一种改进的类电磁机制算法

文章以无约束优化问题为研究对象,分析了类电磁机制算法的原理,即模拟了电磁场中带电粒子之间的吸引排斥机制,通过该机制使得粒子朝着最优粒子移动。针对原算法中存在的运算量大、收敛速度慢等问题,提出了一种改进的类电磁机制算法。新算法采用归一化目标函数值方法,简化了电量计算公式;同时引入自适应移动算子,将粒子的优劣和迭代的过程体现在粒子的移动过程中,使得算法在搜索过程中能朝着更精确的解移动。实验证明,改进后的算法具有更好的收敛效果和更高的执行效率。     

类电磁机制算法及其应用

研究了一种新的启发式全局优化算法——类电磁机制（Electromagnetismlike Mechanism, EM）算法。系统介绍了类电磁机制算法的原理、基本步骤、几个不同版本及其改进,综述了类电磁机制算法在函数优化、神经网络训练和调度等方面的应用,最后对类电磁机制算法的研究和应用方向进行了展望。     

求解约束优化问题的混合类电磁机制算法

提出了一种求解约束优化问题的混合类电磁机制算法.该算法将约束条件通过外点法转移进目标函数,将约束问题简化为无约束问题;并加入粒子电量过滤公式设计出新类电磁机制(EPEM)算法.数值试验证明,新算法性能优于其他启发式算法,是一种高效、稳健的方法.     

改进类电磁机制算法预测应用

改进类电磁机制算法,优化一种新的神经网络预测模型,应用于求解复杂的水质预测实际问题.实验数据采集黄河兰州段新城桥监测断面177组监测数据,其中前154组为模型训练数据,后23组为模型测试数据,与经典预测模型对比,改进算法优化的新模型预测结果均方误差较小,误差稳定性好,预测结果更准确.     

基于混合类电磁机制算法的混沌系统控制与同步

混沌系统控制与同步可通过优化方法设计控制律引导混沌系统轨道来实现．类电磁机制优化算法（EM）是模拟电磁场带电粒子间吸引一排斥行为机制的一种启发式搜索方法,目前还尚未在混沌系统控制与同步问题中得到应用．本文提出一种混合类电磁机制优化算法（HEM）用于求解该优化问题,该方法采用修改的类电磁机制算法（REM）与差分进化算法（DE）相融合平衡算法对解空间的全局探索和局部开发能力,基准函数测试表明混合算法改善了全局搜索能力及求解可靠性．在此基础上,采用HEM算法引导混沌系统的轨道,搜索施加于系统的小扰动使其轨迹在短时间内跟踪到目标区域;再将混沌系统的同步问题转化为在线轨道导引问题,采用HEM优化算法解决．通过典型离散Henon映射为例,数值仿真结果表明了该方法是解决混沌系统控制与同步的一种有效方法．     

蜜蜂进化型的类电磁机制算法

针对类电磁机制算法求解高维问题耗时的缺点,提出了一种蜜蜂进化型类电磁机制算法。在该算法中,种群的最优粒子作为蜂王与被选的每个粒子（雄蜂）以概率进行交叉操作,增强了对种群最优粒子所包含信息的开采能力。为了避免算法过早收敛,结合邻域搜索技术来改进种群中的粒子,提高了算法的勘探能力。理论分析表明新算法以概率1收敛到问题的最优解。实验结果表明,蜜蜂进化型类电磁机制算法是一种提高类电磁机制算法性能的有效改进算法。     

求全局最优的类电磁机制算法

针对类电磁机制算法中数据溢出、计算量过大的问题,改进了电量计算公式和合力计算公式,引入了函数值最小下界,增加了粒子过滤公式,从而得到一种新类电磁机制算法。从测试标准测试函数与经典类电磁算法的比较可看出,新算法收敛速度快,并从数值上验证了该算法的可行性和有效性。     

结合变尺度法的改进类电磁机制算法

标准类电磁机制算法处理连续函数优化问题时存在最优参数选取和收敛速度问题.数值实验研究表明类电磁算法不具备初值敏感性,并在搜索后期算法收敛速度缓慢甚至可能出现停滞.数值实验分析指出粒子之间达成动态力平衡状态是造成算法停滞的可能原因之一,提出一种解决策略是摒弃EM算法后期搜索过程,结合变尺度法对EM算法前期搜索到的近似最优值进行二次优化.该混合计算方法将二者的优势相结合,实验结果表明新方法在保证计算实时性的同时,取得了较高的计算精度.最后,对EM算法本身构造提出一些改进意见,并初步建立用于连续函数优化的EM算法计算框架,为后续更深入的研究EM算法提供参考.     

类电磁机制算法的应用研究

针对多车场多车型的关联运输调度问题(Multi-depot and Multi-vehicle-type Related Vehicle Routing Problem),对传统的类电磁机制算法进行改进,局部搜索可以提高算法在局部区域精细搜索的能力,并引入了移动系数来提高算法的收敛速度。实验结果证明,改进的算法有效地解决了此类问题且优于传统类电磁机制算法。     

基于贪婪离散类电磁机制算法求解背包问题

针对基本类电磁机制算法不能够有效解决离散型的背包问题,提出了一种贪婪离散类电磁机制算法。首先,提出一种交叉操作;然后,利用提出的交叉操作对基本类电磁机制算法中的合力计算公式和粒子移动方法进行修改,使其能够适用于离散型问题;最后,引入贪婪算法的机制来处理经过类电磁机制算法迭代得到的解,使这些解满足背包问题的约束条件。通过对3个经典的背包测试问题进行的测试结果表明:该算法可以解决离散型的背包问题,并且具有较优的求解性能。     

基于类电磁机制优化的FastSLAM2.0算法

针对FastSLAM2.0算法粒子退化和粒子耗尽的问题,提出一种基于类电磁机制优化的FastSLAM2.0算法.该算法用无迹卡尔曼滤波(unscented Kalman filter,UKF)替代拓展卡尔曼滤波(extended Kalman filter,EKF)估计后验位姿提议分布减少模型线性化误差,提高采样粒子的质量;在重采样中模拟电磁场中带电粒子之间吸引排斥机制,把采样粒子看成带一定电荷量的电子,通过类电磁吸引力驱动粒子集朝高似然区域移动,使之较快分布在机器人真实位姿附近.缓解粒子退化问题,同时,通过类电磁排斥力驱使粒子在移动过程中保持一定距离,保证了粒子多样性.仿真结果表明了该算法的有效性.     

面向自动组卷问题的改进类电磁算法

类电磁算法（EM）中局部搜索是按一定步长进行线性搜索,在这个范围内寻找个体在某一维上的最优值。由于步长的限定,求得的该维上最优值可能远离实际的最优值。采用遗传算法（GA）中选择因子和交叉因子可以很好地解决这一问题。在组卷系统中,通过基于遗传算法改进的类电磁算法（Based Genetic Electromagnetism-like Mechanism Algorithm,GEM）与GA算法以及采用线性局部搜索的EM算法实验的比较,证明该算法有更高的组卷效率。     

单纯形和人口迁移的混合全局优化算法

针对基本人口迁移算法具有易早熟和精度不高等缺陷,利用人口迁移算法随机产生的点采用单纯形法进行优化,提出了一种基于单纯形法和人口迁移算法的混合全局优化算法。通过典型的测试函数Shaffer,验证了改进后算法的性能,并与10种类型的粒子群优化算法进行比较,结果表明,该文算法能获得比较好的解,收敛成功率高达100%。     

基于单纯形法的改进型人工鱼群算法

针对鱼群算法在局域搜索能力差的问题,提出一种基于单纯形法的改进型人工鱼群算法。利用单纯形算子在局部区域内分布更均匀且广泛的特征,在鱼群算法运行到后期时,将单纯形算子每隔一定代数引入到现有的鱼群算法中取代原来大量聚集在非极值点附近的人工鱼,有效改善个体质量,提高局部搜索精细度,进而提高算法的寻优精度。采用典型算例对算法性能进行了验证分析,研究结果表明,该算法在解决鱼群算法后期优化精度低问题时可以获得更好的效果。     

Chaotic electromagnetism-like mechanism algorithm for economic load dispatch of power system

Chaotic electromagnetism-like mechanism algorithm (CEMA) is first proposed in this paper, which is the integration of electromagnetism-like mechanism algorithm (EMA) and chaos theory. EMA simulates the attraction and repulsion mechanism for particles in the electromagnetic field. Every solution is a charged particle, and it moves to optimum solution according to certain criteria which need several steps. To enrich the searching behaviour and to avoid being trapped into local optimum, chaotic dynamics is incorporated into EMA. CEMA possesses excellent global optimal performance, simple programming realisation and good convergence, and it is used in economic load dispatch of power systems. Through performance comparison, it is obvious that the solution is superior to other optimisation algorithms. It can be applied to other research problems in power systems.     

基于单纯形法和自适应步长的花朵授粉算法

针对花朵授粉算法易陷入局部极值、后期收敛速度慢的不足,提出一种基于单纯形法和自适应步长的花朵授粉算法。该算法在基本花朵授粉算法的全局寻优部分采用自适应步长策略来更新个体位置,步长随迭代次数的增加而自适应地调整,避免局部极值;在局部寻优部分对进入下一次迭代的部分较差个体采用单纯形法的扩张、收缩/压缩操作,提高局部搜索能力,进而提高算法的寻优能力。通过八个CEC2005benchmark测试函数进行测试比较,结果表明,改进算法的寻优性能明显优于基本的花朵授粉算法,且其收敛速度、收敛精度、鲁棒性均较对比算法有较大提高。     

An improved electromagnetism-like mechanism algorithm for constrained optimization

Many problems in scientific research and engineering applications can be decomposed into the constrained optimization problems. Most of them are the nonlinear programming problems which are very hard to be solved by the traditional methods. In this paper, an electromagnetism-like mechanism (EM) algorithm, which is a meta-heuristic algorithm, has been improved for these problems. Firstly, some modifications are made for improving the performance of EM algorithm. The process of calculating the total force is simplified and an improved total force formula is adopted to accelerate the searching for optimal solution. In order to improve the accuracy of EM algorithm, a parameter called as move probability is introduced into the move formula where an elitist strategy is also adopted. And then, to handle the constraints, the feasibility and dominance rules are introduced and the corresponding charge formula is used for biasing feasible solutions over infeasible ones. Finally, 13 classical functions, three engineering design problems and 22 benchmark functions in CEC’06 are tested to illustrate the performance of proposed algorithm. Numerical results show that, compared with other versions of EM algorithm and other state-of-art algorithms, the improved EM algorithm has the advantage of higher accuracy and efficiency for constrained optimization problems.     

基于Kent映射的混合混沌优化算法

针对混沌优化算法易陷入局部最优、收敛慢和精度低的缺点,提出一种改进的变尺度混合混沌优化算法。为保证算法的全局收敛性,采用具有更好遍历性的Kent混沌映射代替传统的Logistic混沌映射;为提高收敛速度和解的精度,引入新的变尺度因子,在搜索最优解的末期使用Nelder‐Mead单纯形法。通过数值实验对相关的4种算法进行比较,比较结果表明,该算法可以保证解的全局最优性、提高算法的收敛速度并提高获得的最优解精度。     

基于一种自适应选择机制的混合优化算法

针对于微分进化(DE)和粒子群优化(PSO)算法收敛精度较低和收敛速度慢的缺点,提出了基于这两种算法的混合优化算法DEPSO。该算法引入了两个新的变量指标,即在迭代过程中种群个体适应值有所优化的概率及种群的全局最优值的变化情况,通过采用这两个变量所形成的一个二维合理的选择机制,实现下一个迭代过程中关于算法的选择迭代问题。该算法一方面参数较少,实现简单;另一方面,利用新引入的第二个变量指标避免种群陷入早熟。对几种典型的测试函数进行数值模拟实验,结果表明与传统的算法比较,新的算法具有收敛精度高和收敛速度快的特点,同时对于高维的问题依然表现出较好的效果。