一种利用动态搜索策略的混合蛙跳算法

从混合蛙跳算法的寻优原理出发,研究了其寻优机制．针对标准算法中存在的初始种群不均匀、迭代后期收敛速度慢,易陷入局部最优的缺陷,提出了一种改进的混合蛙跳算法．采用随机化均匀设计方法产生初始种群;引入影响因子,动态地改变子群当前最差值对其进化行为的影响;根据群体适应度方差判断种群是否陷入局部最优,并通过对当前全局最优值微扰,使算法跳出局部最优．实验结果表明,改进算法有更高的收敛精度和更好的收敛结果．     

几何约束多解问题

针对几何约束求解的多解性问题,将约束分成两个集合:原约束集合和增加的额外约束集合。用求解器求解出全部解后,利用提出的混合遗传蚂蚁算法,搜索全部解空间,在算法的初始阶段采用遗传算法,产生信息素的初始分布;在算法的后期采用蚂蚁算法。由于在遗传算法中使用随机的种群,不仅提高了蚂蚁算法的速度,而且在求解时能避免陷入局部最优解。通过启发式搜索算法使增加的额外约束得到最大化满足,从而寻找到符合用户意图的解。     

基于遗传算法的移动机器人路径规划及人机协同控制研究

在分析传统遗传算法在路径寻优时易过早出现"最优解"及易陷入局部最优等不足,本文提出了一种改进的遗传算法.在生成初始种群时,产生可行且较优的父代,同时为了减小传统遗传算法在随机交叉和变异时引起的不稳定性,设计自适应交叉、变异概率,以提升算法效率,然后引入灾变算子防止算法陷入局部最优,过早得到"最优解".最后设计了移动机器...     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

集成学习人工蜂群算法

为了抑制人工蜂群算法中的早熟收敛问题,提出一种集成学习框架,挖掘种群中的有用信息来抑制早熟。当个体产生候选解的时候,通过对所有好于当前解的个体线性组合,产生一个集成最优解;然后利用相应的人工蜂群算法的搜索公式产生候选解,该公式中的全局最优解被集成最优解代替。该框架通过产生更有希望的个体带领算法进化,帮助算法逃离局部最优解。实验表明,新的集成学习框架显著地提高了全局最优解引导的人工蜂群算法的性能,而没有增加算法的计算复杂度,且该框架可提高全局最优解引导的差分、粒子群算法的性能。     

Memetic算法求解多维背包问题

针对多维背包问题较难找到全局最优解的情况,提出了一种求解多维背包问题的Memetic算法,该算法主要由带反馈机制的禁忌局部搜索算法、交叉算子和种群更新策略组成.其中,种群更新策略需要同时考虑种群中解的质量与种群的多样性,以提高算法搜索的多样性.测试表明,该算法能够有效避免陷入局部最优解并找到比现有算法更好的结果.     

一种引入信息素上下界自适应机制的蚁群算法

使用传统蚁群算法求解最优路径问题时,存在搜索速度慢且易于陷入局部最优解等缺陷．针对这个问题,提出一种改进的蚁群算法：在每次迭代结束后,根据本次迭代产生的最优解与当前最优解的比较结果,动态调整路径上信息素的上下界,使路径上信息素永远保持在一个被允许的范围内,从而避免使算法过早陷入局部最优解．仿真实验证明：改进的蚁群算法较传统的蚁群算法的搜索性能有较大的提高．     

基于改进遗传算法求解旅行商问题

为解决用基本遗传算法求解旅行商问题过程中保持群体多样性能力较差问题，提出了一种改进遗传算法．算法的主要改进手段是：通过二交换法来构造初始种群，以提高寻找到最优解的速度：用改进交叉算子进行交叉操作，避免了种群过早成熟．仿真结果验证了改进遗传算法的良好性能．     

改进禁忌搜索算法求解CVRP问题

改进了禁忌搜索算法,用于解决带有容量限制的车辆路径问题(C V R P).该算法在标准禁忌搜索算法的基础上,采用了I&D搜索策略,给出了两种作用于局部最优解的变异算子来扩大搜索区域,并设计了一种CVRP问题的初始解的产生方式.改进后的算法克服了标准禁忌搜索算法对初始解的依赖较强的缺陷,减小了算法在搜索过程中陷入局部最优的可能,提高了算法的搜索质量与效率.     

一种引入随机摄动操作的新型复合粒子群优化算法

针对传统粒子群优化算法不能根据实际问题自行选择参数,搜索后期容易陷入局部最优的缺点,提出了一种基于随机摄动的复合粒子群优化算法．该算法在利用简单遗传算法优选粒子群三个参数的基础上,根据粒子种群间的相互独立性,引入随机摄动操作,提高了解的精确度和算法的搜索效率,同时通过对种群中的最差粒子重新进行初始化来保持种群的多样性,以避免陷入局部最优解．     

Generalized Self-Adaptive Genetic Algorithms

In order to solve the problem between searching performance and convergence of genetic algorithms, a fast genetic algorithm generalized self-adaptive genetic algorithm (GSAGA) is presented. (1) Evenly distributed initial population is generated. (2) Superior individuals are not broken because of crossover and mutation operation for they are sent to subgeneration directly. (3) High quality im- migrants are introduced according to the condition of the population schema. (4) Crossover and mutation are operated on self-adaptation. Therefore, GSAGA solves the coordination problem between convergence and searching performance. In GSAGA, the searching per- formance and global convergence are greatly improved compared with many existing genetic algorithms. Through simulation, the val- idity of this modified genetic algorithm is proved.     

改进的多目标粒子群优化算法及其在雷达布站中的应用

为更好地解决多目标问题,提高多目标优化算法的多样性和收敛性,提出一种改进的多目标粒子群优化算法。算法将种群分为多个子种群同时进行优化搜索并改进粒子速度更新公式,扩大Pareto最优解集的覆盖面;利用反三角函数logistic映射初始化种群,使初始种群分布更均匀;并使用时变变异方法对外部档案进行变异,避免陷入局部最优。通过与标准多目标粒子群优化算法(MOPSO)和NSGA-Ⅱ在标准测试函数ZDT1、ZDT2、KUR上的仿真实验对比,验证了该文提出的改进算法的有效性,并将其应用于雷达优化布站。     

采用遗传算法的多载波比例公平调度

提出了适用于OFDMA系统,采用遗传算法的多载波比例公平调度（MC-PFS）及最大信干比（MCI）改进算法。根据比例公平准则,MC-PFS通过遗传算法搜索最优子载波分配方案。仿真结果表明采用遗传算法的MC-PFS可获得近似理论上界的性能。通过引入MCI初始分配结果,改进算法可提供比理论上界（比例公平）更高的系统吞吐量。     

分数阶扩散方程参数反演的改进花朵授粉算法

为解决传统花朵授粉算法容易受到局部极值影响的问题,将共享机制的小生境策略与花朵授粉算法相结合,提出了一种新的小生境花朵授粉算法,并将之应用于空间分数阶扩散方程的参数反演研究,以期为污染物寻源和空气污染防治提供一定的理论依据.为确保算法的寻优能力及寻优精度,首先,选取20个多模态函数,将算法改进前后的寻优性能进行对比,以验证改进算法的性能;然后,针对污染寻源问题,基于相应的空间分数阶反常扩散方程模型,运用隐式差分格式求解正问题,并采用花朵授粉算法和改进算法反演源项和扩散系数;最后,针对所提出的算法,从种群数、转换概率和搜索区间方面进行了灵敏度分析,并进一步讨论了算法的抗噪性.数值算例结果表明,对于空间分数阶反常扩散方程参数反演问题,改进后的花朵授粉算法反演效果更好,数值精度更高,可以达到理想水平.     

混合共生生物搜索算法求解置换流水车间调度问题

为了求解置换流水车间调度问题,提出基于共生生物搜索（SOS）算法与局部搜索策略结合的混合共生生物搜索算法. 采用最大排序值的优先规则,处理离散的搜索空间. 在初始化阶段结合NEH启发式算法以提高初始种群的质量. 在优化过程中引入交换变异来改善种群内的多样性,插入-倒转区增加算法跳出局部最优的能力;采用局部搜索策略提升算法的全局探索能力,有效避免了共生生物搜索算法易早熟、后期搜索效率低、易陷入局部最优等缺陷. 通过3个最常用、最专业的标准测试集Carlier、Rec和Taillard对算法性能进行测试. 与其他多种算法进行比较,验证了提出的混合SOS算法的优越性和稳定性.     

一种改进的双因子自适应FastICA算法

为解决快速独立分量分析算法（FastICA）对初值权值敏感的问题,提出了一种双收敛因子FastICA算法（Double Convergence Factor FastICA,DCF—FastICA）。该算法利用两个不同步长因子的FastICA算法进行组合,并通过梯度算法自适应调节两分离权值矩阵的组合系数,从而得到最优权值分离矩阵。理论分析与实验结果表明DCF—FastICA算法较之以往改进算法具有明显的优势,该算法不仅改善了初值权值敏感问题,而且可在几乎不损失分离精度的情况下,使平均分离速度较原算法提高近70%,迭代次数较原算法减少近80%。     

规范型非线性电阻性网络分析的研究

本文研究了规范型非线性电阻性网络的分析法,并在文献[1]的基础上,给出了选取初值理论和解决“角点”问题的新算法。选取初值理论克服了规范型分析法盲目选取初值的缺点,减少了计算量和迭代中遇到“角点”的机会;解决“角点”问题的新算法避免了规范型Katzenelson算法可能出现“组合爆炸”的问题。本文的理论和算法对非线性电阻性网络的计算机辅助分析与设计有一定的实用价值。     

基于改进混合蛙跳算法的多约束车辆路径优化

针对多中心分布式企业存在的产品成本差异化问题,建立包括产品成本、多车场、多车型在内的多约束车辆路径模型,并设计求解该模型的改进混合蛙跳算法. 根据问题特性,改进聚类算法并结合邻近矩阵构造初始青蛙种群;提出子群概念,设计自内而外的交流演化模式;定义远离矩阵,对青蛙进行引导性邻域搜索. 将所设计的算法进行多组不同的对比实验,结果表明,所设计的算法通用性强,实用性高,与遗传算法、蚁群算法这类传统经典算法相比,具有更好的收敛速度与求解精度,可以有效解决此类问题;考虑产品成本的调度方案总成本平均减少6%,占产品总成本的13%,可以为企业提供更合理的车辆配送方案.     

基于遗传算法的多配送中心运输调度研究

多配送中心的车辆调度问题是一个较难的组合优化问题,也是一类典型的NP—hard问题。遗传算法作为一种有效的优化算法得到了广泛的应用。为了解决了物流多配送中心的运输问题,文章运用新的交叉变异方法提出了一种改进的遗传算法。该算法保持了良好的种群多样性,具有更高的性能。     

一种基于GPS载波单差相位的鲁棒快速迭代定姿算法

针对基于GPS载波单差相位的迭代定姿算法对初值敏感的事实,研究了一种对初值鲁棒的快速迭代定姿算法.基于载波单差相位观测的姿态确定可以归结为一个带约束的参数优化问题.通过拉格朗日乘子法求解该优化问题将参数优化问题转化为一个微分方程的数值积分问题.采用特征向量迭代算法确定迭代初始点,再由4阶龙格库塔算法迭代求解该微分方程得到了快速收敛的迭代定姿算法.在不同天线布局、初值条件下对该算法进行了仿真,仿真结果表明天线布局和初值对算法的收敛精度影响不大.同其它迭代算法进行了对比,结果表明在相同条件下本算法可更快收敛.