求解多维背包问题的蚁群-拉格朗日松弛混合优化算法

针对多维背包问题(MKP) NP-hard、约束强的特点, 提出一种高效的蚁群-拉格朗日松弛(LR) 混合优化算法. 该算法以蚁群优化(ACO) 为基本框架, 并基于LR 对偶信息定义了一种MKP效用指标. ACO使得整体算法具有全局搜索能力, 所设计的效用指标将MKP的优化目标与约束条件有机地融合在一起. 该指标一方面可以用来定 义MKP核问题, 降低问题规模; 另一方面, 可以用作ACO的启发因子, 引导算法在有希望的解区域中强化搜索. 在大量标准算例上的测试结果表明, 所提出算法的鲁棒性较好; 与其他已有算法相比, 在求解质量和求解效率方面均具有很强的竞争力.

     

求解TSP 问题的离散狼群算法

通过定义反转算子, 对人工狼位置和智能行为重新进行整数编码设计, 并结合概率近邻初始化方法, 提出一种求解旅行商问题的离散狼群算法. 该算法保留了狼群算法基于职责分工的协作式搜索特性, 并较好地平衡了算法的广度开拓和深度开采能力. 采用C-TSP 问题和TSPLIB 数据库中的多组TSP 问题作为实验用算例, 并将所提出算法与其他5 种智能优化算法进行对比, 仿真结果表明, 所提出算法在求解准确率、稳定性和所需迭代次数等方面具有相对优势.

     

基于深度邻域搜索PSO 算法的装配序列优化问题

针对产品结构特征建立几何约束矩阵, 以最大化满足几何约束条件装配次数和最小化装配方向改变次数为目标, 研究产品装配序列优化问题. 利用值变换的粒子位置和速度更新规则, 基于具有随机性启发式算法产生初始种群, 提出一种带有深度邻域搜索改进策略的粒子群算法解决装配序列问题. 通过装配实例验证了所提出算法的性能并对装配序列质量进行了评价, 所得结果表明了该算法在解决装配序列优化问题上的有效性与稳定性.

     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

不确定可靠性优化问题的多目标粒子群优化算法

针对元件可靠性为区间值的系统可靠性优化问题, 提出一种区间多目标粒子群优化方法. 首先, 建立问题的区间多目标优化模型; 然后, 利用粒子群算法优化该模型, 定义一种不精确Pareto 支配关系, 并给出编码、约束处理、外部存储器更新、领导粒子选择等关键问题的解决方法; 最后, 将该方法应用于可靠性优化问题实例, 验证了方法的有效性.

     

求解多处理器任务调度问题的改进差分进化算法

针对多处理器系统任务调度复杂问题, 在自适应差分进化算法基础上增加惯性速度分项, 提出一种称为惯性速度差分进化(IVDE) 的改进算法, 以避免陷入局部最优解. 结合启发式任务列表, 对算法的状态编码提出了处理器列表(PL)、部分偏序任务列表(PTL) 和全部任务列表(CTL) 等3 种形式. 通过求解随机生成的任务调度标准图和真实求解任务问题, 进行了数值仿真验证, 其中PTL-IVDE 算法相比蚁群优化(ACO) 算法、混合遗传算法(TLPLC-GA), 能快速求得更好的任务调度方案.

     

一种求解旅行商问题的新型帝国竞争算法

帝国竞争算法是一种已在连续优化问题上取得较好效果的新型社会政治算法. 为了使该算法更好地应用于离散型组合优化问题, 提出一种求解旅行商问题的新型帝国竞争算法. 在传统算法的基础上, 改变初始帝国的生成方式; 同化过程采取替换重建方式, 以提升求解质量; 革命过程中引入自适应变异算子, 以增强搜索能力; 殖民竞争过程中调整了殖民地分配方式; 算法加入帝国增强过程, 以加快寻化速度. 实验结果表明, 新型帝国竞争算法求解质量高、收敛速度快.

     

基于改进流体扰动算法与灰狼优化的无人机三维航路规划

针对复杂地形环境下的无人机三维航路规划问题, 提出一种基于改进的扰动流体动态系统与灰狼优化理论的混合航路规划算法. 构建改进的扰动流体动态系统数学模型, 通过修正初始汇流得到扰动流场, 流场流线即可看作规划航路, 能有效避免驻点、局部陷阱等问题. 通过模拟灰狼群体的等级制度和捕食策略, 并引入个体记忆功能和优胜劣汰选择规则, 对障碍物反应系数进行寻优. 仿真结果表明, 规划出的三维航路平滑、可飞, 具有良好的避障特性.

     

求解大规模系统可靠性问题的修正和声搜索算法

针对大规模系统可靠性问题, 提出一种修正和声搜索(MHS) 算法. 该算法修改了和声搜索(HS) 算法的搜索机制, 以当前最优解为研究对象, 随机选取不同维数进行即兴创作, 并修正步长(BW) 的调整方式, 均衡算法的全局搜索和局部搜索. 对经典的大规模系统可靠性问题进行求解, 数值结果表明, 所提出算法优于其他文献中的6 种和声搜索算法. 与最近提出的求解此类问题的各种算法进行实验对比, 实验结果表明所提出算法在整体上具有良好的优化性能.

     

带实际约束的大规模车辆路径问题建模及求解

针对现有算法不能有效求解卷烟配送过程中, 问题规模大并具有诸多实际约束条件限制这类实际问题, 首 先分析实际约束, 建立问题模型; 然后从模型出发设计多阶段算法, 通过地理信息的分级管理实现区域划分, 在降低 问题规模的同时消除交通障碍; 采用改进的k 均值聚类法分派线路, 将问题转化为求解小规模旅行商问题; 最后以济 南市区的卷烟配送为例, 通过与典型优化算法的比较表明了所提出多阶段算法在实际应用中的优越性.

     

基于超越几何规划的热轧操作优化问题

针对钢铁热轧生产操作优化问题,建立热轧操作优化模型.该模型的难点是,模型具有高度非线性的特征,难以获得最优解.考虑模型数学表达式的结构特点,将操作优化模型等价转化为超越几何规划模型,由于获得的模型存在对数项,无法直接有效求解,利用模型的结构特点,通过数学变换和理论分析,转化为凸规划模型,从而利用凸规划软件获得最优解,为操作优化问题获得全局最优解提供一种新方法.     

基于个人偏好的多目标优化问题目标权重计算方法

针对多目标优化过程中如何根据个人偏好确定各目标权重的问题,提出一种约束优化方法以获得各目标的最佳权重.首先,将目标权重计算问题转化为综合适应度最大方差计算问题;然后,将个人偏好转化为最大方差问题不等式约束条件;最后,利用遗传算法和梯度投影法求解约束优化问题以获得最佳的目标权重.在电力机车故障维修策略决策过程中应用该算法计算各部件经济性、安全性等目标权重,实验结果验证了所提出方法能够获得满足个人偏好的最佳目标权重.     

一种智能优化算法解质量评价方法

如何评价智能优化算法在有限时间内所得解的质量, 是计算智能基础研究和工程实践中都亟待解决的问题. 受序优化思想启发, 针对连续优化问题, 提出一种评价智能优化算法解质量的方法. 首先利用聚类方法对解记录均匀化分区, 然后根据适应度值分布计算对准概率作为解质量评价指标. 通过对均匀采样、非均匀采样、粒子群算法和遗传算法的寻优结果进行实验表明了所提出方法的有效性.

     

求解一类特殊的双层规划问题的遗传算法

主要研究上层函数及其约束函数不要求具有凸性和可微性,下层是关于下层决策变量是凸二次规划的双层规划模型,通过Karush-Kuhn-Tucher 条件转化为一个单层规划,利用下层是正定二次规划,将下层的决策变量表示为关于 Lagrangian乘子的表达式,从而降低了搜索空间的维数,设计了遗传算法,并通过数值实验表明该遗传算非常有效。     

基于环境Pareto 支配选择策略的有约束多目标差分进化算法

在处理有约束多目标问题的进化算法中, 目前普遍采用Deb 教授提出的约束占优的直接支配选择策略. 在约束处理中, 优秀不可行解与优秀可行解同样重要, 但在直接支配选择策略中, 不可行解被选择的几率很小. 针对此问题, 设计一种环境Pareto 支配的选择策略, 并基于此提出用于解决有约束多目标问题的差分进化算法. 对经典测试函数进行仿真计算, 结果表明, 与其他算法相比, 所提出的算法具有更高的收敛性和稳定性.

     

一种采用抽样策略的PSO 算法

原始粒子群优化算法(PSO) 和各种改进方法存在着参数取值固定、收敛精度低等问题. 为此, 提出一种采用抽样策略的粒子群优化算法(SS-PSO). 通过拉丁超立方抽样(LHS) 策略更新粒子速度和位置, 以加快收敛速度; 提出一种基于随机采样的最优位置修正方法, 以微调全局最优; 提出“双抽样”LHS 局部搜索方法, 以提高收敛精度. 与其他新近提出的两个算法进行对比, 结果显示SS-PSO 在一定程度上提高了算法的性能.