应急物流车辆调度多目标鲁棒优化研究

针对应急物流车辆调度问题中对于经济性、时效性、可靠性和鲁棒性的多种要求，考虑了含有时间窗、不确定需求、不确定行驶时间，以及路段含有失效风险的多目标鲁棒车辆路径优化问题，通过定义新的成本函数、满意度函数、风险度函数和鲁棒度函数作为四个优化目标来构建模型，并基于鲁棒优化理论将不确定模型转化为确定性鲁棒对应模型求解，为解决不确定环境下优化问题提供了新的思路。算法方面，主要基于SPEA2算法框架求解该多目标模型，针对算法缺陷提出多种改进策略，并通过对比实验证明了改进策略的有效性。     

基于boltzmann选择策略的人工蜂群算法

人工蜂群算法（ABC）是一种基于蜜蜂行为的优化算法。基于Boltzmann选择机制提出了一种改进的人工蜂群算法（BABC）用来优化多变量函数。BABC算法使初始群体均匀化;采用Boltzmann选择机制来代替轮盘赌以防止算法过早收敛。经过实验证明,该算法具有全局搜索能力好,收敛速度快,参数设置少等优点。     

运用区间算法的约束非线性系统鲁棒模型预测控制

针对一类具有输入和状态约束的干扰有界非线性系统,提出了基于区间分析的约束非线性鲁棒模型预测控制,以降低计算量并扩大系统吸引域.首先,在集合运算的基础上,利用区间运算和函数区间扩展,给出了一种计算效能更好、保守性更低的非线性系统鲁棒一步集计算方法;其次,构造重叠的多面体控制不变集序列并以此计算约束非线性系统的鲁棒多步集,并通过设计基于集合的在线优化策略,提出了基于鲁棒一步集的单步优化非线性模型预测控制,有效降低了非线性优化的在线计算量;最后,仿真实例验证了算法的有效性.     

鲁棒多目标线性规划模型及混合遗传算法

针对目标函数系数和约束条件系数均在椭球扰动集下的不确定多目标线性规划, 提出了椭球扰动集下的鲁棒多目标线性规划问题。基于每个目标均需获得鲁棒解的假设下给出了定理及证明, 以此把原问题转换为具有二阶锥约束的确定性多目标优化问题。设计了一种混合策略求解算法, 整体流程采用多目标遗传算法, 局部采用SOCP优化软件Sedumi进行计算, 从而获得不确定多目标线性规划的鲁棒解集, 并通过数值算例验证了该算法的有效性。     

蜂群优化算法在车辆路径问题中的应用

车辆路径问题（VRP）是组合优化中典型的NP难题。根据车辆路径问题的实际情况,考察车辆数和总行程两个目标函数,给出了该问题的一种新的算法,蜂群算法。通过计算若干benchmark问题,并将结果与其他算法相比较与分析,验证了算法的有效性。蜂群算法是刚刚起步的智能优化算法,目前国内外关于蜂群算法的文献较少,故不仅是拓宽蜂群算法的应用范围的有效的尝试,同时也给车辆路径问题提供了一种新的解决方法。     

融合标签与人工蜂群的微博推荐算法

针对基于标签的推荐算法中存在的冷启动问题,提出了一种融合标签与人工蜂群的微博推荐算法——TABC-R。首先,对用户的标签信息进行定义,并使用标签集表示用户兴趣;其次,根据标签权重、标签属性权重和标签与微博中词语的相似度三种变量来构造人工蜂群算法中的适应度函数;最后,利用人工蜂群算法的搜索策略,搜索出具有最优适应度值的微博向用户进行推荐。与基于标签的推荐（T-R）算法和基于人工蜂群的推荐算法（ABC-R）相比,TABC-R算法的准确率和召回率均有小幅提升,表明了TABC-R算法的有效性。     

相关积分结合鲁棒预测控制求解实时优化问题及应用

针对现有传统相关积分优化算法在求解实时优化时存在的问题,如考虑实时约束不足、算法参数较为单 一且参数难以凑试等,提出一种将鲁棒预测控制与相关积分相结合的实时优化算法,采用传统相关积分优化算法计算优化目标函数和调优变量的梯度,将调优变量实时梯度作为表征系统是否还有优化裕度的中间变量,利用基于多胞体模型的鲁棒预测控制方法对调优变量增量进行实时求解,并将调优变量的增量作为调优变量的设定值. 所提出改进算法继承了传统相关积分优化的优点,同时也提升了原有算法的约束处理能力,保证了其优化解的实时可行性.仿真研究以及二甲苯加热炉热效率实时优化的工业应用测试结果验证了所提出方法的可行性和有效性.     

鲁棒线性优化问题研究综述

鲁棒优化（ＲＯ）是从计算复杂性的角度研究不确定优化模型鲁棒最优解的数学方法．从单阶段鲁棒优化和多阶段鲁棒优化两个方面对鲁棒线性优化（ＲＬＯ）理论的研究进展进行综述,前者的研究主要基于不同形式的不确定集合,后者的研究则基于前者的方法．研究多阶段不确定决策中决策变量受不确定参数实现值影响的情况,其核心是影响函数连续时的仿射可调鲁棒对应模型和函数离散时的有限适应性模型．最后对ＲＬＯ 的研究前景作了展望．

     

一种求解鲁棒优化问题的多目标进化方法

鲁棒优化问题（Robust Optimization Problem,ROP）是进化算法（Evolutionary Algorithms,EAs）研究的重要方面之一,对于许多实际工程优化问题,通常需要得到鲁棒最优解。利用多目标优化中的Pareto思想优化ROP的鲁棒性和最优性,将ROP转化为一个两目标的优化问题,一个目标为解的鲁棒性,一个目标为解的最优性。针对ROP与多目标优化的特点,利用动态加权思想,设计一种求解ROP的多目标进化算法。通过测试函数的实验仿真,验证了该方法的有效性。     

基于knee points的改进多目标人工蜂群算法

传统的人工蜂群算法（Artificial Bee Colony algorithm,ABC）及其在多目标上的扩展（Multi Objective Artificial Bee Colony algorithm,MOABC）存在着在高维、多峰函数情况下收敛速度变慢、后期容易陷入局部最优以及寻优精度丢失等问题。基于knee points提高收敛性和分布性的特点,设计了一种快速识别knee point的算法并将其应用到多目标人工蜂群算法中,提出了一种基于knee points的改进多目标人工蜂群算法（KnMOABC）。算法在迭代过程中考虑pareto支配关系的同时,优先选择knee point作为下一代个体,极大地增强了算法的收敛速度,同时,在knee point识别算法中加入自适应的策略以保持良好的分布性。实验结果表明,KnMOABC的性能优于三个最新的多目标人工蜂群对比算法。     

A new hybrid artificial bee colony algorithm for robust optimal design and manufacturing

The purpose of this paper is to develop a novel hybrid optimization method (HRABC) based on artificial bee colony algorithm and Taguchi method. The proposed approach is applied to a structural design optimization of a vehicle component and a multi-tool milling optimization problem.A comparison of state-of-the-art optimization techniques for the design and manufacturing optimization problems is presented. The results have demonstrated the superiority of the HRABC over the other techniques like differential evolution algorithm, harmony search algorithm, particle swarm optimization algorithm, artificial immune algorithm, ant colony algorithm, hybrid robust genetic algorithm, scatter search algorithm, genetic algorithm in terms of convergence speed and efficiency by measuring the number of function evaluations required.     

基于改进的蜂群算法求解专有路径保护设计优化问题

针对光网络故障恢复资源利用的优化问题,采用改进的蜂群算法（IABC）来求解专有路径保护设计优化问题。由于采蜜机理的蜂群算法全局寻优能力较弱,引入禁忌表机制,增强算法搜索全局最优解的能力,并改进蜂群算法的交叉算子,增强算法的收敛速度。通过实验仿真。结果表明与传统的ABC算法相比,IABC能算法大大地提高计算效率,针对较复杂网络资源优化的NP问题提供有效的可行性实施方法。     

Comparison of evolutionary-based optimization algorithms for structural design optimization

In this paper, a comparison of evolutionary-based optimization techniques for structural design optimization problems is presented. Furthermore, a hybrid optimization technique based on differential evolution algorithm is introduced for structural design optimization problems. In order to evaluate the proposed optimization approach a welded beam design problem taken from the literature is solved. The proposed approach is applied to a welded beam design problem and the optimal design of a vehicle component to illustrate how the present approach can be applied for solving structural design optimization problems. A comparative study of six population-based optimization algorithms for optimal design of the structures is presented. The volume reduction of the vehicle component is 28.4% using the proposed hybrid approach. The results show that the proposed approach gives better solutions compared to genetic algorithm, particle swarm, immune algorithm, artificial bee colony algorithm and differential evolution algorithm that are representative of the state-of-the-art in the evolutionary optimization literature.     

基于改进的人工蜂群的独立分量分析方法

针对快速固定点独立分量分析方法容易陷入局部最优解的问题,提出了一种基于改进的蜂群优化的独立分量分析方法。该方法以信号的峭度作为代价函数,利用人工蜂群方法对其进行优化。在优化的过程中,一方面为了避免随机搜索造成的开采能力弱的问题,在跟随蜂搜索阶段采用当前迭代最优解引导的方式产生新的候选解,另一方面,为了避免产生更差的解,在侦查蜂阶段,利用当前迭代中的最优解与最差解的距离产生新的解,代替最差解,提高人工蜂群优化方法的寻优效果,进而提高独立分量分析的精度。实验仿真验证了算法的性能。     

求解车辆路径问题的人工蜂群算法

采用人工蜂群算法对车辆路径问题进行求解,给出食物源的自然数编码方法,并采用邻域倒位方法生成候选食物源。应用算法求解了多个车辆路径问题的实例,并将结果与其它一些启发式算法进行了比较和分析。计算结果表明,人工蜂群算法可以有效求解车辆路径问题,同时也为算法求解其它一些组合优化问题提供了有益思路。     

基于BP神经网络的故障诊断模型研究

滚动轴承是旋转机械中最常用的部件之一。滚动轴承很容易损坏，而它的工作条件通常比较复杂，很难对其故障进行准确判断。为了提高滚动轴承故障诊断的有效性，构建了一种新的基于改进量子蜂群算法和BP神经网络的滚动轴承故障诊断模型（IQABC-BP）。首先针对量子蜂群算法在种群初始化和进化过程中存在的问题，提出了一种改进量子蜂群算法，然后利用改进量子蜂群算法对BP神经网络的初始权值、阈值和隐含层单元数进行优化，建立了一种具有超并行超高速的基于改进量子蜂群算法的BP神经网络模型，并应用于滚动轴承的故障诊断中。实验结果表明，IQABC-BP模型收敛速度更快，故障诊断效果更好，具有很好的应用价值。     

改进人工蜂群算法及其在边缘计算卸载的应用

移动边缘计算（MEC）通过将算力下沉到网络边缘来降低计算时延和设备能耗。针对计算密集型和时延敏感型应用场景,提出了一种单多维动态种群策略的人工蜂群算法（OMABC）来实现计算任务的卸载。建立一个包含云服务器的边缘计算卸载模型,并构建一个以能耗为惩罚项的代价函数;将计算任务的卸载决策转化为人工蜂群算法对代价函数的寻优过程。通过仿真实验,在CEC 2017测试函数上验证了OMABC的有效性,并在边缘计算模型仿真中与本地卸载策略、随机卸载策略、基于粒子群算法（PSO）的卸载策略、基于人工蜂群算法（ABC）的卸载策略进行对比。实验结果表明,基于OMABC的边缘计算卸载策略能够有效降低MEC系统的时延及代价函数,提供更高效的服务。     

Linkage artificial bee colony for solving linkage problems

Nature-inspired meta-heuristics have gained popularity for the solution of many real world complex problems, and the artificial bee colony algorithm is one of the most powerful optimisation methods among the meta-heuristics. However, a major drawback prevents the artificial bee colony algorithm from accurately and efficiently finding final solutions for complex problems, whose variables interact with each other. We propose a novel optimization method based on the artificial bee colony algorithm and statistics. The proposed optimization method is evaluated for Pott models and optimization linkage functions, and the proposed method is verified to outperform traditional artificial bee colony and other meta-heuristics for those cases.     

融合改进遗传和人工蜂群的SVM参数优化算法

针对遗传算法不能充分利用系统中的反馈信息,易陷入“早熟”,以及人工蜂群算法在搜索初期寻优速度慢的问题,将改进的遗传算法与人工蜂群算法融合,实现二者互补,并将由支持向量机训练得到的测试集分类准确率作为算法的适应度函数,提出遗传-人工蜂群算法（G-ABCA）,以实现对支持向量机参数的优化选择。通过仿真实验,将其在支持向量机参数寻优中的性能与改进的遗传算法、人工蜂群算法进行比较,实验结果表明：遗传-人工蜂群算法有效地提高了支持向量机的分类准确率,而且算法是逐步收敛的,其表现优于其他算法。     

冯诺依曼人工蜂群算法求解RFID网络优化问题

本文提出了一种具有冯诺依曼社会结构的新型人工蜂群算法(VNABC)。本文采用四个测试函数验证VNABC算法性能,并将其应用于求解射频识别系统中的读写器网络覆盖和防冲突问题。试验结果表明,与基本人工蜂群算法和粒子群优化算法比较,VNABC算法求解复杂优化问题收敛速度较快、求解精度更高,从而为应用智能方法求解RFID系统优化问题提供了有效的可行方案。