基于多种群蚁群算法的交叉路口信号配时优化

针对交叉路口信号控制面临的多目标优化问题,建立以延误时间、停车次数和通行能力作为性能指标的交叉路口信号配时模型,提出一种基于多种群的改进蚁群算法,对信号配时方案进行优化。改进的算法以交叉路口的平峰状态和高峰状态进行仿真。实验结果表明利用该算法对模型求解的结果优于传统方法,能降低交叉口的总延误时间和停车次数,提高了通行能力。且该算法稳定性好,求解速度快。     

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA).该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索.在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛.通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点.     

基于极值优化的混合差分进化算法

针对标准差分进化算法在求解复杂优化问题时易陷入局部最优的问题,提出了一种基于极值动力学机制的混合差分进化算法。该算法的核心在于,当种群聚集度较高时, 利用极值优化算法强大的波动性,通过引入基于种群的极值优化算法来提高种群多样性,从而协助差分进化算法跳出局部最优。仿真实验表明,该混合算法具有较好的全局收敛性,能有效避免早熟收敛。     

基于差分进化算法的高斯混合模型参数估计

EM算法用于高斯混合模型参数估计时,具有对初始值敏感、易于陷入局部极小等缺点。将差分进化算法引入高斯混合模型参数估计问题,提出一种基于差分进化算法的高斯混合模型参数估计方法。该方法直接对模型参数进行编码,待优化目标函数简单且物理意义明显,具有算法实现容易、运行效率高及收敛速度快等优点。实验结果表明。新方法具有很强的全局搜索能力,参数估计精度更高、更稳定。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE．该算法基于一种双种群进化策略，一个种群中的个体由粒子群算法进化而来，另一种群的个体由差分操作进化而来．此外，通过采用一种信息分享机制，在算法执行过程中两个种群中的个体可以实现协同进化．为了进一步提高PSODE算法的性能，摆脱陷入局部最优点，还采用了一种变异机制．通过4个标准测试函数的测试并与PSO和DE算法进行比较，证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法．     

基于复形法和云模型的差分进化混合算法

为了改善差分进化算法的收敛速度和优化精度, 提出一种基于复形法和云模型的差分进化混合算法（HDECC）。该算法使用差分进化算法搜索局部最优域, 引入复形法和云模型来加快算法的收敛速度和提高算法优化精度, 使算法的初期搜索速度和之后的优化精度得到相互平衡。最后, 使用七个标准约束优化问题和两个典型工程应用实例进行实验仿真, 实验结果表明, 与同类算法比较, HDECC算法全局搜索能力强、优化精度高、收敛速度快, 且算法更稳定。     

基于粒子群优化算法的多交叉口信号配时*

以城市道路多个单点信号控制交叉口组成的绿波系统为研究对象,对绿波系统的交叉口信号配时优化进行研究。通过对路段和干线机动车流进行协调控制设计,以西安市某两相邻交叉口晚高峰时段各进口道的交通量、通行能力、饱和流量以及各交叉口进口道的实际车均延误时间为约束,确定各交叉口的信号周期及各相位有效绿灯时长,使得干线延误量最小。设计了PSO算法的编码方式,分别采用PSO算法、灾变PSO算法和二阶振荡PSO算法对多交叉口交通信号配时进行优化计算。仿真实验表明,二阶振荡PSO算法在该实例中表现最优。     

基于混合变异策略的改进差分进化算法及函数优化

针对差分进化算法DE 传统变异策略不能有效平衡全局搜索和局部搜索,并且算 子固定,导致算法早收敛、搜索效率较低。基于DE 变异策略性能,提出一种混合变异策略, 力图平衡算法探索和开发能力,使得前期增强全局搜索,保持种群多样性; 后期偏重局部搜 索,尽快收敛到全局最优值。同时操作算子采用随机正态缩放因子F 和时变交叉概率因子CＲ, 进一步改善算法性能。几个典型Benchmarks 测试函数实验表明: 该改进型差分进化算法能有 效避免早收敛,较好地提高算法的全局收敛能力和搜索效率。     

一种基于状态空间模型的进化算法

传统进化算法主要通过选择、重组和变异这三种遗传操作实现种群的进化。在进化过程中通常需要设定群体规模、交叉概率和变异概率等参数,而且它们的值会直接影响计算结果及精度。为了简化操作过程,设计一种基于离散系统状态空间模型的进化算法,这种算法采用实数编码方式,构造一个状态进化矩阵来实现重组和变异的功能,提高算法的可操作性和可靠性。并将该算法应用于求解无约束全局优化问题,对几种典型的测试函数进行仿真,结果表明:这种新的进化算法具有搜索能力强、收敛速度快、计算精度高、操作简单等优点,对相关研究有参考作用。     

基于混沌遗传算法的区域交通计算机控制配时优化

充分发挥混沌理论和遗传算法各自的优势,开发了混沌遗传算法,混沌遗传算法能有效地改进遗传算法的收敛速度慢、早熟收敛和有可能陷入局部最优点的缺陷。分析了城市交通这个复杂大系统的混沌性,并将混沌遗传算法成功应用于城市区域交通计算机控制信号配时优化。采用TSIS5.1进行了仿真,仿真结果表明:混沌遗传算法比遗传算法的收敛速度大大加快,且车辆平均延误和平均停车率都比遗传算法和固定周期法有明显的降低。     

基于实数编码遗传算法对交通信号配时优化

鉴于城市道路的交通信号配时优化问题,本文提出一种改进的信号配时非线性函数模型,设计各性能指标的加权系数随交通需要的不同而变化,采用基于实数编码的遗传算法对信号配时进行优化。算例结果表明。该算法优于传统的Webster方法,在同一周期内减少了车辆延误,增加了通行能力,同时使交叉口的服务水平由C级提高到A级。     

改进的状态空间模型遗传算法及其全局收敛性分析

基于状态空间模型遗传算法(GABS)是一种新型实数编码进化算法, 在工程优化问题中取得良好的应用效 果. 针对GABS缺乏有效的数学模型及理论依据, 研究并建立了GABS的吸收态马尔可夫过程模型, 从可达状态集的 角度对GABS 进行分析并证明GABS 不是全局收敛的. 基于此提出了一种扩张可达状态集的改进型GABS (MGABS), 改进方法的两种变异策略不仅扩张了算法的可达状态集、提高了种群多样性, 而且加快了算法的收敛速 度与精度, 并证明了MGABS 具有全局收敛性. 最后利用经典测试函数验证了其综合性能明显优于其他三种算法, 为算法在工程中的应用提供了理论依据.     

人工萤火虫与差分进化混合优化算法

人工萤火虫优化算法在寻找函数全局最优值时存在着收敛速度慢、易陷入局部最优、收敛成功率和计算精度低等缺点,为此,文中将人工鱼群算法的觅食行为嵌入到人工萤火虫算法,并与差分进化算法融合,提出一种基于人工萤火虫与差分进化的混合优化算法.最后,通过4个典型测试函数和1个应用实例进行测试,结果表明所提出的混合算法收敛速度快,计算精度高,其整体逼近性能比基本人工萤火虫和差分进化算法更优.     

基于混合遗传算法的炮兵火力优化配置研究

现代战争条件下,如何使炮兵火力打击在当前一体化联合作战中发挥作用,使炮兵的作战效能最大化一直是关注的重点。在遗传操作中嵌入模拟退火算子．有效地结合了遗传算法隐合并行与模拟退火算法全局寻优的特点,对炮兵火力配置进行了分析研究。模拟结果表明此算法既具有较快的收敛速度,又能够收敛到最优解。     

基于混合遗传算法的时间最优控制问题求解

研究了用混合遗传算法求解时间最优控制问题.混合遗传算法是用粒子群位移转移的思想改变遗传算法的变异规则,通过记录各染色体的历史最优值和种群的最优值,来修正下一代的染色体,新的算法保留了遗传算法的选择和交叉操作,保证了遗传算法强大的全局搜索性能,该算法可求解数学优化问题.在分析时间最优控制问题已有求解方法优缺点的基础上,提...     

基于遗传算法的混合优化策略研究

最优化问题是工程设计、科学研究、经济管理等众多领域经常遇到的一类问题。随着待解决问题范围的不断扩大以及优化算法研究的不断深入,混合优化策略已成为解决大规模、高复杂度优化问题的一种重要而有效的方法。介绍了遗传算法、贪婪法、模拟退火算法、禁忌搜索的基本原理,阐述了各种算法的优缺点;针对各单一算法存在的缺陷和不足,对三种以遗传算法为主体框架的混合优化算法进行了分析;最后,指出了混合优化算法存在的问题及今后的发展方向。     

基于混合遗传算法的进气道性能设计与优化

针对冲压发动机前体/进气道的性能优化设计问题,提出基于遗传算法和单纯形法的混合遗传算法。根据均匀分析提供的样本,选取气流折转角为设计变量,阻力系数、总压恢复系数、进气道升压比及三者的组合作为优化目标。通过该文设计的混合遗传算法对不同目标优化结果的比较,表明该混合遗传算法可以广泛用于目标优化,具有较强的适应能力。     

基于遗传算法的单交叉口信号优化控制

建立了一种单交叉口自适应优化配时模型。通过对本周期交通流数据线性预测下一周期各车道的排队长度，以各相位绿灯结束时的排队长度最小作为优化目标，建立多目标优化函数。通过采用理想点法，运用遗传算法进行优化。仿真实验结果表明，该方法优化后的配时方案能够反映各相位实际交通需求，并具有很好的实时性。