改进的粒子碰撞算法及其在化工优化中的应用

化工优化问题往往较为复杂,传统的确定性优化方法容易陷入局部最优.粒子碰撞算法(PCA)是新近提出的一种随机全局优化算法,是模拟核反应时粒子与原子核碰撞发生的吸收和散射现象,设计成以扰动、探测、散射三种操作算子实现算法寻优,但全局寻优效率不高.通过分析PCA寻优机制,提出改进策略,包括设计多位交叉算子增加算法的交叉操作,以克服PCA缺乏协同进化机制的弱点;运用单纯形搜索改进探测算子,以增强局部寻优能力;采用交叉率自适应调整等,由此设计一种改进的粒子碰撞算法(MPCA).Shaffer's F6函数和八维Alpine函数测试表明,MPCA的全局优化性能明显优于PcA和常规遗传算法(SGA).将MPCA应用于L-异亮氨酸分批发酵动力学模型参数优化,结果满意.     

基于优进策略的新差分进化算法动力学模型参数的估计

为准确估计反应动力学参数,针对标准差分进化算法(DEA)全局寻优效率偏低的弱点,提出一种优进策略的差分进化算法(EDEA).它将确定性寻优的单纯形(SM)算子引入随机的DEA中.DEA将依概率调用SM寻优操作,测试结果表明,EDEA克服了DEA的缺点,比其它方法全局寻优性能好.该法成功的用于重油热解三集总动力学复杂数学模型的非线性参数估计,效果良好,结果有改进,显出EDEA的优越性.     

基于神经网络和非线性原—对偶内点算法的电网无功优化补偿

在简要分析了传统的电力系统无功优化的方法后，针对无功优化计算中离散变量和 连续变量共存的问题，提出了用神经网络对补偿后电网的质量参数进行预测，并结合求解无功优化的非线性原－对偶内点算法进行全局寻优，实现对电网无功优化补偿的控制方法．结果表明，该控制系统提高了系统的功率因数，减少了系统的损耗，初步解决了电网参数复杂、补偿系统难以建模等问题，并证明了该算法的有效性．     

基于多特征的退火粒子滤波视觉目标跟踪算法

提出了一种新的融合多特征的基于改进模拟退火粒子滤波跟踪算法。首先,针对重要性采样粒子滤波算法中重要性抽样密度函数未考虑最近观测值,不能有效逼近真实后验密度函数的问题,通过采用改进的模拟退火(SA)方法优化重要抽样密度函数,并利用不同温度下扰动函数和Metropolis准则克服粒子匮乏缺陷;同时,针对SA方法在粒子滤波视觉跟踪应用上效率不高的缺陷,对经典模拟退火算法进行改进,降低了参数选择的敏感性,保持了原算法全局寻优的优点,提高了算法的速度。     

一种改进的量子遗传算法及其应用

针对基于Bloch球面坐标编码的量子遗传算法应用中的优化效率低和局部寻优较差能力问题,提出2点改进措施：在比较种群的基础上将局部搜索与全局搜索相结合;依据三链特性将搜索空间扩展为3Bloch球面空间。将改进算法应用于多变量函数极值优化问题,仿真结果表明,该改进算法寻优代数小、收敛速度快、效率高,并且具有较好的种群多样性,验证了改进措施的有效性。     

基于人工免疫的多峰函数优化算法研究

研究函数优化问题,提高寻优效率。针对寻找函数最优解,当函数是具有多个峰值的函数时,传统的基于蚁群的函数优化算法易陷入局部极小,不能找到真正的全局最优解的问题。提出一种基于人工免疫的改进蚁群函数优化方法,在传统的蚁群算法基础上引入人工免疫的思想,加入抗体浓度作为蚂蚁选择下一条路径时的条件,由空间信息素、抗体浓度以及抗体适应度值等全局信息来决定抗体被选择的概率,避免了只依赖单一的信息素寻优而陷入局部极小的问题。实验证明,这种方法不仅能解决多峰函数寻优易陷入局部极小的问题,而且具有很高的迭代寻优效率,取得了满意的结果。     

基于免疫-蚂蚁算法的多约束QoS多播路由优化

针对多约束QoS多播路由问题，选择带宽、时延和时延抖动为QoS参数，借鉴人体免疫系统的适应能力和蚂蚁算法的全局寻优能力，提出了一种新的融合算法即免疫-蚂蚁算法。利用免疫算法把目标函数和约束条件作为抗原，目标函数的优化解对应为抗体，使得求解过程的收敛方向得以控制，利用蚂蚁算法产生和更新抗体。实验结果表明，该算法能够明显提高路由选择的效率。     

应用混沌烟花算法求解置换流水车间问题

改进烟花算法求解置换流水车间问题。用最大位置法编码,将连续变量映射到离散空间。引入动态半径因子,平衡局部搜索与全局搜索。精英个体混沌搜索,进一步挖掘个体信息。用锦标赛策略替代原有的选择算子,群体中的优良个体被选择的概率增大。通过正交实验选择合适参数,求解Car类和Rec类基准问题。与基本烟花算法、萤火虫算法和粒子群算法的对比实验说明,改进后的混沌烟花算法在寻优率、寻优速度等上具有一定的优势,是求解置换流水车间问题的有效工具。     

基于模式优选思想改进的粒子群优化算法

针对粒子群优化算法（PSO）容易陷入局部最优值的缺点,提出一种基于遗传算法模式定理思想改进的粒子群优化算法（IPSO）．新算法改善了粒子群优化算法摆脱局部极小点的能力．对典型函数的测试表明,IPSO算法的全局搜索能力有了显著提高,特别是对多峰函数能有效地避免早熟收敛问题．将改进的粒子群优化算法用于氧化反应动力学参数的优化,计算结果表明,新算法优化结果明显优于文献报道．     

基于二进制量子微粒群算法的二维熵图像分割

分析量子计算的特点,对量子旋转门进行研究,给出了新的量子旋转门调整策略,并与离散二进制粒子群优化算法进行组合,提出了二进制量子粒子群优化算法。该算法具有收敛速度快、全局寻优能力强的特点。用典型复杂函数对其进行测试,测试结果表明,算法的优化质量和效率都优于离散二进制粒子群优化算法。将二进制量子粒子群优化算法与阈值法相结合应用于图像分割,结果表明了基于二进制量子粒子群优化算法的二维熵图像分割法用于阈值寻优具有更快的收敛速度和更好的全局寻优能力。     

多点随机搜索算法估计反应动力学参数

提出一种多点随机搜索算法，一方面它汲取随机搜索算法的优点以克服陷人局部最优点；另一方面它通过判断搜索过程目标函数变化趋势，从而能在响应曲面的下降方向上前进，加快寻优进程。与遗传算法相比较，多点随机搜索算法能以更快的速度找到全局最优解；与梯度下降算法相比较，它能以更高的概率找到全局最优解。本文将多点随机搜索算法应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算，获得动力学模型对实验数据拟合的相对误差绝对值之和比文献报道降低了14．1％。     

Interval analysis based robust truss optimization with continuous and discrete variables using mix-coded genetic algorithm

The problem of optimizing truss structures in the presence of uncertain parameters considering both continuous and discrete design variables is studied. An interval analysis based robust optimization method combined with the improved genetic algorithm is proposed for solving the problem. Uncertain parameters are assumed to be bounded in specified intervals. The natural interval extensions are employed to obtain explicitly a conservative approximation of the upper and lower bounds of the structural response, and hereby the bounds of the objective function and the constraint function. This way the uncertainty design may be performed in a very efficient manner in comparison with the probabilistic analysis based method. A mix-coded genetic algorithm (GA), where the discrete variables are coded with binary numbers while the continuous variables are coded with real numbers, is developed to deal with simultaneously the continuous and discrete design variables of the optimization model. An improved differences control strategy is proposed to avoid the GA getting stuck in local optima. Several numerical examples concerning the optimization of plane and space truss structures with continuous, discrete or mixed design variables are presented to validate the method developed in the present paper. Monte Carlo simulation shows that the interval analysis based optimization method gives much more robust designs in comparison with the deterministic optimization method.     

A comparison of global optimization algorithms applied to a ride comfort optimization problem

This study presents a comparison of global optimization algorithms applied to an industrial engineering optimization problem. Three global stochastic optimization algorithms using continuous variables, i.e. the domain elimination method, the zooming method and controlled random search, have been applied to a previously studied ride comfort optimization problem. Each algorithm is executed three times and the total number of objective function evaluations needed to locate a global optimum is averaged and used as a measure of efficiency. The results show that the zooming method, with a proposed modification, is most efficient in terms of number of objective function evaluations and ability to locate the global optimum. Each design variable is thereafter given a set of discrete values and two optimization algorithms using discrete variables, i.e. a genetic algorithm and simulated annealing, are applied to the discrete ride comfort optimization problem. The results show that the genetic algorithm is more efficient than the simulated annealing algorithm for this particular optimization problem.     

哈夫曼编码的协同粒子群优化算法

针对粒子群优化（PSO）算法在优化问题过程中易陷入局部最优的问题,提出一种基于哈夫曼编码的协同粒子群优化（HC PSO）算法。采用哈夫曼编码将种群划分成2个子种群并对2个子种群进行独立优化,同时,2子种群之间协同完成搜索种群的全局最优解。采用6个标准测试函数来测试算法性能。实验结果表明,该算法可以有效地避免种群陷入局部最优,具有较好的优化性能和稳定性,收敛精度得到了显著的提高。     

Approximate control optimization based on transformation of object model

It is considered an approach to approximate solving of control problems using different simplifying transformation of object model based on principles of extension or contraction of searching area and possible schemes of its realization. This approach focuses on getting, generally speaking, of a rough approximation to a global solution with two-sided estimation. Main attention focused on effective non-traditional schemes of continuous system velocity set transformation and discrete system transition set transformation. The obtained global approximate solutions can be considered as initial approximations in various iterative optimization procedures to be improved.     

An efficient truss structure optimization framework based on CAD/CAE integration and sequential radial basis function metamodel

In order to improve the performance and efficiency of truss structure optimization, this paper presents a general framework that embeds and seamlessly integrates commercial CAD and CAE software through common programming languages and application programming interface (API). Along with the automatic CAD/CAE integration, an adaptive metamodel-based optimization called sequential radial basis function (SRBF) is applied to truss structure optimization involving sizing, geometry and topology variables. SRBF distinguishingly features two-loops searching strategy, the “inner loop” and the “outer loop”. The “inner loop” aims to search a feasible point through updating the factors of the augmented Lagrangian function. With the improved significant sampling space (ISSS) method, the “outer loop” sequentially generates new additional samples to update the RBF model. The continuous relaxation method is developed to deal with the mixed-discrete variables during the truss structure optimization. Applied to practical truss structure optimization problems from small scale to large scale, the proposed framework demonstrates feasibility of the CAD/CAE integration system during the structure modeling and analysis, and facilitates the truss structure optimization process. The comparison results between the SRBF and other approaches show that SRBF improves merit of searching global optimum and reduces the computation cost.     

基于混沌优化的二自由度PID控制仿真研究

混沌是存在于非线性系统中的一种较为普遍的现象，混沌优化方法是一种新兴的优化方法，利用混沌所特有的随机性、遍历性和规律性的特点实现全局优化搜索，避免了陷入局部极小。二自由度PID控制器它可以独立的整定两组PID参数，使目标值跟踪特性和干扰抑制特性两者同时达到最佳，将混沌优化应用于二自由度PID控制器参数的优化设计，对六个参数进行同时优化，对主蒸汽压力系统的仿真结果表明了二自由度PID控制器的优越性，以及混沌优化方法的有效性和实用性。     

基于改进遗传算法的电力系统无功优化的研究

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题,其操作变量既有连续变量又有离散变量,其优化过程比较复杂。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应的全局优化搜索算法,可用于解决含有离散变量的复杂优化问题。本文选用遗传算法求解电力系统无功优化问题,并对基本遗传算法的编码、初始种群、适应度函数和交叉、变异策略等进行改进,使用本文提出的改进算法对IEEE1 4节点进行无功优化计算,结果证明本文模型和算法的实用性、可靠性和优越性。     

基于Tent映射的自适应混沌嵌入式粒子群算法

为避免粒子群算法后期出现早熟收敛,提出一种基于Tent映射的自适应混沌嵌入式粒子群算法。将混沌变量嵌入到标准粒子群算法中,且对参数进行自适应调整。算法采用Tent映射生成的混沌序列来取代基本粒子群算法中的随机数,充分利用了混沌运动的随机性、遍历性和规律性;惯性权重和学习因子采用非线性的自适应调整策略;建立平均粒距与适应度方差相结合的早熟收敛判断机制,并且以混沌搜索的方式来跳出局部最优。测试函数仿真结果表明,该算法具有良好的全局搜索能力,寻优精度较高,鲁棒性好。     

结合文化算法的多种群协同变异PSO算法

粒子群算法是一种新的基于群体智能的启发式全局优化算法,其概念简单,易于实现,而且具有良好的优化性能,目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时,算法易陷入局部最优。结合文化算法和高斯变异的思想,提出一种基于文化算法和高斯变异的多群协同粒子群算法。该算法可以摆脱局部最优解对微粒的吸引,基于典型高维复杂函数的仿真结果表明,与多种群粒子群优化算法相比,该混合算法具有更好的优化性能。