一种新的求解移动Agent路由问题优化算法

文章对移动Agent在无线传感器网络中的路由问题进行描述,给出该问题的多约束最优非劣路径求解模型,并提出一种SA-CA算法求解移动Agent路由问题:利用模拟退火(Simulated Annealing,SA)算法接受最优单体以推动文化算法(Cultural Algorithms,CA)中信仰空间的进化,并将搜索步长作为情景知识指导群体空间最优解的搜索.这种双层结构特性减少了搜索时间,表现出较好的全局寻优性能.仿真实验也表明,与粒子群优化算法(PSO)、遗传算法(GA)的计算结果相比,提出的新算法在保证求解准确性的同时,具有更快的收敛速度和较高的可靠性,是解决无线传感器网络多约束QoS路由的有效途径,能提高整个网络的性能.     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

带Levy变异的约束优化PS0算法

提出了一种解约束优化问题的新PSO算法(LCPSO).该方法引入了Levy变异策略,使算法LCPSO能有效克服标准.PSO算法易陷入局部最优的缺陷.为更好求解约束边界附近的全局最优解,算法在选择下一代个体时保持群体中不可行解的一定比例,这样,不但能有效增加群体的多样性,而且避免了传统的过度惩罚,使群体向最优解更好、更快的逼近.数值试验表明该算法对约束优化问题求解是非常有效的.     

求解非线性方程组的一种新方法及应用

针对非线性方程组求解问题提出一种变异量子粒子群算法,该算法首先把非线性方程组的求解转化为约束优化问题,然后根据可行性规则,引入约束违反度函数,结合变异算子,不断地寻找更优可行解,逐渐达到搜索全局最优解。数值实验表明,所设计变异量子粒子群算法是可行的、有效的,是求解非线性组的一种成功算法。     

基于自适应粒子群算法的机器人路径规划

针对粒子群算法在解决机器人路径规划中存在的路径易陷入局部最优、路径搜索后期收敛速度慢以及路径不平滑的问题,提出了一种基于模拟退火的改进自适应粒子群算法,该算法结合了模拟退火算法和粒子群算法的优点,路径搜索前期路径搜索速度快,路径搜索过程中路径具有概率突跳的能力,能够有效地避免陷入局部最优路径,而且利用3次样条插值使路径平滑,路径搜索后期路径收敛精度也很高。仿真结果表明,该算法在不同障碍物模型中均能够快速找到最短的平滑路径,而且效果优于传统方法。     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

一种高性能直接型优化算法

针对边界约束函数全局最优化和多峰寻优问题,提出一种直接搜索算法。该算法通过构造一种具有特定空间结构的模式解,并设定运动规则使其具备较强的局部寻优能力,结合Monte Carlo方法用足量的模式解实现局部寻优和全局寻优。该算法对目标函数的解析特性没有特别要求,适合工程应用。与标准的遗传算法、模拟退火算法和粒子群优化算法进行了对比测试,结果表明本文算法在收敛速度和搜索精度上具有优势。     

基于混合智能算法的配电网重构

提出了用修正的离散量子粒子群(MQPSO)算法和模拟退火(SA)算法的混合算法对配电网重构,算法首先改变了基本的二进制粒子群(DPSO)算法中的离散映射方法,直接利用MQPSO算法实现了变量的离散化映射。其次用SA算法弥补了MQPSO算法的局部搜索能力的不足。此外,还提出了用节点聚合法对网络进行简化的处理规则,能够使粒子在初始化过程中避免不可行解的出现。最后对IEEE33节点系统和69节点系统进行了优化计算,与相关文献最优解作对比,结果表明了这种混合智能算法在处理离散问题的可行性。     

一种新的二进制编码量子行为粒子群优化算法

为了保持全局搜索和局部搜索之间的均衡,在二进制QPSO算法中引入全面学习和合作方法,提出了一种新的二进制量子行为粒子群优化算法(CCBQPSO).完全学习策略可以保持群体的多样性,合作方法可以直接将算法引入到本地搜索,并快速收敛到最优解.在该算法中,所有粒子的个体最优位置可以首先参与到本地吸引子的更新,每个粒子的新解向量维度将依次取代对应粒子的先前个体最优位置和群体的全局最优位置的维度,并计算出适应值.最后使用5个测试函数对CCBQPSO的性能进行了测试,结果表明该算法可以增加群体的多样性,且提高了算法的收敛速度.     

一种求解有约全局优化问题的新型混合方法

通过将模拟退火算法与非线性规划神经网络适当结合，本文提出一种求解有约束全局优化问题的新型混合方法．为了使该方法尽可能保持一般模拟退火算法通用性强的优点，在每一次迭代中不是采用非线性规划神经网络直接求原问题的局部最优解，而是通过求解一个辅助优化问题得到原问题的可行解．数值计算结果表明，与使用罚函数方法处理约束的模拟退火算法相比，本文提出的混合方法不仅可靠性高，而且可以显著地提高计算效率．     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

混合算法在轻钢结构优化设计中的应用

结合粒子群优化（PSO）算法快速的全局收敛性和蚁群优化（ACO）算法较强的寻优能力,提出了一种融合PSO算法和ACO算法的混合算法。首先利用PSO算法较强的全局搜索能力,产生各粒子的最优位置值;然后对ACO算法的蚂蚁总个数进行调整,在保证算法全局搜索能力的同时,避免陷入局部最优;最后利用改进的ACO算法对最优位置值做进一步优化。将该混合算法应用于轻钢结构优化设计中,建立优化设计模型。以轻钢门式框架为例,利用该模型进行优化分析,并与文献[11]中改进模拟退火算法的优化结果进行对比。结果表明,混合算法经过61次迭代后能够求出较好的全局最优解,合理可行。     

解决ACP高维优化问题的自适应多粒子模拟退火算法

提出了一种改进的针对高维优化问题的自适应多粒子模拟退火(AMSA)算法,通过多个粒子对整个高维空间进行随机分割和相对独立的局部退火. 当每个局部于当前温度下达到稳态后,随着温度的降低,粒子依据自身状态和相互之间的关系自适应地减少粒子数目,以降低复杂度. 该算法用于解决通用移动通信系统自动小区规划问题. 仿真结果显示,对比其他用于解决高维优化问题的启发式算法,AMSA算法能在预定的时间内取得更理想的结果.     

基于模拟退火算法的动力头优化设计

根据模拟退火算法的基本原理,定义了动力头优化的目标函数及各种约束条件,给出了模拟退火算法对动力头优化的具体过程.分析对比了常规退火算法同改进的退火算法及采用MATLAB工具箱中fmincon函数对动力头优化的结果.优化结果和实验分析表明,采用改进的模拟退火算法对动力头优化设计是获取问题最优解的好方法.     

基于快速模拟退火算法的叠前三参数同步反演

地震叠前弹性参数反演可以为解释人员提供丰富的岩性和流体的信息。针对上述典型的非线性反演问题,模拟退火法在解空间进行全局寻优,克服了线性算法容易陷入局部极值的缺陷,但其计算速率较低。为此,本文首先详细地介绍了一种快速模拟退火算法,并将其应用到叠前三参数同步反演,主要是采用似Cauchy分布产生初始模型,广义Gibbs分布作为接受准则,并对由叠前数据求得的目标函数快速搜索全局最优解。通过模型试验表明,基于本文的快速模拟退火算法反演得到的三参数不仅精度高,而且计算效率得到了一定的提高。     

混合遗传模拟退火算法求解背包问题

提出了一种混合遗传模拟退火算法求解背包问题,该算法应用改进的模拟退火算法作为局部搜索,提高算法的搜索效率,采用同时考虑解的质量和种群多样性的种群更新策略,保持种群的多样性,仿真实验结果表明该算法是有效的.     

模拟退火遗传算法在电力系统无功优化中的应用

电力系统无功优化是保证系统安全、经济运行的一项有效手段．针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,在遗传算法（GA）和模拟退火算法（SA）的基础上,提出了更加有效的算法即模拟退火遗传算法．使用该文提出的算法对IEEE-14节点系统进行了无功优化计算,结果表明该模拟退火遗传算法应用于无功优化是合理可行的．     

改进的模拟退火算法及其收敛性研究

高维连续函数的全局优化问题广泛存在于计算生物学、计算化学等诸多领域。针对这类问题，本文给出了一类改进的模拟退火算法，将局部极小化过程引入模拟退火算法。并采用一种简单的方法证明了该算法以概率1收敛于全局最优解。