多策略融合的改进麻雀搜索算法及其应用

针对麻雀搜索算法易陷入局部最优、收敛速度慢等不足,提出一种多策略融合的改进麻雀搜索算法.采用精英混沌反向学习策略生成初始种群,增强初始个体的质量和种群多样性,实现对更多优质搜索区域的勘探以提升算法的局部极值逃逸能力和收敛性能;结合鸡群算法的随机跟随策略,优化麻雀搜索算法中跟随者的位置更新过程,平衡算法的局部开发性能和全局搜索能力;采用柯西-高斯变异策略提升算法的种群多样性保持能力和抗停滞能力.对10个不同特征的基准测试函数进行寻优,测试结果与Wilcoxon符号秩检验结果均表明改进算法具有更好的寻优精度、收敛性能和稳定性.最后,利用改进算法对最小二乘支持向量机的参数进行优化,应用于煤与瓦斯突出危险性辨识,通过实验进一步验证改进策略的有效性和改进算法的优越性.     

求解最小属性约简的病毒协同进化微粒群算法

提出一种基于病毒协同进化微粒群的最小属性约简算法.在算法中,进化在宿主与病毒种群之间协同进行,通过满足约简分辨力不变条件的最优病毒种子复制操作产生病毒库,病毒通过感染操作在宿主种群完成横向局部搜索,以提高算法局部精确解搜索能力;同时通过删减操作完成自我更新,实现增加局部搜索范围的目的.最后对UCI数据集进行属性约简实验,结果表明该算法在搜索最小属性约简解方面优于其他进化算法,同时收敛速度及寻优效率也有较大提高.     

离散灰狼优化算法求解VRPSPDTW问题

本文针对带时间窗约束的同时送取货车辆路径问题,建立了以总配送距离最小化为目标的数学模型.根据模型的特征,在保留灰狼算法(GWO)搜索机制的基础上,提出了离散灰狼优化算法(DGWO)进行求解.采用多种策略构建种群的初始解,并允许出现不可行解,扩大种群的搜索区域;引入带评分策略的邻域搜索策略,调整每种算子的概率,使算法选择优化效果更好的算子;使用移除-插入机制,对优质解区域进行探索,加速种群的收敛.在仿真实验中对标准数据集进行了测试,将实验结果和p-SA算法、DCS算法、VNS-BSTS算法和SA-ALNS算法进行了对比,实验表明DGWO算法能有效地解决带时间窗约束的同时送取货车辆路径问题.     

多源基因学习的微种群教与学优化及应用

由于微种群教与学优化算法的种群规模较小, 故其种群多样性很难维持. 为提高微种群教与学优化算法的搜索性能, 提出了一种基于多源基因学习的微种群教与学优化算法(micro-population teaching-learning-based optimization based on multi-source gene learning, MTLBO-MGL). 在MTLBO-MGL算法中, 将教阶段和学阶段根据随机选择策略来对个体进行基因水平上的进化操作; 并从基因层面上对种群多样性进行检测和使用稀疏谱聚类方法对种群的每个维度进行聚类. 然后, 根据多样性检测和聚类结果, 选择不同的进化策略来提高所提算法的搜索性能. 在28个测试函数上, 通过将所提算法与其他4种微种群进化算法作对比, 证明了所提算法的整体性能要显著好于所对比的4种算法. 本文还将所提算法应用于无人机三维路径规划问题, 结果表明MTLBO-MGL算法能够在该问题上取得较好结果.     

SAR相位闪烁效应的最小熵自聚焦抑制方法

针对均匀成像场景中合成孔径雷达信号的方位向相位闪烁问题，提出了基于种群编码的最小熵自聚焦方法。通过遗传算法对最小熵方法进行数值优化，采用种群变量作为相位误差曲线采样点，利用最小熵算法确定相位误差强度范围，作为初始种群参与遗传迭代，解决了种群变量与熵函数非直接映射和运算负荷大的问题。实验表明，该算法能有效提高最小熵自聚焦方法的解算效率，提高合成孔径雷达图像的相位闪烁补偿效果。     

一种新的分布性保持方法

分布性保持是多目标进化算法主要目标之一. 然而通常维护方法的性能与运行时间存在矛盾. 提出一种基于最小生成树的分布性维护方法. 利用最小生成树中的度数和边长对个体密度进行估计, 使低度数的边界个体和长边长的低密度个体得到了保留. 另外, 一次性选择个体进入下代种群, 避免了每移出一个个体就需要对个体密度进行调整的操作. 通过5个测试问题和4个方面的测试标准, 与3个著名的算法进行比较实验, 结果表明该方法在以较快速度对种群进行维护的同时, 拥有良好的分布性.     

基于改进NSGA-II的车间排产优化算法研究

针对NSGA-II算法在处理车间排产优化问题中出现的子代种群多样性差、收敛能力差等问题,提出了一种改进NSGA-II的车间排产优化算法。改进NSGA-II算法主要对传统NSGA-II算法的交叉和变异环节,提出新的改进自适应交叉和变异算子,通过对个体拥挤度与种群平均拥挤度进行对比,并结合种群迭代进化过程,将遗传概率与种群个体及种群进化迭代次数关联,避免盲目导向性,提高种群的收敛速度;提出新的均匀进化精英保留策略,通过自适应分层次选取种群个体,解决子代种群多样性差的问题。针对车间排产问题,选择“最大化最小交货提前期”和“最小化最大理想加工时间偏差”作为目标函数,运用改进NSGA-II算法进行实际工程的仿真分析,对比改进前后算法优化的结果,验证了算法的有效性,同时证明了其应用于实际生产排产调度问题的价值参考性。     

基于交叉模型的改进遗传算法

提出一种解决早熟收敛问题的改进遗传算法. 通过最小生成树聚类将种群划分为若干个子种群, 子种群内的个体之间及不同子种群间的个体之间同时进行遗传操作. 同子种群间个体的遗传操作可以保证算法的进化方向和收敛速度, 不同子种群间个体的遗传操作可以避免近亲繁殖, 提供多样性. 分别采用二进制和实数编码, 在经典的 23 个基准函数上的对比测试结果表明, 所提出算法具有较好的收敛速度和寻优能力.

     

一种基于最小生成树的多目标进化算法

怎样保证朝Pareto最优解的方向搜索和如何获得均匀分布且范围广泛的非支配解是多目标进化算法(MOEA)设计时的两个关键问题,它们很大程度上取决于适应度赋值和外部种群维护这两个重要部分.提出了一种基于最小生成树的多目标进化算法(MST_MOEA).在考虑了个体间支配关系的基础上,利用个体与非支配集的距离和不同等级个体的树聚集密度来对适应度赋值;在外部种群的非支配解个数超过规定的种群规模时,用树的度数和树聚集密度对其进行修剪.将其应用于不同维数下9个测试函数,并与NSGA-II,SPEA2进行对比,结果证实了算法良好的收敛性和分布性.     

电力系统无功优化的反向优化差分进化算法

电力系统无功优化问题是一个复杂的多目标、多约束、非线性的混合整数优化问题,针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,首次引入反向优化差分进化算法应用于解决电力系统无功优化问题.反向优化差分进化算法利用基于反向的优化对种群进行初始化,可以获得适应度更优的个体,从而加快了收敛速度;根据一定的跳变率,对种群逐代进行动态跳变,增加了种群的多样性,可以避免算法陷入局部最优解.以系统的有功网损最小为目标函数同时兼顾电压的合理分布,对IEEE-14节点系统进行了无功优化仿真计算,并与其他优化算法进行了比较,结果表明该算法具有较强的全局寻优能力,且收敛速率较快,收敛精度高,鲁棒性好,可较好地解决电力系统无功优化问题.     

面向煤矿工作面的定位无线传感器网络传输性能优化

针对煤矿工作面定位无线传感器网络(PWSN)端到端时间较长、丢包率较大等问题,提出采用保障贪婪调度(GGS)算法来优化网络传输性能。GGS算法结合了粒子群优化(PSO)算法和贪婪算法,使用PSO算法对信道中的报文种群进行有序化处理,实现对种群的保障;使用贪婪算法对网络传输过程中的具体服务请求形成一种多层次、反复迭代的处理机制,以优化报文种群质量;利用PSO变异算法对种群进行检查和更新,以确保得到的是最优解。仿真结果表明,与现有文化基因算法(MA)、差分进化人工蜂群(DE-ABC)算法相比,GGS算法可在控制丢包率的前提下缩短传输时间,提升网络整体性能。     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

改进离散粒子群算法求解柔性流水车间调度问题

针对以最小化完工时间为目标的柔性流水车间调度问题(FFSP),提出了一种改进离散粒子群(DPSO)算法.所提算法重新定义粒子速度和位置的相关算子,并引入编码矩阵和解码矩阵来表示工件、机器以及调度之间的关系.为了提高柔性流水车间调度问题求解的改进离散粒子群算法的初始群体质量,通过分析初始机器选择与调度总完工时间的关系,首次提出一种基于NEH算法的最短用时分解策略算法.仿真实验结果表明,该算法在求解柔性流水车间调度问题上有很好的性能,是一种有效的调度算法.     

基于种群相似度的自适应改进蚁群算法及应用

针对蚁群算法收敛速度较慢、易陷入局部最优的问题,提出了一种基于种群相似度的自适应改进蚁群算法。利用种群相似度对种群内个体的多样性进行度量并根据优化过程中种群相似度的变化情况自适应地调整蚁群算法的参数和信息素更新策略,提升算法的优化性能。该算法用于求解旅行商问题（Traveling Salesman Problem,TSP）问题,并与经典的蚁群系统（Ant Colony System,ACS）及最大最小蚂蚁系统（MAX-MIN Ant System,MMAS）算法进行比较,实验结果表明改进算法在解的质量与算法稳定性方面得到显著提升,有效地平衡了种群多样性与收敛速度之间的矛盾。     

多群体混合进化算法求解IPPS问题

针对工艺规划与调度集成（Integration of Process Planning and Scheduling, IPPS）问题求解复杂性,为提高求解效率,设计了包含探索种群,寻优种群和最优种群的多群体混合进化算法,通过运用混合遗传算法和基于聚类淘汰机制的差分进化算法分别更新探索种群中工艺链和加工顺序链,保持可行解多样性和差异性。然后利用克隆领域搜索算法完成寻优种群中可行解的克隆和领域搜索,进一步提高种群质量。最后按照精英保留策略更新最优种群获得全局最优解。并通过实例计算对比,结果显示算法搜索效率和求解质量均有明显改善,且稳定性较好,表明该算法求解IPPS问题的可行性及优越性。     

一种低复杂度的基于进化策略的自适应运动估计方法

为了进一步提高编码质量并能快速编码,提出了一种新的基于进化策略的自适应运动估计算法。鉴于在进化策略中变异操作与正态分布法则对应,是核心算子,为此将进化策略应用于运动估计,提出了一种新的自适应运动估计算法,并第1次将运动方向信息作为变量引入运动估计算法,同时改进了步长自适应控制机制,以便进一步提高算法的收敛速率,同时采用种群规模的自适应控制,降低了算法的复杂度。试验结果表明,该算法的性能与全搜索算法相近,而复杂度略大于三步法。由于其具有低复杂度和进化算法的内在并行性的特点,故该算法适合硬件实现。     

基于跳跃基因算子的改进实数遗传算法

为了避免遗传算法在求解数值优化问题时出现搜索能力差、多样性缺失等弊端,提出一种基于实数编码的改进遗传算法(IRCGA).算法集成两个特别设计的算子:模拟二进制跳跃基因算子(SBJG)和多方向交叉算子(MX).SBJG算子以染色体为操作对象,本质上模拟了二进制跳跃基因操作中的插入运动,即利用一种随机的方式将选定的染色体块插入到染色体位点,实现种群内部染色体间的转位,为种群提供额外的遗传多样性;MX算子通过增加交叉方向的方式扩大算子的搜索区域,从而提升后代个体质量与算法的搜索能力.在11个实例的基础上进行对比实验,结果表明,采用改进算子能够明显提升算法在求解数值优化问题时的性能,同时,相比于其他先进有效的算法,IRCGA具有较强的搜索能力且能够维持一定的种群多样性,从而验证了改进算法的有效性和可行性.     

利用种群扩张与稀疏化策略改进NSGA-II-DE算法

NSGA-II-DE算法是在NSGA-II算法的基础上利用DE算法的收敛速度快、鲁棒性高的特性得到的改进算法,该算法提高了原算法的收敛速度,同时也降低了原算法对参数的依赖性.然而,原算法的解群分布性却没有得到提高.鉴于此,提出一种基于种群扩张与稀疏化策略的改进型NSGA-II-DE算法.该算法利用种群扩张增加候选解的数量,再利用稀疏化策略从候选解中选出使得整体分布尽可能均匀的最优解.种群扩张通过在进化最后的若干代保留每代中的第一非支配面上的个体来实现.在迭代结束后,对种群进行非支配排序,去除第一非支配面以外的个体,以提高解群质量.进行稀疏化处理,即对扩张后的全部个体按目标向量的某一维度排序,再筛选出相邻间距最接近期望距离的个体,以达到改善解群分布性的目的.仿真实验表明,所提出的算法在改善原算法的解群分布性上表现优异,但算法的时间和空间复杂度较原算法有所增加.     

改进平衡优化器算法的WSN覆盖优化

针对无线传感器网络在节点部署过程中存在节点覆盖空白及重叠覆盖的问题,提出一种改进平衡优化器算法（IEO）的网络覆盖优化。首先,利用环绕反向学习提高初始化种群质量,增强算法的优化能力;其次,引入动态正余弦因子进一步平衡全局搜索与局部开发能力,促使粒子种群对搜索空间中进行广泛搜索和深度挖掘;最后,通过在浓度更新阶段加入Circle混沌映射增加种群多样性,提高算法逃离局部最优的能力。实验结果表明,将IEO算法应用于WSN的覆盖优化实验中,与标准平衡优化器算法及其他改进算法相比,有效降低部署成本,表现出更高的网络覆盖率,改善网络的监测质量。     

Flexible job-shop scheduling with tolerated time interval and limited starting time interval based on hybrid discrete PSO-SA: An application from a casting workshop

In this paper, we addressed two significant characteristics in practical casting production, namely tolerated time interval (TTI) and limited starting time interval (LimSTI). With the consideration of TTI and LimSTI, a multi-objective flexible job-shop scheduling model is constructed to minimize total overtime of TTI, total tardiness and maximum completion time. To solve this model, we present a hybrid discrete particle swarm optimization integrated with simulated annealing (HDPSO-SA) algorithm which is decomposed into global and local search phases. The global search engine based on discrete particle swarm optimization includes two enhancements: a new initialization method to improve the quality of initial population and a novel gBest selection approach based on extreme difference to speed up the convergence of algorithm. The local search engine is based on simulated annealing algorithm, where four neighborhood structures are designed under two different local search strategies to help the proposed algorithm jump over the trap of local optimal solution. Finally, computational results of a real-world case and simulation data expanded from benchmark problems indicate that our proposed algorithm is significant in terms of the quality of non-dominated solutions compared to other algorithms.