具有激活机制的多头反向串联算术优化算法

为提高算术优化算法(AOA)的全局勘探和局部开发性能,提出具有激活机理的多头反向串联算术优化算法(SFG-AOA)。激活机理策略是建立在算子位置更新层级的一种基于sigmoid函数的概率进化机制,通过引入激活因子在保证算子在继承父代位置信息的同时动态调整算子寻优步长而扩展新解多样性和全局勘探性能。引入基于适应度优化的反向学习与灰狼信息反馈机制改进算法开发阶段以提高寻优精度。适当修正非线性收敛曲线系数MOP构建随机调整策略。最后通过数值实验验证不同策略改进效果差异,并在CEC2014函数上进行仿真实验全面验证改进算法性能。     

基于粒子群优化算法的并行模拟退火算法

针对模拟退火（simulated annealing,SA）算法收敛速度慢,随机采样策略缺乏记忆能力,算法内在的串行性使其具有并行化问题依赖等缺点,提出了基于粒子群优化（particle swarm optimization,PSO）算法的并行模拟退火算法。该算法利用粒子群优化算法中个体的记忆功能引导算法在解空间中开展精细搜索,在反向学习算法基础上设计新的反向转动操作机制增加了算法的多样性,借助PSO的天然并行性克服了SA的并行问题依赖性,并在集群上实现了多Agent协同进化的改进算法。对Toy模型的蛋白质结构预测问题进行了仿真实验,结果表明该算法能有效提高求解问题的质量和效率。     

改进的双种群竞争教与学优化算法

为了克服教与学优化算法在求解高维函数问题时,容易早熟,收敛速度慢,解精度低的弱点,提出一种引入竞争机制的双种群教与学优化算法。在该算法中设置两个教师,并基于帝国竞争优化机制将种群初始化成为两个学生种群,每一个教师带领自己的种群独立进化。在进化过程中,教师可以利用自己的影响力将外种群内的成员吸收进入自己的种群。为了提高教师个体的学习能力,引入反向学习机制。在多个Benchmark函数的测试表明,改进算法解精度较高,全局收敛能力强,适合求解较高维度的函数优化问题。     

动态自适应的教学优化算法

针对教学优化算法（teaching-learning-based optimization algorithm,TLBO）容易陷入局部最优和寻优速度慢等缺陷,提出一种动态自适应的教学优化算法（ITLBO）。首先,提出一种与sigmoid函数有关的惯性权重,并将其引入到教师阶段和学生阶段,以动态调整种群的移动步长,从而抑制算法前期种群多样性的衰减,扩大寻优区域,增强算法后期局部精细化搜索能力,提高求解精度;其次,在教师阶段,利用一种动态更新教师的机制来增强教师的教学水平,保证学生及时地向全局最优解学习,提高算法收敛速度;再次,在学生阶段,提出一种自学与向最好学生学习相结合的学习方式,让学生全面发展,从而提高算法的搜索能力和收敛速度。为验证ITLBO的有效性,采用16个标准测试函数,对惯性权重的有效性和各算子对算法整体的贡献度进行测试,对TLBO、RTLBO、EPGTOA和ITLBO进行仿真对比实验。一系列测试结果表明,ITLBO具有更好的收敛能力和稳定性。     

基于差分演化和克隆选择机制的优化算法

为了解决函数优化过程中的“早熟收敛”和“搜索迟钝”问题,将差分演化算法与克隆选择算法进行了结合,提出了一种新的差分演化克隆选择算法。该算法将克隆选择操作引入到差分演化算法中,达到了既能够选出最好个体又能够保证种群多样性的效果。实验结果表明该算法在多峰值函数优化问题中,具有求解精度较高,收敛速度较快等优点。     

模拟退火教学式优化算法

针对教学式优化算法在求解组合优化问题时易陷入局部最优问题进行了研究,提出模拟退火教学式优化算法.利用模拟退火方法,在“教”与“学”两个阶段按照模拟退火计算的概率,随机接受个体中某一位较差解作为新解的一部分.通过增加群体多样性的方法,增强教学式优化算法逃离局部最优解的能力.分别对单模、多模和旋转函数进行仿真,并与其他算法进行了对比实验.结果表明,提出的方法在收敛速度和收敛精度上具有较好的性能.     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于和声退火算法的多维函数优化*

在研究和声搜索对多维函数优化问题的基础上,结合传统的模拟退火算法,提出一种混合优化算法——和声退火算法。该算法改进了和声的搜索机制,选取合理的取值概率HMCR以及动态的微调概率PAR,在和声记忆库内随机搜索,获得较高质量的新和声;然后对新和声执行一次Metropolis算法,从而增强了全局探索能力,减小了陷入局部极小值的机会。仿真实验数据表明,算法明显优于和声搜索和模拟退火算法,具有较高的求解质量和效率。     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.     

一种改进的模拟退火算法的相位恢复

首先对传统的模拟退火算法进行改进,然后由独立变量分析方法对纯相位复波的数字全息图进行零级项消除,得到其共轭项,获取未解压的共轭复波相位,最后利用改进的模拟退火算法对未解压的共轭复波相位进行了相位恢复。结果表明,利用以上方法能较好的解决数字全息重构中的零级项和相位恢复问题。     

Optimal short-term hydro-thermal scheduling using quasi-oppositional teaching learning based optimization

This paper presents a new approach for solving short-term hydrothermal scheduling (HTS) using an integrated algorithm based on teaching learning based optimization (TLBO) and oppositional based learning (OBL). The practical hydrothermal system is highly complex and possesses nonlinear relationship of the problem variables, cascading nature of hydro reservoirs, water transport delay and scheduling time linkage that make the problem of optimization difficult using standard optimization methods. To overcome these problems, the proposed quasi-oppositional teaching learning based optimization (QOTLBO) is employed. To show its efficiency and robustness, the proposed QOTLBO algorithm is applied on two test systems. Numerical results of QOTLBO are compared with those obtained by two phase neural network, augmented Lagrange method, particle swarm optimization (PSO), improved self-adaptive PSO (ISAPSO), improved PSO (IPSO), differential evolution (DE), modified DE (MDE), fuzzy based evolutionary programming (Fuzzy EP), clonal selection algorithm (CSA) and TLBO approaches. The simulation results reveal that the proposed algorithm appears to be the best in terms of convergence speed, solution time and minimum cost when compared with other established methods. This method is considered to be a promising alternative approach for solving the short-term HTS problems in practical power system.     

Multi-objective optimal power flow using quasi-oppositional teaching learning based optimization

This paper describes teaching learning based optimization (TLBO) algorithm to solve multi-objective optimal power flow (MOOPF) problems while satisfying various operational constraints. To improve the convergence speed and quality of solution, quasi-oppositional based learning (QOBL) is incorporated in original TLBO algorithm. The proposed quasi-oppositional teaching learning based optimization (QOTLBO) approach is implemented on IEEE 30-bus system, Indian utility 62-bus system and IEEE 118-bus system to solve four different single objectives, namely fuel cost minimization, system power loss minimization and voltage stability index minimization and emission minimization; three bi-objectives optimization namely minimization of fuel cost and transmission loss; minimization of fuel cost and L-index and minimization of fuel cost and emission and one tri-objective optimization namely fuel cost, minimization of transmission losses and improvement of voltage stability simultaneously. In this article, the results obtained using the QOTLBO algorithm, is comparable with those of TLBO and other algorithms reported in the literature. The numerical results demonstrate the capabilities of the proposed approach to generate true and well-distributed Pareto optimal non-dominated solutions of the multi-objective OPF problem. The simulation results also show that the proposed approach produces better quality of the individual as well as compromising solutions than other algorithms.     

一种基于改进模拟退火算法的程序性能优化参数搜索算法

高级程序变换是提高程序性能的重要手段,很多涉及到优化参数的选择问题,如为循环分块选择适当的分块因子。由于优化参数搜索问题本身是NP难问题,目前尚没有确定性的算法可以有效解决该问题,针对于此,将该问题转化为一个非线性全局最优化问题,提出一种基于改进模拟退火算法的程序性能优化参数搜索算法,实验结果验证了算法的有效性。     

基于反向学习和种群引导的多目标蝗虫优化算法

为了解决多目标优化的相关问题,提出了求解多目标的蝗虫优化算法,结合单个目标的蝗虫优化算法的搜寻机制、帕累托优势以及拥挤度策略,并在算法中应用种群引导和高斯变异算子,加入了反向学习机制.将所提出的算法与经典的M OPSO、M OCS、M OGOA和M OWOA算法进行了比较,比较结果表明,所提出的改进多目标蝗虫优化算法具...     

融合头脑风暴思想的教与学优化算法

针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题,提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子,并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中,当前个体首先执行“教”算子。随后,在种群中随机选择两个个体,令其中优秀的个体与当前个体执行头脑风暴式学习,提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力,在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明,与TLBO算法相比,所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上,ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性,所提算法适合用来求解较高维度的连续优化问题。     

YYPO-SA：一种新的基于YYPO和SA的混合单目标随机优化算法

针对原阴阳对优化算法(YYPO)早熟易收敛的问题,在YYPO算法中的阴阳两点交换阶段加入模拟退火算法(SA)策略,提出了两种使用不同交换策略的新算法,即YYPO-SA1和YYPO-SA2,统称为YYPO-SA.YYPO-SA算法既保持了YYPO轻量级的特点,又综合了YYPO优秀的全局搜索能力和SA良好的局部搜索性能.算法采用2013年进化计算大会的单目标实参算法竞赛中使用的28个测试函数进行性能评估,将YYPO-SA和YYPO、自适应阴阳对算法(AYYPO)、改进的阴阳对算法(IYYPO),以及另三个性能优越的单目标优化算法,即灰狼优化算法、鲸鱼优化算法,正弦余弦算法进行性能比较.实验结果表明YYPO-SA能取得更为稳定的求优能力和更高的计算精度.最后通过一个工程优化任务来展示新算法的性能.     

改进的麻雀搜索优化算法及其应用

麻雀搜索算法SSA在求解目标函数最优解时,存在种群多样性不丰富,易陷于局部最优,多维函数求解精度差等问题,针对这些问题提出改进的麻雀搜索算法ISSA。首先,利用反向学习策略初始化种群,增加种群多样性;然后,对步长因子进行动态调整,提高算法的求解精度;最后,在侦查预警的麻雀位置更新公式中引入Levy飞行,提高算法寻优能力和跳出局部极值的能力。将ISSA、SSA和其他算法在8个测试函数上进行求解,并进行秩和检验,仿真结果表明,ISSA具有更高的寻优性能。还将ISSA应用到认知无线电的频谱分配中,实验结果表明,ISSA的系统效益和公平性优于其他算法,验证了ISSA在实际应用中的可行性。     

Application of teaching learning based optimization procedure for the development of SVM learned EDM process and its pseudo Pareto optimization

Manufacturing processes could be well characterized by both the quantitative and the qualitative measurements of their performances. In case of conflicting type performance measures, it is necessary to get possible optimum values of all performances simultaneously, like higher material removal rate (MRR) with lower average surface roughness (ASR) in electric discharge machining (EDM) process. EDM itself is a stochastic process and predictions of responses – MRR and ASR are still difficult. Advanced structural risk minimization based learning system – support vector machine (SVM) is, therefore, applied to capture the random variations in EDM responses in a robust way. Internal parameters of SVM – C, ɛ and σ are tuned by modified teaching learning based optimization (TLBO) procedure. Subsequently, using the developed SVM model as a virtual data generator of EDM process, responses are generated at the different points in the experimental space and power law models are fitted to the estimated data. Varying the weight factors, different weighted combinations of the inverse of MRR and the ASR are minimized by modified TLBO. Pseudo Pareto front passing through the optimum results, thus obtained, gives a guideline for selection of optimum achievable value of ASR for a specific demand of MRR. Further, inverse solution procedure is elaborated to find the near-optimum setting of process parameters in EDM machine to obtain the specific need based MRR-ASR combination.