快速被动群搜索优化算法及其在空间结构中的应用

在快速群搜索优化算法QGSO(quick group search optimizer)基本原理的基础上,提出了改进的快速群搜索优化算法--快速被动群搜索优化算法QGSOPC(quick group search optimizer with passive congregation),并应用于结构优化设计.采用QGSOPC优化算法分别对空间结构进行离散变量的截面优化设计,并与QGSO优化算法、群搜索优化算法GSO(group search optimize)和启发式粒子群优化算法(HPSO)的计算结果进行比较,结果表明改进的快速被动群搜索优化算法QGSOPC与QGSO算法、GSO算法和HPSO算法相比不但具有较好的收敛精度和更快的收敛速度,而且具有很好的稳定性.该算法可有效率地应用于实际结构的优化设计.     

一种改进的人工蜂群算法及其在桁架几何优化设计中的应用研究

由于人工蜂群(artificial bee colony,ABC)算法存在收敛速度慢、易陷入局部最优的缺点,采用设置自适应缩放因子和基于适应度排序的选择方式代替传统的轮盘赌模型,提出了一种改进的快速人工蜂群算法(fast artificial bee colony,FABC).基于这种FABC算法对4个离散变量的几何优化模型进行了优化,并与遗传算法(GA)、蚁群算法(ACA)、启发式粒子群优化算法(HPSO)和群搜索算法(GSO)作了比较.结果表明,这种改进的人工蜂群算法具有较好的收敛精度.另外,ABC算法以及FABC算法结构简单,可应用在其他优化问题上.     

多目标快速群搜索优化算法及在模型修正中的应用

为解决群搜索算法在求解多目标优化问题时易陷于局部最优或过早收敛,限制其在复杂结构模型修正中的应用问题,提出改进的群搜索优化算法-多目标快速群搜索优化算法(MQGSO)。采用LPS搜索方法对发现者进行迭代更新,能使发现者更快到达最优位置,提升寻优效率;对追随者增加速度更新机制,考虑其自身历史最优信息以保证收敛精度,并在算法后期采用交叉变异策略增加追随者个体多样性,避免陷入局部最优;在游荡者迭代更新中引入分量变异控制策略,增加其搜索的随机性,提高算法的全局寻优性能。通过7个典型多目标优化测试函数及某发射台有限元模型修正实例,对算法性能进行验证分析。结果表明,与已有MPSO(Multi-objective Particle Swarm Optimization)及MBFO(Multi-objective Bacterial Foraging Optimization)两种算法相比,所提MQGSO算法搜索性能更强、收敛速度更快、计算精度更高,不失为求解复杂多目标优化问题的有效方法。     

求解VRP问题的混沌模拟退火萤火虫算法

目的使萤火虫优化算法(GSO)能够适用于车辆路径问题(VRP)的求解,同时提高该算法的求解性能。方法通过对GSO算法的改进,提出求解VRP问题的混沌模拟退火萤火虫优化算法(CSAGSO)。首先,设计改进的GSO算法(IGSO)使IGSO算法能够适应VRP问题的求解;其次,在IGSO算法中引入模拟退火机制,提出模拟退火萤火虫优化算法(SAGSO),使IGSO算法可有效避免陷入局部极小并最终趋于全局最优。然后,在SAGSO算法中引入混沌机制,提出CSAGSO算法,对SAGSO算法的荧光素浓度值进行混沌初始化和混沌扰动;最后,对标准算例集进行仿真测试。结果与遗传算法、蚁群算法和粒子群算法相比,CSAGSO算法的全局寻优能力、收敛速度及稳定性均改善了50%以上。结论对GSO算法的改进是合理的,且CSAGSO算法的全局优化能力、收敛速度和稳定性均优于遗传算法、蚁群算法和粒子群算法。     

基于膜计算与粒子群算法的盲源分离方法

为了解决盲源分离方法收敛速度慢、分离性能不高的问题,提出一种基于膜计算(Membrane Computing,MC)和粒子群算法(Particle Swarm Optimization,PSO)的盲源分离方法。算法以分离信号负熵作为粒子群的适应值函数,将粒子均匀分布到各基本膜中,将各基本膜内最优位置输出到表层膜并选择适应值最小的最优位置作为群体最优位置,通过粒子自身最优位置和群体最优位置对种群粒子进行速度和位置的更新。粒子群最优解调整盲源分离的步长函数,进行信号的分离。提出的算法简化了惯性权重取值问题,保证了PSO算法局部搜索的精度,满足了全局搜索的多样性。仿真实验和实例应用表明,提出的算法可以很好地分离混合信号,并且能避免PSO算法的早熟收敛问题,具有更快的收敛速度和更优异的分离性能。     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有"趋同性"。本文提出了改进多粒子群优化算法(IPPSO),IPPSO是两层结构:底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

GEP在桁架结构优化中的应用

介绍基因表达式编程(GEP)算法的基本原理和在参数优化中的实现过程,并将该算法应用于桁架结构的优化设计。针对标准GEP容易陷入局部最优解,且收敛速度慢的缺陷,对算法引入回溯机制,用停滞前一代的精英个体替换当前种群中所有适应度最差的个体,使较优个体有更多机会向不同方向进化,扩大最优解的搜索空间。25杆空间桁架的截面优化设计结果证明:算法改进后,搜索效率得到明显提高,并通过72杆空间桁架算例,证明了该方法在结构优化中的可行性和有效性。     

基于融合禁忌搜索粒子群算法的配电网无功优化

从数学角度分析,配电网无功优化是一个非线性、多变量、多约束的混合规划问题。粒子群优化搜索算法被广泛应用于求解配电网无功优化问题。由于粒子群算法粒子群在进化过程易趋向同一化,失去多样性,从而使算法陷入局部最优解。本文在分析配电网无功优化的特性基础上,提出一种改进的紧融合禁忌搜索-粒子群算法用于配电网无功优化问题的求解。通过将禁忌搜索功能融合到粒子历史最优解和全局最优解寻优过程中,避免了粒子群算法寻优过程中出现的局部最优问题,从而提高粒子群算法的全局搜索能力。通过IEEE14节点系统的仿真计算结果表明,改进的算法能取得良好的效果。     

基于智能混合策略的测试集优化

利用基于粒子群和蚁群算法的智能混合优化策略,删除冗余测试向量以解决测试集的优化问题. 利用蚁群算法的并行搜索能力构造初始解集,通过粒子群优化算法将解集维数降低,确定每次迭代的个体最优解和全局最优解,并利用新粒子信息更新信息素,最终通过多次迭代找到一个或多个最优测试集. 通过多组数据实例分析可知: 该智能混合优化策略与蚁群算法等其他测试集优化算法相比,可得到多个可行性最优测试集;与蚁群算法相比可提高收敛速度,并降低蚁群算法参数选取对收敛结果的影响,从而避免次优解的出现.     

基于天牛须改进粒子群算法的平面度误差评定研究

基于天牛须改进粒子群算法(BAS-PSO)对平面度误差进行了评定研究.首先,建立基于最小区域的平面度误差评定的数学模型,并将目标函数转化为非线性最优化问题;接着,在粒子群算法(PSO)的基础上,引人局部搜索能力较强的天牛须算法(BAS),加速全局搜索和局部搜索的并行计算,避免算法早熟收敛并陷入局部最优,提高平面度误差评...     

求解复杂优化问题的双层多种群粒子群优化算法

为解决粒子群优化算法存在的易早熟和精度低问题,提出了一种双层多种群粒子群优化算法.此算法采用上下两层,即下层N个基础种群和上层一个精英种群.各个基础种群相互独立进化,并从精英种群中得到优良信息指导自己的进化.上层精英种群首先通过接受各基础种群的当前最优粒子来更新自己的粒子集合,然后执行自适应变异操作,最后随机地向每一个基础种群输送出本次进化后的一个最优粒子来改进其下一轮搜索.该算法的并行双进化机制增加了群体的随机性和多样性,提高了全局搜索能力和收敛精度.实例仿真表明该算法具有较好的性能,尤其对于复杂多峰函数优化,成功率显著提高.     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

基于改进蝗虫优化算法的光伏电池模型参数辨识

针对蝗虫优化算法容易陷入局部最优、收敛精度不足等缺点,提出一种改进蝗虫优化算法。将混沌算法与蝗虫优化算法融合,对蝗虫优化算法进行混沌初始化,改善初始种群质量;再引入差分进化算法的差分策略,通过变异、交叉和选择过程,维持种群的多样性,增大算法跳出局部最优的可能性,从而使算法能搜索到更好的解;在个体更新部分引入了粒子群算法的思想,以当前的最优个体为目标进行个体位置更新,加快算法寻优速度。将改进蝗虫优化算法用于多晶硅太阳能电池模型参数的辨识中,并通过与其它智能优化算法的比较,验证了改进蝗虫算法辨识太阳能电池参数的有效性和优越性。通过实验验证了改进蝗虫优化算法在不同光照下对太阳能电池参数的辨识效果。     

基于混合离散粒子群优化的多时间因素作业车间调度研究

应用粒子群优化(PSO)进行了考虑机器调整时间、工件运输时间以及提前/拖期惩罚的作业车间调度问题的研究,分析了各时间约束对调度的影响,在此基础上设计了一种解决多时间约束调度问题的混合离散粒子群(HDPSO)算法。该算法在初始阶段采用反向学习机制初始化以提高初始解质量,引入记忆池的概念,在每次迭代中利用记忆池中精英解对当代种群搜索加以指导,以增加粒子与优秀群体间的交流并提高收敛速度及跳出局部最优的能力,最后采用一种针对问题的变邻域搜索策略提高了算法收敛精度。实例仿真验证了该算法的有效性。     

运用改进帝国竞争算法识别结构模态参数

智能优化算法以其可在输入输出数据不完备且含噪声污染以及在系统刚度、质量等先验信息缺乏的情况下识别结构参数的优点,近些年来被广泛应用于参数识别。然而,智能算法识别结构参数时容易出现早熟收敛和陷入局部最优的问题,从而导致识别结果误差较大。帝国竞争算法(ICA)作为一种新颖的智能优化算法,在结构参数识别中也同样存在这类缺陷。为此提出一种融合粒子群优化算法(PSO)全局最优思想的改进帝国竞争算法,并将其运用于结构模态参数识别中。五个标准测试函数的测试结果表明,改进帝国竞争算法的性能优于传统帝国竞争算法。最后通过不同加噪环境下简支梁结构的算例分析,进一步验证改进算法可以有效克服寻优过程中早熟收敛、误差较大的缺陷,并且具有良好的抗噪性。     

用于结构优化设计的改进多目标群搜索算法

在多目标群搜索算法（multi-objective group search optimization, MGSO）基本原理的基础上,结合Pareto最优解理论,提出了基于约束改进的多目标群搜索算法（IMGSO）,并应用于多目标的结构优化设计．算法的改进主要有3个方面：第一,引入过渡可行域的概念来处理约束条件;第二,利用庄家法来构造非支配解集;最后,结合禁忌搜索算法和拥挤距离机制来选择发现者,以避免解集过早陷入局部最优,并提高收敛精度．采用IMGSO优化算法分别对平面和空间桁架结构进行了离散变量的截面优化设计,并与MGSO优化算法的计算结果进行了比较,结果表明改进的多目标群搜索优化算法IMGSO与MGSO算法相比具有更好的收敛精度.通过算例表明：IMGSO算法得到的解集中的解能大部分支配MGSO算法的解,在复杂高维结构中IMGSO算法的优越性更加明显,且收敛速度也有一定的提高,可有效应用于多目标的实际结构优化设计．     

应用蜜蜂繁殖进化型粒子群算法求解车辆路径问题

为了提高粒子群算法求解车辆路径问题时收敛速度和全局搜索能力,将蜜蜂繁殖进化机制与粒子群算法相结合,应用到CVRP问题的求解。该算法中,最优的个体作为蜂王与通过选择机制选择的雄蜂以随机概率进行交叉,增强了最优个体信息的应用能力;同时,随机产生一部分雄蜂种群,并将其与蜂王交叉增加了算法的多样性。实例分析表明该算法具有较好的全局搜索能力,验证了该算法的可行性。     

基于圆周割线改进型粒子群优化算法的叶片临界颤振辨识方法研究

针对风力机叶片在颤振风速下的临界颤振现象,创新性地结合几何圆周割线和传统粒子群优化算法,首次设计了一种圆周割线改进型粒子群优化算法,应用于叶片临界颤振系统的参数辨识。该方法利用圆周上移动点的割线距离来动态调节全局学习因子和局部学习因子,针对优化辨识提高全局搜索和局部搜索的动态平衡性,避免陷入局部最优,提高算法的整体寻优性能和优化效率。仿真试验中,将该方法与多种先进粒子群优化算法(如改进型粒子群优化(MPSO)算法、基于线性递减惯性权重的粒子群优化(LDIW-PSO)算法、基于动态学习因子的免疫粒子群优化(IPSODCLF)算法)的辨识结果相比较,结果表明该辨识方法在辨识精度、计算时间和鲁棒性方面均具有显著的优越性。