一个通用的混合非线性规划问题的演化算法

提出了一种新的求解非线性规划问题的演化算法，它是在郭涛算法的基础上提出的，新算法的主要特点是引入了变维子空间，加入了子空间搜索过程和规范化约束条件以及增加了处理带等式约束的实数规划，整数规划，0－1规划和混合整数规划问题的功能，使之成为一种求解非线性规划（NLP）问题的通用算法，数值实验表明，新算法不仅是一种通用的算法，而且与已有算法的计算结果相比，其解的精确度也最好。     

用粒子群优化改进算法求解混合整数非线性规划问题

针对混合整数非线性规划(MINLP)问题，改进了粒子群优化算法(PSO)，提出了一种粒子迁移策略，改进了粒子速度更新策略，使之成为一种解决MINLP问题的新算法．实验表明，新算法精确度好、收敛快．     

基于改进果蝇算法求解混合整数非线性规划问题

在科学及工程系统设计中存在许多混合整数非线性规划MINLP(Mixed-Integer Non Linear Programming)问题,该类问题变量类型丰富且约束条件较多,难以求解,为此提出一种改进果蝇算法。该算法对不同类型变量的更新采取不同的策略,并采用周期性的步长函数指导果蝇的寻优,使其避免陷入局部最优。并通过与另外两种常用的算法在稳定性、收敛速度等方面进行了比较,实验结果表明该改进的果蝇算法效果较优,能有效地解决MINLP问题。     

混沌遗传算法用于求解混合整数规划问题

针对遗传算法的早熟收敛问题,提出了一种混沌遗传算法（CGA）用于解决混合整数规划问题（MIPP）。该算法的基本思想是把混沌变量加载于初始个体的混沌生成和最优个体的混沌搜索过程中。研究结果表明：混沌遗传算法能够有效地解决混合整数规划问题,改善了遗传算法的早熟问题。该算法效果显著,明显提高了解决混合整数规划问题的计算效率,在收敛速度、解的精度和稳定性方面也都优于遗传算法。     

求解混合整数非线性规划问题的改进差分进化算法

针对混合整数非线性规划问题的特点,在差分进化算法的变异操作中加入取整运算,提出了一种适合于求解各种混合整数非线性规划问题的改进差分进化算法.同时,采用时变交叉概率因子的方法以提高算法的全局搜索能力和收敛速率.用四个典型测试函数进行了实验研究,实验结果表明,改进的差分进化算法用于求解混合整数非线性规划问题时收敛速度快,精度高,鲁棒性强.     

和声蚁群耦合算法求解整数规划的应用研究

针对于求解一般的整数规划问题,提出了和声蚁群耦合算法。采用和声搜索更新种群策略和个体扰动策略改善了蚁群算法过早收敛的问题,同时采用蚁群算法对寻优路径信息素的正反馈来加快和声搜索收敛于最优路径。实验结果表明,相比于蚁群算法和和声搜索算法,新算法大大提高了一般整数规划问题的搜索效率。     

基于金字塔结构的群智能演化策略求解混合整数规划问题

混合整数非线性规划问题（mixed-integer nonlinear programming,MINLP） 广泛应用于科学及工程系统设计,传统的群智能算法在求解混合整数规划问题时,未能很好地解决种群内部个体或者种群之间开采与探索、竞争与协作的矛盾。为了解决这两个矛盾及更高效率地寻优,提出一种基于金字塔结构的群智能演化策略（swarm intelligent evolution strategy based on pyramid structure）的PES算法来求解混合整数规划问题。PES算法中明确的分工机制能够平衡全局与局部搜索的能力,晋升机制解决了种群间竞争与协作的矛盾。利用标准测试函数进行仿真,对比改进的粒子群算法（CLSPSO、CLSPSO2）及改进的差分进化算法（ridDE、ridDE2）的结果,发现PES算法在成功率与精度方面具有优势,也体现了PES算法的有效性。     

含离散和连续混合决策变量最优潮流求解方法综述

最优潮流问题是一个含有连续变量和离散变量的非凸的、大规模的非线性规划问题,是混合整数非线性规划问题（MINLP）.它属于NP-hard问题,精确求解非常困难.本文对含离散和连续混合决策变量最优潮流问题的求解算法进行了分类和总结.介绍了各种求解技术的原理和具体做法,并从算法的收敛性、准确性、快速性等角度对它们进行了评价,指出了它们各自的优缺点及应用价值.     

基于禁忌搜索遗传混合算法的装配线平衡

针对装配线平衡问题(ALBP),文中提出了一种禁忌搜索遗传混合算法.在混合算法中,遗传算法部分采用特殊的遗传变异操作算子(双点交叉和移位插入变异),使算法只在可行作业序列子空间中进行搜索,有效减小了搜索范围,提高了算法运行效率;禁忌搜索部分是在每代遗传操作完成以后,随机选择一些个体进行禁忌搜索操作,来增强算法的搜索能力.最后以经典问题的求解验证了禁忌搜索遗传算法在收敛性能和计算效率上较使用单纯的遗传算法高.     

基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法

针对蝴蝶优化算法（BOA）收敛速度较慢和过早收敛到局部解的问题,提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法（HSSBOA）。首先,将樽海鞘群算法（SSA）引入BOA中,使算法快速处理局部搜索阶段,并更新种群位置,从而更有效地完成寻优过程,避免算法陷入局部最优;然后,引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索,从而提高算法的精度;最后,引入动态切换概率以改善搜索中全局与局部的比重,从而加快算法的搜索速度。选取10个标准检测函数进行测试,将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差（MAE）五个方面进行对比分析。研究结果表明,相较于其他算法,HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法,在求解有约束的复杂问题时,HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势,并且能够求解复杂的现实问题。     

一种具有混合编码的二进制差分演化算法

差分演化(DE)是Storn和Price于1997年提出的一种基于个体差异重组思想的演化算法,非常适用于求解连续域上的最优化问题.首先引入"差异算子"等概念,给出DE的一种简洁算法描述,并分析了它所具有的特性.然后,为了使DE能够求解离散域上的最优化问题,基于数学变换思想引入"辅助搜索空间"和"个体混合编码"等概念,通过定义一个特殊的满射变换,在辅助搜索空间的作用下将连续域上的高效差分演化搜索变换为离散域上的同步演化搜索,由此提出了第1个二进制差分演化算法:具有混合编码的二进制差分演化算法(HBDE).接着,给出了HBDE的依概率收敛和完全收敛的定义,并利用离散Markov随机理论证明了HBDE是完全收敛的. HBDE不仅完全具有DE的各种特性和所有优点,而且非常适用于求解离散域上的最优化问题,对随机生成的大规模3-SAT问题实例和典型0/1背包问题实例的数值计算表明:该算法具有很好的全局收敛性和稳定性,其性能远远超过二进制粒子群优化算法和遗传算法.     

学习驱动的分布式异构混合流水车间批量流能效调度优化

本文研究了分布式异构混合流水车间批量流能效调度问题, 其中每个工厂的加工效率不同, 工件可以分割成若干子批进入加工系统. 以最大完成时间和总能耗为优化目标, 建立了混合整数规划模型. 本文提出了一种学习驱动的多目标进化算法, 包括学习驱动的全局搜索和局部搜索. 引入Q学习作为学习引擎, 以种群和非支配解集的评价作为环境反馈信号, 通过不断的学习来动态指导搜索操作的选择; 基于问题特征, 设计了算法的状态集、动作集和奖励机制. Q学习的引入能够及时感知当前搜索的状态, 减少搜索操作的盲目性, 提高搜索的效率. 通过对仿真数据集的测试, 表明所提出算法能够有效地求解分布式异构混合流水车间批量流能效调度问题.     

改进的微粒群优化算法在过程综合中的应用

针对过程综合中的混合整数非线性规划(Mixed Integer Non-Linear Programming，MINLP)问题，利用改进的微粒群优化(Particle Swarm Optimization，PSO)算法对其进行求解。在基本的PSO算法的基础上，通过利用罚函数和引入sigmoid函数把PSO算法应用到MINLP问题的求解中，利用两个测试函数和一个过程综合的实例对其进行了测试并与其它算法所得的结果进行了比较，结果表明，PSO算法在使用的普遍性、求解的准确性方面都优于一般的算法，是一种有效的求解MINLP问题的方法。     

一种求解混合整数规划的混合进化算法

提出一种基于正交试验设计的混合进化算法,用于求解混合整数规划问题.进化算法中采用一种混合启发式的变异算子,将正交试验设计作为杂交算子.为了增加种群的多样性,引入一种迁移算子.仿真实验结果表明,与已有的一些算法相比,所提出的求解混合整数规划的混合进化算法能快速收敛到问题的最优解,并且算法的计算量小,解的精度高.     

基于对称破坏的子图同构约束求解算法

为避免子图同构问题求解中重复解的产生,提高子图同构问题的约束求解效率,提出一种基于对称破坏的子图同构约束求解算法。基于解的对称破坏思想,改进自同构检测过程,通过置换群操作生成对称破坏字典序约束,构建子图同构问题的一种约束满足问题(CSP)模型,结合CSP的回溯算法对其求解。实验结果表明,该算法有效减少了对重复解的搜索,与传统算法相比明显提高了搜索效率。     

基于混合变异策略的改进差分进化算法及函数优化

针对差分进化算法DE 传统变异策略不能有效平衡全局搜索和局部搜索,并且算 子固定,导致算法早收敛、搜索效率较低。基于DE 变异策略性能,提出一种混合变异策略, 力图平衡算法探索和开发能力,使得前期增强全局搜索,保持种群多样性; 后期偏重局部搜 索,尽快收敛到全局最优值。同时操作算子采用随机正态缩放因子F 和时变交叉概率因子CＲ, 进一步改善算法性能。几个典型Benchmarks 测试函数实验表明: 该改进型差分进化算法能有 效避免早收敛,较好地提高算法的全局收敛能力和搜索效率。     

基于混合信息的粒子群优化算法

针对非线性优化问题讨论一种基于混合信息的粒子群优化算法,该算法考虑了最优个体和最差个体获取信息,结合自适应变异算子确定下一步搜索方向。自适应变异依据适应值大小调整速度惯性因子、改变搜索方向。仿真实验结果表明,新的算法收敛,具有很高的搜索效率和求解精度。     

基于禁忌搜索遗传混合算法的装配线平衡

针对装配线平衡问题（ALBP）,文中提出了一种禁忌搜索遗传混合算法。在混合算法中,遗传算法部分采用特殊的遗传变异操作算子（双点交叉和移位插入变异）,使算法只在可行作业序列子空间中进行搜索,有效减小了搜索范围,提高了算法运行效率;禁忌搜索部分是在每代遗传操作完成以后,随机选择一些个体进行禁忌搜索操作,来增强算法的搜索能力。最后以经典问题的求解验证了禁忌搜索遗传算法在收敛性能和计算效率上较使用单纯的遗传算法高。     

多车型开放式车辆路线问题的混合启发式算法

多车型开放式车辆路线问题,是物流配送优化中不可缺少的环节。针对标准遗传算法存在收敛速度慢,局部搜索能力差,易早熟的缺点,采用混合启发式算法进行优化求解。采用实数序列编码,使问题变得更简洁;有针对性地构建初始解,提高了解的可行性;用基于排序的选择与最佳保留相结合策略,保证群体的多样性;引入部分算术交叉算子,加强染色体的全局搜索能力;利用模拟退火算法的Boltzmann机制,控制遗传算法的交叉、变异操作,提高了算法的收敛速度和搜索效率。仿真结果表明混合启发式算法在求解质量和计算效率上好于标准遗传算法。     

基于多种群的随机扰动蚁群算法求解分布式约束优化问题

针对现有的基于蚁群优化思想求解分布式约束优化问题的算法收敛较慢、容易陷入局部最优等问题,提出了一种基于多种群的随机扰动蚁群算法（random disturbance based multi-population ant colony algorithm to solve distributed constraint optimization problems,RDMAD）来求解分布式约束优化问题。首先,RDMAD提出了一种分工合作机制,将种群按比例划分为采用贪婪搜索的子种群和采用启发式搜索的子种群,同时构建分级更新策略,提高算法收敛速度和求解质量;然后对采用贪婪搜索的子种群设计自适应变异算子和奖惩机制,防止算法陷入局部最优;最后在算法陷入停滞时触发随机扰动策略,增加种群多样性。将RDMAD与七种最先进的非完备算法在三类基准问题上的寻优结果进行了实验对比,实验结果表明RDMAD在求解质量和收敛速度上优势明显,且稳定性较高。