习算法收敛速度和跟踪精度的目的．最后应用于二维运动移动机器人的实例仿真,验证了本文算法的可行性和有效性．     

基于鲁棒优化理论的电梯群控调度策略

论文针对不确定线性优化问题,研究其不确定集的选择,初始不确定鲁棒优化模型的建立,以及基于该模型的鲁棒对等式转化问题.然后将鲁棒优化建模方法应用于电梯群控调度问题,建立其鲁棒优化模型,解决了交通流不确定性的影响,从而使调度结果更为合理.结合电梯群控虚拟仿真环境,设计了电梯群控鲁棒优化调度算法,并进行仿真验证.通过与其他调度算法的比较,证明了鲁棒优化调度算法在不同交通流F均具有优良的性能和适应能力.实验表明,鲁棒优化调度方法可以解决交通流预测误差的影响,很好地改善电梯群控调度性能.     

基于网络模体的轻量级物联网拓扑优化策略研究

随着第五代通信网络技术(5G)的发展,智慧城市中物联网(Internet of Things,IoT)的应用规模和多样性呈现出爆炸式增长.海量的智能传感设备组网给高动态的物联网通信服务质量带来了巨大的威胁.部分关键设备节点的失效以及网络攻击易引发物联网的链锁崩塌效应,影响网络应用的服务质量.因此,如何优化大规模物联网拓扑的鲁棒能力成为当下的研究挑战.目前,针对物联网拓扑结构的优化问题,研究者们提出了启发式算法、智能学习机制和多目标优化策略等创新方法提高物联网拓扑结构的鲁棒能力.但是,这些方法需牺牲巨大的计算资源来获得不成比例的鲁棒性能增益,网络规模越大,该现象越明显.为了解决这个问题并平衡计算开销和提升鲁棒性能,本文提出了一种基于网络模体(Motif)的轻量级物联网拓扑优化策略LITOS.首先利用物联网拓扑结构的社区属性,设计一种基于网络模体的异步社区发现算法,将大规模复杂拓扑结构分解为轻量级局部网络拓扑.然后,基于CPU多核心的计算资源,设计深度强化学习机制,异步优化轻量级物联网局部拓扑结构,从而降低网络整体优化运行时间,提高拓扑结构鲁棒能力.在实验方面,与其他先进的优化算法相比,该...     

基于鲁棒迭代优化的图像拼接算法

针对保持直线边缘不畸变和改善拼接区域精度的需要,提出了一种基于鲁棒迭代优化的图像拼接算法。采用SIFT特征匹配算法提取不变特征,依据RANSAC鲁棒算法估计单应性矩阵获取精确内点匹配点对,参照内点匹配点对作为参数,利用最小二乘法重新估计单应性矩阵,最终通过鲁棒迭代优化重新计算更多内点直至内点收敛。实验结果表明,所提出的算法使得直线边缘维持直线化,同时拼接精度得到提高。     

不确定条件下控制分配问题的鲁棒优化方法

针对具有冗余执行机构的过驱动系统, 在考虑控制效率不确定性的条件下, 提出了一种基于鲁棒优化理论的控制分配算法. 研究了原始不确定鲁棒优化模型的建立和基于椭球不确定集的鲁棒对等式的转化问题, 并推广到可由锥二次不等式表示的不确定集的情况. 讨论了鲁棒优化控制分配算法的求解方法及其计算复杂度. 最后, 针对多操纵面飞机的最优控制分配问题与传统算法进行了仿真比较, 结果表明鲁棒优化算法能有效降低控制效率不确定性的影响, 使分配结果更为合理, 从而具有更好的鲁棒性, 同时能有效提高操纵面故障情况下闭环系统的控制重构能力, 很好地改善了飞控系统的性能.     

加工时间不确定的炼钢-连铸鲁棒优化调度方法

炼钢-连铸生产存在着复杂的物理和化学变化,加工时间在实际生产中呈现出较强的波动性,基于标准加工时间建立的调度方案难以满足实际生产需求.针对加工时间不确定的炼钢-连铸调度问题,采用鲁棒优化方法,构造“盒子+多面体”型不确定集处理加工时间信息,建立以总等待时间最小为目标的炼钢-连铸鲁棒优化调度模型.针对模型中存在两种不同类型决策变量的情况,即离散型的指派变量和连续型的鲁棒对等转换变量,结合两类变量特征提出一种混合编码遗传算法,并针对染色体的混合编码特征提出并行进化策略.算法中引入精英策略和自适应的调节参数方法,以提高搜索能力.最后基于不同规模的实际生产数据进行仿真实验,验证了鲁棒优化调度模型和算法的有效性.     

基于群智能求解带约束问题的时域鲁棒优化算法

针对现有的时域鲁棒优化算法无法解决带约束的优化问题,基于群智能优化方法,提出一种求解带约束优化问题的时域鲁棒优化算法.首先,用约束条件构造罚函数,将带约束优化问题处理成为无约束优化问题;然后,采用一个分段函数作为粒子的适应度评价函数,通过竞争规则筛选粒子,设计带约束问题的时域鲁棒优化算法.以优化碳纤维原丝的性能为背景,将算法在多组参数下进行测试和对比分析,结果表明了所提出算法的有效性.进一步分析AR模型对算法性能的影响,指出预测模型的改进是提升算法性能的一个重要手段.     

应急物流车辆调度多目标鲁棒优化研究

针对应急物流车辆调度问题中对于经济性、时效性、可靠性和鲁棒性的多种要求，考虑了含有时间窗、不确定需求、不确定行驶时间，以及路段含有失效风险的多目标鲁棒车辆路径优化问题，通过定义新的成本函数、满意度函数、风险度函数和鲁棒度函数作为四个优化目标来构建模型，并基于鲁棒优化理论将不确定模型转化为确定性鲁棒对应模型求解，为解决不确定环境下优化问题提供了新的思路。算法方面，主要基于SPEA2算法框架求解该多目标模型，针对算法缺陷提出多种改进策略，并通过对比实验证明了改进策略的有效性。     

邻域自适应粒子群算法求解地源热泵区域 能源系统鲁棒优化调度问题

针对地源热泵区域能源系统中冷热负荷和机组效能的不确定性, 本文提出了一种考虑双重不确定性的鲁棒优化调度方法. 首先, 基于多面体不确定模型描述调度模型中的鲁棒变量. 然后, 针对建筑冷热负荷不确定性, 采用对偶原理将双层优化模型等价为单层优化模型; 对于机组效能不确定性, 采用场景法进行分析. 最后, 采用多目标优化约束处理方法处理鲁棒优化调度模型中的约束条件. 同时, 为更加高效、准确求解所构建的优化调度模型, 提出了一种邻域自适应粒子群优化算法(NAPSO). 实验结果表明, 在制冷和制热工况下, 与经验运行策略相比, 本文所提方法可分别减少7.22%和5.55%的系统运行成本, 是一种解决地源热泵区域能源系统鲁棒优化调度的有效方法.     

MOPSO算法及其在水库优化调度中的应用

提出了一种新的多目标粒子群优化(MOPSO)算法，该算法采用自适应网格方法来估计非劣解集中粒子的密度信息、平衡全局和局部搜索能力的Pareto最优解的搜索机制、删除品质差的多余粒子的Archive集的修剪技术。通过对三峡梯级多目标优化调度问题的计算，表明该算法是求解大规模复杂多目标优化问题的一种有效手段。     

基于Hénon映射的自适应克隆选择优化算法

免疫算法与遗传算法都存在的不成熟收敛问题。混沌优化方法是近年出现一种新的优化技术,通常使用Logistic或Tent映射产生混沌序列进行搜索,Logistic映射产生的混沌序列的概率密度函数切比雪夫型分布,当最优值落在[0,1]的中间位置时,这种分布特性会影响全局搜索能力和效率。而Tent映射也存在迭代易落入小周期循环的问题。针对免疫算法和混沌优化算法中存在的缺陷,该文用变尺度的搜索策略,提出了一种基于Hénon映射的自适应克隆选择的优化算法,数值仿真结果表明,该文提出的算法提高了局部搜索的能力及其计算效率,算法可行有效。     

求解异构并行系统任务分配的混合离散粒子群算法

针对异构并行任务分配的最小完成时间和负载均衡组合优化问题,提出一种混合离散微粒群算法,将启发式Sufferage算法引入离散微粒群算法（DPSO）中,改进DPSO算法中的位置速度关系模型,提高DPSO算法的搜索效率和精度．通过实验验证,从算法效率和收敛速度上均优于DPSO算法和GA算法,且负载均衡度较好．     

带佳点交叉算子的非均匀窗口蚁群算法

基本蚁群算法具有较强的鲁棒性,但收敛慢并容易陷入局部最优。针对这些缺陷,通过将蚂蚁的搜索空间缩减在非均匀的小窗口中,减少了蚂蚁的搜索时间。并将佳点集遗传算子引入到解的优化中来,提出了带佳点杂交算子的非均匀窗口蚁群算法,从本质上探索蚁群算法的寻优能力。实验结果表明:新提出的算法明显快于基本蚁群算法,佳点集杂交算子对解的优化有较好的作用。但需要继续探索避免陷入局部最优的方法,以及算法各部分所采用的方法的平衡问题。     

多目标粒子群算法在混装线再平衡中的应用

企业对产品进行创新改进,带来装配线上装配任务的变化,从而造成已平衡装配线的失衡。针对上述变化给企业混流装配线带来的影响进行了研究,以最小化生产节拍,工作站间的负荷,和工人完成新装配任务的调整成本为优化目标去建立混装线再平衡的数学模型。并设计了一种新的多目标粒子群算法求解模型,算法中引入各粒子动态密集距离去筛选外部文档的非劣解和指导全局最优值的更新,在控制解的容量同时保持Pareto解集分布均匀。此外,引入变异机制,提高了种群的全局搜索能力。最后,结合具体实例的验证表明,该改进多目标粒子群算法能有效地解决混装线再平衡问题。     

带佳点交叉算子的非均匀窗口蚁群算法

基本蚁群算法具有较强的鲁棒性，但收敛慢并容易陷入局部最优。针对这些缺陷，通过将蚂蚁的搜索空间缩减在非均匀的小窗口中，减少了蚂蚁的搜索时间。并将佳点集遗传算子引入到解的优化中来，提出了带佳点杂交算子的非均匀窗口蚁群算法，从本质上探索蚁群算法的寻优能力。实验结果表明：新提出的算法明显快于基本蚁群算法，佳点集杂交算子对解的优化有较好的作用。但需要继续探索避免陷入局部最优的方法，以及算法各部分所采用的方法的平衡问题。     

增广La}ran}e函数优化算法在稀疏信号重构问题中的应用

针对稀疏信号恢复的LP优化模型(O相似文献   

基于混沌粒子群优化的新型VRP求解算法

标准粒子群优化算法(PSO)容易陷入局部最优,且精度较低、收敛速度慢,难以满足求解VRP的需求。本文提出了一种适用于求解VRP模型的新型混沌粒子群优化算法(CPSO)。该算法引入混沌序列,利用混沌对粒子的初始位置进行初始化,提高了样本的质量,并且对当前粒子附加混沌扰动,促使其跳出局部最优,提高了全局搜索能力,有利于在全局范围内寻找到最优值。实验结果表明,本文算法的收敛速度、精度及稳定性高于PSO算法,是一种有效的VRP求解算法.     

基于混沌序列的多峰函数微粒群寻优算法

基于混沌序列的多峰函数微粒群寻优算法的目标就是找到多峰函数的所有局部优化峰值。在分析微粒群优化算法中各个参数对微粒运动影响的基础上,对微粒群算法进行改造,让微粒运动从初始位置沿优化函数曲线向优化峰值方向爬行,直至找到所在区域的局部优化峰值;要想求得尽可能多的局部优化峰值,就要求微粒群中微粒的初始位置分布具有随机性和遍历性,为此采用混沌序列设置微粒初始位置;为使每一个局部最优值点都可能有微粒群中的微粒经过,采用变步长的迭代计算;为防止优化函数曲线的某些局部峰附近没有微粒分布,从而漏掉该局部峰值,对计算进行重复,直至两轮求得的优化函数的局部峰值之差小于给定阈值。仿真结果表明,该算法具有很好的局部寻优特性,计算过程简捷,寻优效果良好,可有效地应用于多峰函数的局部寻优并求取全局最优值。