一种求解约束优化问题的新算法

演化算法基于达尔文的适者生存的原理,通过模拟大自然演化过程寻找问题的最优解。由于演化算法的全局性、灵活性、自适应性和稳健性,它特别适用于解象非线性、不可导和多峰等高难度优化问题。近年来,演化算法已经成功地解决了一些工程优化问题。毫无疑问,演化计算是一类解决高难度优化问题最重要的办法之一。     

求解约束优化问题的新方法

提出了用于解决约束优化问题的新的类电磁机制算法,针对约束优化问题,利用惩罚函数法,构造了新的适应度函数,将约束问题转化为无约束问题求解,结合类电磁机制算法的寻优特点,设计了适合于问题特点的局部搜索过程,并重新定义了粒子的电荷和力的计算公式,以使在算法实现过程中,引导不可行点逐步向可行点转化,并最终找到问题的最优解。数值模拟结果验证了算法的有效性。     

求解约束优化问题的一种新算法

提出了一种求解约束优化问题的微分进化算法。该算法使得种群在演化过程中能保持较好的多样性,且参数设置简单,不容易陷入局部最优,并能在较短时间内找到问题的最优解。在对多个测试函数的数值模拟中都得到了较好的结果,体现了该算法的有效性、通用性和稳健性。     

一种求解约束优化问题的混合算法

提出一种基于修改增广Lagrange函数和PSO的混合算法用于求解约束优化问题。将约束优化问题转化为界约束优化问题,混合算法由两层迭代结构组成,在内层迭代中,利用改进PSO算法求解界约束优化问题得到下一个迭代点。外层迭代主要修正Lagrange乘子和罚参数,检查收敛准则是否满足,重构下次迭代的界约束优化子问题,检查收敛准则是否满足。数值实验结果表明该混合算法的有效性。     

改进藤壶配尾优化算法求解高维连续优化问题

为增强藤壶配尾优化算法(barnacles mating optimizer, BMO)的全局探索性能和局部寻优精度,融合藤壶幼虫的沉降附着行为与正反向递减铸型策略提出一种改进藤壶配尾优化算法(improved BMO, IBMO)并将其用于求解高维连续优化问题。沉降附着行为模型受自然界藤壶幼虫随潮浮游、螺旋沉降的行为启发所构建,以增加种群多样性并改善算法的全局探索性能。正反向递减铸型策略借鉴反向学习思想并融入递减调控机制修正传统藤壶优化算法的精子铸型过程,以扩增种群的局部搜索域并改善算法的局部开采性能。实验结果表明,两种策略可分别有效改善藤壶优化算法的全局探索和局部开采性能;同时,所提IBMO算法相较于其他新近智能算法则表现出更高收敛精度、更强算法稳健性和良好高维适用性等。     

一种求解约束优化问题的新粒子群算法

结合外点法具有局部搜索能力强、处理约束条件简单的特点,把违反约束的粒子用外点法处理以满足约束设计出一种新的粒子群算法求解约束优化问题.实验结果表明,新算法性能优于现有其它算法,是一种通用、高效、稳健的智能算法.它兼顾粒子群算法和外点法的优点,既有较快的收敛速度,又能以非常大概率求得约束优化问题的全局最优解,同时还提高了解的精度.     

有等式约束优化问题的粒子群优化算法

目前大多数粒子群优化算法针对无约束优化问题或不等式约束优化问题,求解有等式约束优化问题的方法是把每个等式约束变成两个不等式约束,这种方法的缺点是在进化过程中粒子位置很难满足等式约束条件,影响了收敛速度和解的精度。提出了求解有等式约束优化问题的两种新粒子群优化算法,数值试验结果表明,算法是有效的。     

一种基于粒子群算法求解约束优化问题的混合算法

通过将粒子群算法(PSO)与差别进化算法(DE)相结合，提出一种混合算法PSODE，用于求解约束优化问题．PSODE是在PSO算法中适当引入不可行解，将粒子群拉向约束边界，加强对约束边界的搜索，同时与DE算法结合以加强搜索能力．基于典型高维复杂函数的仿真表明，该算法简单高效，鲁棒性强．     

一种新的自适应惩罚函数算法求解约束优化问题

提出一种新的自适应惩罚函数法,用来处理约束优化问题．这种方法根据当前群体中可行解的比例对目标函数和违反约束条件的程度作出合适的权衡,具有结构简单、参数少等优点．把它和一个简单的进化策略结合起来,得到了一种新的求解约束优化问题的进化算法．选取几个常见的测试函数对这种新方法进行了数值实验．结果表明,所提方法能够非常有效地处理各种约束优化问题,而且具有很强的稳健性;其性能优于或相似于一些尖端的算法．     

一种新的遗传算法求解约束优化问题

采用十进制编码的遗传算法，在进化计算中提出用排序、保留优秀个体、智能变异和随机变异代替以前遗传算法中的选择、交叉和变异，此算法具有简单的计算原因，简化了遗传算法的编程，利用变换后的目标函数构造适配值，能较快的找到最优解，数值实验表明该算法在求解有约束优化问题上表现良好。     

一种求解函数优化问题的新算法

1.引言遗传算法的基本思想来源于达尔文(Dorwin)的进化论和门德尔(Mendel)的遗传学说。达尔文的进化论认为:每一物种在不断的发展过程中越来越适应环境,在个体的生存与发展中那些适应环境的个体则被保留下来,体现了“适者生存”的原理。与此相应,门德尔的遗传学说则认为:遗传是作为一种指令码封装在每个细胞中,并以基因的形式包含在染色体中。通过基因杂交和基因突变可产生对环境适应强的后代,并通过优胜劣汰的自然选择,适应值高的基因则被保留下来。霍兰德(Holland)等人正是综合了上述两种学说的基本     

演化算法求解约束多目标优化问题

求解多目标优化问题的演化算法主要考虑如何处理相互冲突的多个目标间的优化,很少考虑对约束条件的处理.通过引入约束主导原理,提出一种无需采用罚函数,完全是基于个体排序的求解约束多目标优化问题的演化算法.对测试函数进行了实验,实验结果表明了该算法的可行性和有效性.     

求解高维优化问题的扰动混沌蚁群优化算法

针对新型混沌蚁群优化算法(CAS)求解高维优化问题时存在的计算复杂和搜索精度低问题,提出了扰动混沌蚂蚁群(DCAS)算法。通过建立蚂蚁最佳位置更新贪婪规则和随机邻居选择方法有效地降低了计算复杂度;另外引入自适应扰动策略改进CAS算法,使蚂蚁增强局部搜索能力,提高了原算法的搜索精度。通过一组高维测试函数对DCAS算法的性能进行了高达1000维的仿真实验。测试结果表明,新算法对复杂的高维优化问题可行有效。     

应用改进PSO算法求解待约束优化问题

为解决高维复杂CO问题,可将进化算法中保持物种多样性的思想引入基本PSO算法的方法。针对基本PSO算法在迭代后期粒子活性减弱的问题,引入‘吸引’和‘扩散’两个算子,对基本PSO算法的速度更新公式进行改进和考虑固定惩罚函数无法有效引导粒子向可行解方向搜索的缺点,提出LPFM方法替代固定惩罚函数法,以有效引导粒子进入可行解域,并在迭代后期加强对粒子的约束,使其不至因违背约束所获的收益大于所受的惩罚而收敛到不可行解域。最后对改进的PSO算法进行了试验,试验结果表明改进PSO算法对解决高维复杂CO问题是有效的。     

求解约束优化问题的改进型免疫算法

为了提高免疫算法求解约束优化问题的性能,给出了一种融合乘子法的免疫算法。设计了乘子法对约束条件的转换过程,给出了基于实数编码的克隆变异算子、浓度抑制算子和免疫算法框架,并对标准测试函数进行了实验验证。实验结果表明,该算法优于文献算法,具有较好的应用价值。     

一种求解约束优化问题的线性进化算法

提出一种基于实数编码处理约束优化问题的线性算法,并对其复杂度和收敛性进行分析.该算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,从数学分析的角度给出一种线性适应度函数.算法中融入一种基于密度函数的交叉算子和变异算法,采用基于分级聚类的平均联接方式以维持Pareto最优解集个体数目.3组典型优化问题的测试表明,该算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

一种求解高维约束优化问题的人工蜂群算法*

针对求解高维约束优化中算法的收敛速度和解的精度不高的缺点,提出一种改进的人工蜂群约束优化算法。该算法在初始化种群和侦察蜂探寻新蜜源时采用了正交实验设计方法,并在采蜜蜂搜索时使用了改进的高斯分布估计,跟随蜂按照采蜜蜂的适应值大小选择一个采蜜蜂,在其蜜源领域内采用差异算法搜索新的蜜源;在处理约束条件时采用自适应优劣解比较方法。最后通过13个标准的Benchmark测试函数进行仿真实验,结果表明该算法在处理高维约束优化问题时具有较好的收敛性和稳定性。     

低约束密度分布式约束优化问题的求解算法

多Agent协作过程中的许多挑战都可以建模为分布式约束优化问题.针对低约束密度的分布式约束优化问题,提出了一种基于贪婪和回跳思想的求解算法.在该算法中,各Agent基于贪婪原则进行决策,能够利用低约束密度问题中大量赋值组合代价为0这一特点来加快求解速度.同时,Agent间的回跳机制可以在贪婪原则陷入局部最优时保证算法的完全性.相对于已有主流算法,该算法可以在保持多项式级别的消息长度/空间复杂度的前提下,以较少的消息数目求解低约束密度的分布式约束优化问题.给出了算法关键机制的正确性证明,并通过实验验证了算法的上述性能优势.     

一种处理约束优化问题中非可行解的新方法

对于约束优化问题,通过引入一个个体隶属于可行域的程度的概念,提出描述和度量非可行解的新方法,并在此基础上构造一种新的评价非可行解的适应度函数。     

基于文化粒子群算法的约束优化问题求解

提出一种基于文化算法的粒子群优化算法(PSO)。该算法在群体空间采用基于高斯概率分布和柯西概率分布的改进PSO算法,在信念空间根据形势知识和规范化知识指导种群的进化,充分利用优秀个体所包含的信息,提高了算法的进化速度。实验表明,该算法的优化性能和效率优于基本PSO算法。