结合特征扰动与分配策略的集成辅助多目标优化算法

代理模型利用近似预测代替算法对多目标优化问题的真实评价,大幅减少了算法寻优所需的真实适应度评估次数。为提高代理模型在求解高维问题时的准确性并降低计算开销,提出一种基于特征扰动与分配策略的集成辅助多目标优化算法。将径向基函数网络代理模型与支持向量机回归代理模型作为集成过程中的基模型,降低算法在高维问题上的计算开销。结合特征扰动与基于记忆的影响因子分配策略构建集成代理模型,提高集成准确性。使用集成预测值与不确定信息加权辅助管理集成代理模型,平衡全局搜索与局部探索,增强算法在目标空间中的寻优能力。实验结果表明,该算法在ZDT1~ZDT3和ZDT6测试问题上所得解集的分布性与收敛性相比经典算法更好,并且当决策变量维数增加时,使用集成代理模型相比于Kriging代理模型约减少了90%的适应度评估次数,同时可获得更准确的预测结果。     

花椒的紫外光谱指纹图谱研究

利用紫外光谱分析技术对12批不同产地的花椒提取物进行研究,首先确定了提取溶剂和提取方法。谱图分析表明花椒提取物的紫外光谱具有稳定性和特异性,结合聚类分析结果,说明花椒有效成分的紫外图谱具有指纹特征。此方法简便、快速、准确,可有效的用于不同产地花椒中有效成分的差异性及其含量的检测。     

目标空间映射策略的高维多目标粒子群优化算法

为了平衡优化算法在高维多目标优化问题中收敛性和多样性之间的关系,增加算法的选择压力,本文提出了一种基于目标空间映射策略的高维多目标粒子群优化算法(many-objective particle swarm optimization al-gorithm based on objective space mapping ...     

辅色素对蓝靛果花色苷稳定性的影响

天然色素的稳定性始终是制约其发展的瓶颈,以蓝靛果为原料,研究了添加酸、金属盐、糖类和氨基酸等辅色素对蓝靛果中花色苷稳定性的影响。结果表明,对羟基苯甲酸、水杨酸钠和甘氨酸的添加使得花色苷在吸收光谱中发生红移并产生增色效应,且在连续高温光照后保存率依然较高。通过单因素实验选取三者最佳浓度,然后采用三因素三水平响应面分析,依据回归分析确定最佳条件为:对羟基苯甲酸、水杨酸钠和甘氨酸添加的质量浓度分别为0.063%、0.041%和0.039%,测得蓝靛果花色苷保存率为88.01%,而不加辅色素保存率仅为48.97%,稳定性提高了1.8倍,为蓝靛果花色苷天然色素的应用和发展提供了有利条件,有一定的开发利用价值。     

动态邻居维度学习的多目标粒子群算法

针对多目标粒子群算法多样性较差,种群选择压力随着变量维度增加的问题,提出了基于动态邻居维度学习的多目标粒子群算法（DNDL-MOPSO）。该算法首先构建最优维度个体,然后在“个体认知”和“社会认知”的基础上,对粒子速度更新公式进行改进,采用每一维上学习对象不固定的交流方式,最后利用随机向导学习策略,增加种群多样性。实验结果表明该方法能够提高算法的全局收敛性,增加种群的多样性,缓解选择压力,有效解决多峰多目标优化问题。     

面向拆卸线平衡的维度学习多目标粒子群优化

针对拆卸线平衡问题的复杂度随着产品拆卸的零部件数量的增多而增加的问题,提出了一种基于维度学习的多目标粒子群优化算法。根据拆卸线平衡问题的特性,构建包含四个决策目标的拆卸线平衡问题的数学模型,并根据模型特点,建立粒子位置与拆卸序列之间的映射关系,利用粒子位置的更新来获得最优拆卸序列。通过对不同规模的拆卸线平衡问题的求解,验证了本文所提算法的有效性及可行性。     

基于多种群动态协同的多目标粒子群算法

针对复杂的多目标问题,文中提出了一种基于多种群动态协同的多目标粒子群算法。该算法设置多个种群同时进行独立搜索,从而有效提高算法的搜索能力。此外,为进一步保证种群多样性,该算法利用动态聚类策略将种群划分为两个子群,并改变子种群的更新方式。通过动态学习样本和差分变异,进一步避免算法陷入局部最优。经过对一系列标准测试函数进行仿真,验证了该算法在多目标问题上的有效性。将该算法与5种现存算法进行比较,结果显示该算法的多样性和收敛性均具有明显的优势。     

基于偏好粒子群算法的移动机器人路径规划

针对粒子群算法收敛速度快,但易陷入局部最优的问题,提出一种基于偏好粒子群算法的移动机器人路径规划方法.在对障碍物环境建模的基础上,根据避障偏好利用粒子群优化算法规划出全局最优路径.为避免搜索过程中算法陷入局部最优,采用深度优先搜索策略,保持了种群的多样性,提高了算法的搜索能力.实验结果表明:该方法能够有效地避开障碍物,并且获得较好的路径规划效果.     

求解复杂旅行商问题的混合粒子群算法

针对粒子群算法在解决组合优化时存在早熟和易陷入局部最优的问题,提出一种求解旅行商问题(TSP)的混合粒子群算法。将粒子群算法与遗传算法结合,引入遗传算法中的交叉和变异操作,通过个体极值和群体极值的交叉以及粒子自身变异的方式增加种群的多样性,避免粒子陷入局部最优,提高算法的局部搜索能力。仿真结果表明,新的混合粒子群算法在解决TSP问题时具有较好的收敛性及优化效果。     

组合加点准则的代理辅助多目标粒子群优化

针对小样本数据构建代理模型初期优化效率低、模型精度差的问题,文中提出组合加点准则的代理辅助多目标粒子群优化算法。该算法通过加权平均法将Kriging模型和径向基函数网络模型组合成异构集成模型,使用改善期望准则和最小化代理模型预测准则相结合的组合加点准则对代理模型进行管理,加快了模型收敛速度。此外,该算法采用实际目标函数对每次迭代中增加的样本点进行评估,并对代理模型进行更新以增加模型准确性。实验结果表明,在适应度函数评估次数上,所提算法与非代理模型算法相比减少了10倍,证明该算法可提高代理模型的优化效率及准确性,并在勘探与开发之间取得了更好的平衡。