基于改进分布估计算法的二维航迹规划

为在较短时间内规划出性能指标最优的攻击轨迹、提高飞行器作战效能,研究一种基于改进分布估计算法的二维航迹规划方法。引入坐标变化和候选节点,针对采用分布估计算法进行问题求解容易陷入局部收敛的缺点,提出模拟退火的分布估计算法,其退火温度以信息熵表示。     

基于分布估计算法的连续函数全局优化问题研究

分布估计算法从宏观的角度建立一个概率模型,用来描述解空间的分布,从而通过进化计算获得优势个体。目前,离散型分布估计算法研究已经比较成熟,而连续型分布估计算法研究进展缓慢。采用均匀分布缩小采样领域的思想,设计新的分布估计算法求解连续型优化问题。实验数据表明,该分布估计算法对于求解连续型问题是有效的。     

基于分布估计算法的多目标优化

论述解决多目标优化问题的若干解法,为了提高多目标优化算法的收敛性和求解精度,提出了一种分布估计的多目标优化算法。给出了3个典型的测试函数的pateto解集。通过4个测试函数测试,并与非劣排序多目标遗传算法(NSGA-Ⅱ)和规则模型分布估计算法(RM-MEDA)两个算法进行了比较。测试结果表明,该算法具有良好的收敛性和分布性,并且效果稳定。     

改进的正态分布的分布估计算法

针对连续空间函数优化问题,提出了改进的正态分布的分布估计算法。该算法将优选出的个体看作正态分布,然后以正态分布概率模型随机采样产生新的种群,并挑选部分个体与保留的最好解进行交叉操作。将其与均匀分布的分布估计算法、正态分布的分布估计算法进行了比较,结果证明该方法的效果更好。最后分析了选择较好个体的比例对算法的影响。     

基于模拟退火的改进分布估计算法研究

针对分布估计算法(EDA)局部搜索能力弱、迭代后期不易跳出局部最优解的缺点,提出一种基于模拟退火的改进分布估计算法(SA-EDA)。SA-EDA在迭代初期保留EDA的优点,能够快速收敛,全局寻优能力强;在迭代后期算法停滞时则采用模拟退火机制,利用Metropolis接受准则能以一定概率接受较劣解的特点,增加种群多样性,使算法跳出当前最优,并进一步搜索全局最优解。通过六个测试函数的检验结果表明,与EDA和粒子群算法(PSO)相比,SA-EDA收敛精度更好,稳定性更强,并具备比EDA更快的收敛速度,寻优性能更佳。     

基于精英协同的多种群分布估计算法

针对传统分布估计算法局部搜索能力弱,易陷入早熟收敛的问题,在分布估计算法的基础上引入精英策略并采用划分子种群独立进化的方式,提出一种基于精英协同的多种群分布估计算法。该算法混合了两种后代产生的策略:一种是进化过程采用精英协同操作用于进行局部搜索并开辟出新的搜索空间,另一种是采用划分子种群独立进化方式保证种群间个体的多样性。基准测试函数实验结果表明,该算法在收敛性和多样性方面均表现出明显优势。     

均衡分布性与收敛性的协同进化多目标优化算法

为了进一步提升多目标进化算法(MOEAs)的收敛速度和解集分布性,针对变量无关问题,借助合作型协同进化模型,提出一种均衡分布性与收敛性的协同进化多目标优化算法(CMOA-BDC). CMOA-BDC 首先设置一个精英集合,采用支配关系从进化种群与精英集合中选择首层,并用拥挤距离保持其分布性;然后运用聚类将首层分类,并建立相应概率模型;最后通过模拟退火组合分布估计与遗传进化,达到协同进化.通过与经典 MOEAs 比较的结果表明, CMOA-BDC 获得的解集具有更好的收敛性和分布性.     

组合分布估计和差分进化的多目标优化算法

为了提高多目标优化算法的收敛能力及求解精度,提出了一种组合分布估计和差分进化的多目标优化算法.该方法用分布估计算法和差分进化算法共同生成种群中的粒子,利用选择因子来控制每个粒子的产生方式,并且根据迭代次数的增加来改变2种算法的使用比例,搜索初期利用分布估计算法进行快速定位,然后用差分进化算法进行精确搜索.并对差分进化算法的变异因子进行了改进,定义了一个可变的变异因子,来控制不同搜索时期中差分进化算法的变异范围.用4个测试函数对算法进行了仿真测试,并同NSGA-Ⅱ和RM-MEDA进行了比较.实验结果表明,该算法具有良好的收敛性和分布性,并且效果稳定.     

CH与COR联合机制耦合混杂分布估计算法的模糊规则优化研究

为了降低当前模糊规则优化学习算法的时间复杂度,加快其收敛速度,基于单变量边缘分布估计算法,引入CH(Cordon and Herrera)与COR(Cooperative Rules Methodology)机制,提出混杂分布估计算法耦合CH(Cordon and Herrera)与COR联合机制的模糊规则优化算法研究;对算法的时间复杂度进行理论推导和分析证明,构建算法的分布概率模型。首先使用CH机制产生变量空间;再由COR方法完备的候选规则库;然后利用多种群变量无关分布估计算法MUMDA(Univariate Marginal Distribution Algorithm)进行规则学习,通过增加种群的多样性,减少算法陷入局部最优解的可能;最后对该算法进行实验验证。实验对比结果可以看出,该设计的混杂优化算法的计算,可获得精度较高、可理解性较强的模糊规则库,便于模糊系统在实际工程中的应用。     

分布估计算法研究进展

作为一种新颖的基于概率模型的进化算法,近年来分布估计算法（EDA）得到了广泛的研究和发展.在介绍分布估计算法原理和特点的基础上,重点综述了近些年分布估计算法的研究进展,包括改进概率模型、保持种群多样性以及设计混合算法,进而总结了分布估计算法在理论及应用方面的研究现状,最后提出了有待进一步研究的若干方向和内容.     

基于高斯分布估计的细菌觅食优化算法

针对细菌觅食算法在优化过程中存在步长一致、速度较慢的缺陷,赋予细菌以灵敏度的概念来调节趋化步长：将分布估计算法的思想引入繁殖算子,对细菌能量较好的半数细菌进行分布估计再生以增加群体的多样性,提高收敛速度;根据细菌的能量情况,赋予细菌自适应迁移概率,对较差的细菌进行随机或指定迁移,以提高算法的全局寻优能力．采用多峰高维标准测试函数对改进算法进行了测试,结果表明,所提出算法有效地提高了搜索速度和精度,改造后可用于多维、约束等实际工程问题的优化．     

基于Monte Carlo估计的免疫检测器分布优化算法

针对免疫实值检测器的黑洞和边界入侵问题,分析规模对检测性能的影响,提出一种基于Monte Carlo估计的检测器分布优化算法,以Monte Carlo方法估计检测器对非自体空间的覆盖效果作为算法结束的条件,通过优秀子代替代不合时宜的父代来完成检测器的分布优化处理。经实验测试表明,该算法不仅可以有效地降低黑洞,而且能够以更少的检测器更精确地覆盖非自体空间,从而提升检测器的检测性能。     

和声搜索-分布估计混合算法求解多目标优化问题

针对和声搜索算法不能很好地求解多目标优化问题的缺陷,提出一种多目标和声搜索—分布估计混合算法(MHS-EDA)。该算法一方面利用分布估计的采样操作对和声记忆库内进行搜索,拓宽了和声记忆库内空间;另一方面对和声记忆库外进行外部档案搜索,实现群体间信息交换,从而提高了多目标和声算法的全局搜索能力。数值实验选取六个常用测试函数,并与多目标遗传算法、多目标分布估计算法、多目标和声搜索算法进行比较,测试结果表明提出的混合算法能够有效地解决多目标优化问题。     

基于改进蚁群算法的协作学习分组研究

协作学习中根据学习者的特征进行有效分组对于提高学习者的学习效率具有重要的作用。基于学习者的学习能力、兴趣爱好和理解水平,在基于蚁群算法的协作学习分组中,以学习者特征相似度值作为启发信息,并针对蚁群算法可能出现的早熟收敛和停滞现象,分别在初期加入判断回退机制和在中后期对启发因子及期望因子进行动态调节以保证分组结果的准确性。模拟实验结果表明该算法在分组性能及准确性上均优于传统算法。     

自适应混合多目标分布估计进化算法

针对多目标分布估计算法全局收敛性较弱的缺陷,提出了一种自适应混合多目标分布估计进化算法。其基本思想是:在多目标分布估计算法中引入全局收敛性较强的差分进化算法,当函数变化率较大时,用分布估计算法产生新种群;当函数变化率较小即算法可能陷入局部收敛时,用差分进化算法产生新种群。理论分析和数值实验结果表明,这种混合算法不仅具有良好的全局收敛性,而且解的分布性和均匀性较没有考虑目标函数变化率的混合多目标分布估计算法也有了一定程度的提高。     

基于改进双系统协同进化算法的无线传感器网络节点定位

为进一步提高无线传感器网络(WSN)中节点的定位精度,提出了一种双系统协同进化(BCO)算法。改进算法利用粒子群优化(PSO)算法快速收敛的特性和混合蛙跳算法(SFLA)较高的寻优精度的特性,在较少的迭代次数内快速收敛且实现深度搜索达到较高的精度。仿真实验结果表明:在应用双系统协同进化算法对测试目标函数进行求解时,能非常接近最优解;同时将该算法应用到基于接收信号强度值(RSSI)测距的节点定位中,预测位置与实际位置的绝对误差在0.05 m范围内;相比基于RSSI的分步粒子群算法(IPSO-RSSI),其定位精度至少提高了10倍。     

两阶段式的物流配送路径优化方法

根据组合优化理论,充分利用遗传算法、蚁群算法的优化点,提出了一种两阶段式的物流配送路径优化方法(GA-ACO)。利用遗传算法迅速找到物流配送路径优化问题的初始解,初始解生成蚁群算法的初始信息素分布,通过蚁群算法找到物流配送路径的最优方案。采用实例对GA-ACO的性能进行测试,测试结果表明,GA-ACO可以获得较好的物流配送路径优化方案,是一种高效率、鲁棒性好的物流配送路径优化问题求解方法。     

改进型复杂过程全局进化算法在热连轧负荷分配中的应用

为实现热连轧精轧机组负荷分配的优化设定,提出一种具有柔性框架结构的改进型复杂过程全局进化算法.该算法部分地借用了分散搜索原则,在通用框架中嵌入具有搜索机制的子方法;利用无限折叠映射混沌模型和局部搜索法,分别对初始种群的生成和"超越"深度搜索进行改进以提高最优解的求解效率.实验结果表明,该算法能够使用较少的参数完成负荷分配优化问题的可行解搜索,具有较好的时效性,是局部和全局搜索的有机体.     

基于细菌觅食行为的多目标分布估计算法*

为增强多目标分布估计算法(MEDA)的局部搜索能力,将细菌的觅食(BF)行为引入到多目标分布估计算法中,提出一种基于细菌觅食行为的多目标分布估计算法(MEDA-BF)。数值实验选取四个常用测试函数,并与NSGA-II、MEDA两个多目标算法进行比较,结果表明MEDA-BF算法在收敛性和多样性两方面都有较好的性能。     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．