基于离散粒子群的DNA编码序列组合优化方法

本文分析了DNA编码序列设计的目标及需要满足的约束条件H-measure、连续性、相似度、发夹结构、GC含量等约束,建立一种组合优化评价模型,通过引入基于权重的适应度函数来评价DNA序列集合的优劣,最后提出基于该模型的离散粒子群优化算法(DPSO)生成有效的DNA编码序列.根据优化问题的约束条件及离散量的特点,对粒子的...     

一种群体智能融合算法及其在应急设施选址的应用

针对粒子群优化算法早熟及细菌觅食算法收敛慢的问题,提出了将量子粒子群优化与细菌觅食算法融合的一种群体智能融合算法。该算法将细菌觅食、量子计算理论及粒子群优化的优点进行融合,以细菌觅食算法为主体,将量子进化算法及粒子群优化算法嵌入其中,从而极大地提高了算法的性能。通过对三个标准函数求解和验证,结果表明该算法提高了收敛精度及速度。最后用该算法求解公共卫生应急服务设施点选址问题,取得了较好的效果,说明了该算法的有效性。     

Large scale economic dispatch of power systems using oppositional invasive weed optimization

This paper presents an evolutionary hybrid algorithm of invasive weed optimization (IWO) merged with oppositional based learning to solve the large scale economic load dispatch (ELD) problems. The oppositional invasive weed optimization (OIWO) is based on the colonizing behavior of weed plants and empowered by quasi opposite numbers. The proposed OIWO methodology has been developed to minimize the total generation cost by satisfying several constraints such as generation limits, load demand, valve point loading effect, multi-fuel options and transmission losses. The proposed algorithm is tested and validated using five different test systems. The most important merit of the proposed methodology is high accuracy and good convergence characteristics and robustness to solve ELD problems. The simulation results of the proposed OIWO algorithm show its applicability and superiority when compared with the results of other tested algorithms such as oppositional real coded chemical reaction, shuffled differential evolution, biogeography based optimization, improved coordinated aggregation based PSO, quantum-inspired particle swarm optimization, hybrid quantum mechanics inspired particle swarm optimization, modified shuffled frog leaping algorithm with genetic algorithm, simulated annealing based optimization and estimation of distribution and differential evolution algorithm.     

机器人逆运动学差分自适应混沌粒子群求解

采用D-H法通过连杆坐标系变换矩阵建立机械臂运动控制模型,该模型呈现非常严重的非线性特性,传统方法难以求解。由于动态差分算法具有很强的全局搜索能力,而粒子群算法具有精确的局部搜索能力的特点,融合改进的动态差分算法和粒子群算法,并引入混沌映射初始种群和粒子群学习因子与惯性权重的自适应算法,提出多子群分层差分自适应混沌粒子群算法。该算法采用的多子群分层结构能提升个体共享群体信息的能力,底层利用动态差分算法进行全局搜索,顶层精英群利用改进的粒子群算法进行局部搜索。仿真试验和实际应用表明该算法在稳定性、搜索成功率以及收敛精度有显著提高,能有效解决机器人逆运动学模型的求解。     

基于量子粒子群的全参数连分式混沌时间序列预测

针对传统混沌时间序列预测模型的复杂性、低精度性和低时效性的缺点, 在倒差商连分式基础上提出全参数连分式模型, 并利用量子粒子群优化算法优化模型参数, 将参数优化问题转化为多维空间上的函数优化问题. 以二阶强迫布鲁塞尔振子和三维二次自治广义Lorenz 系统为模型, 通过四阶Runge-Kutta 法产生混沌时间序列, 并利用基于量子粒子群优化算法的全参数连分式、BP 神经网络和RBF 神经网络分别对混沌时间序列进行单步和多步预测. 仿真结果表明, 基于量子粒子群优化算法的全参数连分式结构简单、精度高、效率高, 该预测模型可被推广和应用.

     

基于混沌量子粒子群的FHN神经元UWB信号检测

在UWB-IR信号检测中,针对目前所采用的量子粒子群FHN神经元模型易造成粒子群多样性降低,易陷入局部最优,导致求解精度不高的问题,对量子粒子群算法中量子更新参数引入混沌优化算法,提出了基于混沌量子粒子群算法的FHN神经元UWB-IR信号检测方法,分析了所提算法的收敛性,并对所提算法的性能进行仿真验证。仿真结果表明,所提算法与现有算法相比,可提高粒子群的多样性和算法的收敛速度,提高算法精度,实现多个系统参数同时最优,从不同噪声强度下自适应地检测出UWB-IR信号。     

基于混沌粒子群算法的物流配送路径优化

通过结合混沌的遍历性和粒子群的快速性的优点,提出了一种用于求解物流配送路径优化问题的混沌粒子群优化算法。该算法利用混沌变量产生初始粒子群,对子代部分粒子群进行微小扰动,随着搜索过程深入逐步调整扰动幅度,通过调整惯性权重因子克服标准PSO算法的早熟和易陷入局部最优值等缺陷。将混沌粒子群优化算法用于物流配送路径优化,建立了数学模型,在此基础上设计了相应的算法。将该算法和遗传算法、标准粒子群算法进行比较,证明了其收敛速度和寻优能力的优越性。     

模糊需求下转运联盟车辆路径及混沌粒子群优化

建立了基于模糊需求的企业间转运联盟车辆路径问题,并基于模糊结构元理论将模糊需求问题转化为清晰需求问题．针对该模型,提出了一种混沌粒子群算法,该算法在经典粒子群算法的基础上融入了两次混沌变换,有效的利用了粒子群算法和混沌算法各自的优势．     

基于混沌粒子群算法的多阈值图像分割

针对单阈值图像分割方法在求取比较复杂的图像时效果不理想及粒子群算法容易陷入局部最优且速度较慢等等问题,提出了基于混沌粒子群优化算法的多阈值图像分割方法。该方法利用混沌运动随机性、遍历性和初值敏感性,将混沌粒子群优化算法与多阈值法相结合作全局搜索,实验结果表明了基于混沌粒子群优化算法的多阈值图像分割法用于阈值寻优减少了搜索时间,并且运行时间不随阈值数目的增加而显著增加。     

配送中心选址分配问题的DNA-鱼群算法研究

人工鱼群算法在算法后期容易陷入局部最优,从而降低了寻优的精度及收敛的速度。提出一种新的改进算法——DNA-鱼群算法,将DNA算法中的交叉变异操作应用到基本人工鱼群算法中,丰富了鱼群的多样性,促进人工鱼跳出局部最优,并将改进的人工鱼群算法用于解决配送中心选址分配问题。实验仿真表明,DNA-鱼群算法具有更好的寻优能力。     

基于文化遗传算法的DNA编码序列设计

DNA编码问题是DNA计算的关键,然而,它已被证明为NP困难问题,通常采用优化算法求解。针对传统遗传算法缺乏有效指导,容易陷入局部极值的缺点,结合文化算法采用种群空间和信念空间的双层进化结构进行寻优,提出了一种基于遗传算法和文化算法的混合优化算法用于解决DNA编码问题。仿真结果表明该混合算法能有效地用于DNA编码序列设计。     

高斯扰动粒子群算法的数据库查询优化

针对量子粒子群算法存在的不足,将变异算子引入其中,提出一种高斯变异量子粒子群算法（GM-QPSO）,并将其应用于数据库查询优化中。首先建立数据库查询优化数学模型,然后采用量子粒子代表一个可行的数据库查询方案,然后通过量子粒子之间的信息交流,找到数据库查询最优解,最后在 Matlab 2012上进行了仿真实验。仿真结果表明, GM-QPSO克服了量子粒子群算法存在的不足,不仅提高了数据库查询速度,而且获得了更加理想的查询优化方案。     

基于反馈教学优化算法的混沌系统参数辨识

针对传统智能优化算法对混沌系统参数辨识精度低、速度慢的问题,提出一种基于反馈教学优化算法的混沌系统参数辨识的新方法.该方法以教学优化算法为基础,在教授-学习阶段之后加入反馈阶段,同时将参数辨识问题转化为参数空间上的函数优化问题.分别以三维二次自治广义Lorenz系统、Jerk系统和Sprott-J系统为待辨识模型,对粒子群优化算法、量子粒子群优化算法、教学优化算法及反馈教学优化算法进行了对比实验,反馈教学优化算法辨识误差为零,搜索次数明显减少.仿真结果表明,反馈教学优化算法明显提高了混沌系统参数辨识精度和速度,验证了该算法的可行性和有效性.     

基于编码转换的离散演化算法设计与应用

为了利用演化算法求解离散域上的组合优化问题,借鉴遗传算法（GA）、二进制粒子群优化（BPSO）和二进制差分演化（HBDE）中的映射方法,提出了一种基于映射变换思想设计离散演化算法的实用方法——编码转换法（ETM）,并利用一个简单有效的编码转化函数给出了求解组合优化问题的离散演化算法一般算法框架A-DisEA.为了说明ETM的实用性与有效性,首先基于A-DisEA给出了一个离散粒子群优化算法（DisPSO）,然后分别利用BPSO、HBDE和DisPSO等求解集合联盟背包问题和折扣{0-1}背包问题,通过对计算结果的比较表明：BPSO、HBDE和DisPSO的求解性能均优于GA,这不仅说明基于ETM的离散演化算法在求解KP问题方面具有良好的性能,同时也说明利用ETM方法设计离散演化算法是一种简单且有效的实用方法.     

整数规划的量子行为蝙蝠算法

蝙蝠算法是一种新型群体智能算法,传统的蝙蝠算法在解决整数规划问题时容易陷入局部最优并出现早熟收敛现象,为了解决这些弊端,提出了一种基于势阱的具有量子行为的蝙蝠算法。论述了算法的优化原理和实现方式,并通过仿真实验,与粒子群算法和量子行为粒子群算法进行性能对比。实验结果表明,量子行为蝙蝠算法不仅能够有效地解决整数规划问题,而且比其他算法具有更好的性能。     

Chaotic self-adaptive particle swarm optimization algorithm for dynamic economic dispatch problem with valve-point effects

This paper presents a chaotic self-adaptive particle swarm optimization algorithm (CSAPSO) to solve dynamic economic dispatch problem (DED) with value-point effects. The proposed algorithm takes PSO as the main evolution method. The velocity, a sensitive parameter of PSO, is adjusted dynamically to increase the precision of PSO. To overcome the drawback of premature in PSO, chaotic local search is imported into proposed algorithm. Moreover, a new strategy is proposed to handle the various constraints of DED problem in this paper, the results solved by proposed strategy can satisfy the constraints of DED problem well. Finally, the high feasibility and effectiveness of proposed CSAPSO algorithm is validated by three test systems consisting of 10 and extended 30 generators while compared with the experimental results calculated by the other methods reported in this literature.     

求解QoS组播路由问题的改进型量子进化算法

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。提出一种将基于量子计算原理的量子进化算法用于此类问题求解的算法,该算法对基本的量子进化算法进行改进,采用进化方程对量子门进行调整,采用量子变异阻止未成熟收敛,使之更适合于QoS组播路由的求解。仿真结果显示,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大算法保持了良好的特性,在寻优速度上与解的质量上优于其他进化算法与基本的量子进化算法。     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

Hybrid bare-bones PSO for dynamic economic dispatch with valve-point effects

This paper presents an efficient hybrid particle swarm optimization algorithm to solve dynamic economic dispatch problems with valve-point effects, by integrating an improved bare-bones particle swarm optimization (BBPSO) with a local searcher called directionally chaotic search (DCS). The improved BBPSO is designed as a basic level search, which can give a good direction to optimal regions, while DCS is used as a fine-tuning operator to locate optimal solution. And an adaptive disturbance factor and a new genetic operator are also incorporated into the improved BBPSO to enhance its search capability. Moreover, a heuristic handing mechanism for constraints is introduced to modify infeasible particles. Finally, the proposed algorithm is applied to the 5-, 10-, 30-unit-test power systems and several numerical functions, and a comparative study is carried out with other existing methods. Results clarify the significance of the proposed algorithm and verify its performance.     

多分支混沌变异的头脑风暴优化算法

头脑风暴优化算法是一种受人类群体行为启发的新型群智能优化算法。该算法通过模拟人类使用头脑风暴创造性解决问题的行为,在解空间中分析个体分布,并使用变异生成新个体,多次迭代求得最优解,具有较高的鲁棒性和自适应能力。针对头脑风暴优化算法精度较差、易陷入局部最优导致早熟收敛的缺陷,提出了一种多分支混沌变异的头脑风暴优化算法。该算法选取8种混沌映射,设计了一种多分支混沌变异算子。当原始算法陷入局部最优时,使用多分支混沌变异生成新个体,利用多种混沌运动的遍历性、随机性和多样性,扩大了混沌空间的范围,增强了算法全局搜索的能力。对10个经典测试函数的10、20、30维问题进行测试,并与原始头脑风暴优化算法、粒子群优化算法、遗传算法和布谷鸟搜索算法进行对比,实验结果表明,所提出的算法可以有效避免陷入局部最优,具有更高的稳定性和全局搜索能力。