一种基于Alopex和分布估计算法融合的进化算法及其在参数估计中的应用

构造了一种基于Alopex(Algorithm of pattern extraction)和分布估计算法(Estimation of distribution algorithm,EDA)相融合的进化算法EDA-Alopex.该算法将分布估计算法嵌入到一种基于Alopex的群智能进化算法(Alopex-based evolutionary algorithm,AEA)中,利用分布估计算法收敛速度快及与传统进化算法进化模式不同的特点来改进AEA算法.新算法综合了AEA算法搜索得到的个体间相关性信息和EDA搜索过程中得到的全局概率信息,能够更好地指导种群向有利的区域进化.仿真结果表明:EDA改进的EDA-Alopex算法搜索性能与AEA算法的搜索性能相比有较大提高,特别是其收敛速度与AEA算法相比有明显提高.     

结合Rosenbrock算法的混合MIMIC算法

分布估计算法是基于群体的进化算法,具有较强的全局搜索能力,但其局部求精能力较弱且易陷入早熟.为了解决分布估计算法局部搜索能力不足的问题,引入一种求精能力较强的Rosenbrock算法对分布估计算法进行改进,提出一种结合Rosenbrock算法的混合MIMIC算法(Rb-MIMIC).通过实验仿真测试算法性能,将所得结果与标准的MIMIC算法相比较可知,结合Rosenbrock算法的混合MIMIC算法在求精能力和收敛性方面都有所提高.测试函数维数越高,算法的优势越明显.     

H.264运动估计整像素部分算法及硬件实现

根据图像序列运动矢量时间、空间分布特性,针对H.264图像压缩提出了一种基于六边形搜索派生的运动估计快速算法,采用双六边形与小菱形结合的搜索模板,减少了搜索点数,降低了运算复杂度.算法部分和编码器其他部分的Verilog模块结合在FPGA上进行了仿真,结果表明,该算法与全搜索、六边形搜索、菱形搜索和不对称十字与多六角形网格混合搜索等算法相比较,在保证图像质量的前提下,具有减少运算量和复杂度的优点.     

一种基于拟蒙特卡罗法的骨干粒子群改进算法

针对骨干粒子群算法因受粒子初始化位置分布不均影响易陷入局部最优的问题,提出一种基于拟蒙特卡罗法的初始化策略,用以确保粒子初始位置在搜索空间内保持随机分布,从而有效提升骨干粒子群算法的搜索能力.仿真实验表明:与经典骨干粒子群算法相比,采用拟蒙特卡罗法进行初始化的改进算法搜索能力有所增强,问题求解精度有明显提升.     

一种解多目标优化问题的基于分解的人工蜂群算法

在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至少保留一个解来保持解的分布性,其次提出一个基于分解的选择策略和2个基于信息交换的搜索策略来提高人工蜂群算法的搜索能力,并采用一个基于高斯分布的搜索策略来增强人工蜂群算法的搜索效率。为验证所提算法的性能,与8种同类算法在10个测试问题上进行比较。结果表明,本文所提算法得到的解集具有更好的收敛性能和分布性能。     

基于空间收缩的并行演化算法

提出了一种基于空间收缩的求解MINLP问题的新算法。算法应用了快速有效的不完全演化搜索较优解的分布信息，通过分布信息定位最优解的可能分布，再由精英个体信息决定下次搜索空间。仿真结果表明该算法在搜索效率、应用范围、解的精确性和鲁棒性上都优于其他现存演化算法。     

可预测起始搜索点的自适应准十字菱形搜索算法

分析了视频图像现有块匹配运动估计的技术特点,通过实验数据定量评价了各算法的优缺点,提出的一种改进的自适应运动估计算法:基于起始搜索点预测的准十字菱形搜索算法.该算法根据序列图像中运动矢量的十字中心偏置分布特性和运动矢量间的时空相关性,设计了一种准十字菱形搜索模板,并对静止块设定阈值,直接中止搜索;结合起始搜索点预测,并根据运动类型自适应选择搜索策略,使本文算法在保证了搜索准确性的同时,提高了运动估计的速度.     

基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.     

基于泊松分布模型的蛋白质串联质谱鉴定算法研究

数据库搜索方法被广泛应用于蛋白质串联质谱的鉴定之中,该方法主要包括4部分:去同位素峰、选取有效峰、产生理论图谱、对理论图谱与实验图谱进行相似度打分.其中打分函数是数据库搜索方法的核心,在此基础上探究了一种基于泊松分布模型下的蛋白质串联质谱鉴定算法,并合理的融入了峰强度信息.为了验证该算法的有效性及可靠性,将该算法搜索结果与主流鉴定商业软件Mascot和Sequest在FDR为1%的条件下进行比较,基于泊松分布模型的蛋白质串联质谱鉴定算法具有更高的鉴定量和鲁棒性.     

基于交叉算子的改进人工蜂群算法

针对人工蜂群算法存在后期收敛速度慢、局部搜索能力差和易陷入局部最优的问题,提出一种基于交叉算子的改进人工蜂群算法.该算法利用佳点集方法产生初始种群,使得初始化个体尽可能均匀地分布在搜索空间;随机选择食物源位置与当前最优食物源位置进行算术交叉操作,引导群体向全局最优解靠近,提高算法的局部搜索能力和加快收敛速度.通过5个高维标准测试函数的实验结果表明新算法的有效性.     

基于局部搜索贝叶斯算法的Xgboost参数选择

提出了一种基于密度的局部搜索贝叶斯算法的Xgboost参数选择方法（BOA-DLS-Xgboost）.基于密度的局部搜索贝叶斯算法（BOA-DLS）在选择初始种群时采用拉丁超立方抽样（LHS）,使初始种群更均匀地分布于参数空间;每次探索过程是在LHS抽样点的基础上,对稀疏点和当前最优解周围进行局部搜索得到待采样集,以提高解的收敛速度和精度.仿真实验结果表明：BOA-DLS比BOA具有更好的优化性能.利用BOA-DLS对Xgboost算法的参数进行优化,通过与四种经典集成学习算法以及BOA-Xgboost算法比较,所提出的BOA-DLS-Xgboost算法在参数优化方面的应用是合理有效的.     

基于DMOEA/D-ET算法的焊接机器人多目标路径规划

弧焊机器人在实际生产过程中可以提高生产效率.文中对弧焊机器人焊接过程中的路径长度与能耗进行优化,由此提出了一种基于事件触发的自适应邻域离散多目标优化算法(DMOEA/D-ET).该算法以更新粒子比率作为事件触发机制,通过事件触发机制协调全局搜索与局部搜索.采用网格法进行全局搜索,使用基于分解的多目标进化算法(MOEA/D)进行局部搜索,并通过采用自适应邻域策略改善MOEA/D算法解的分布不均问题.通过和其他5个算法在3个TSPLIB问题上进行测试对比,发现所提出的算法具有较好的性能.最后对平衡梁模型的焊接过程进行多目标优化,并与其他5个多目标算法对比,结果表明文中提出的算法得到的优化结果更贴近真实前沿面,解的分布更好.     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于二次插值的人工蜂群算法

人工蜂群算法是一种基于蜜蜂采蜜行为的一种优化算法.针对标准人工蜂群算法的收敛速度慢、搜索能力差、精度低的缺点。提出了一种基于二次插值的人工蜂群算法(QIABC)。保持全局搜索和局部搜索的平衡.数值实验说明了改进的人工蜂群算法在函数评价次数、收敛速度、精度和鲁棒性方面具有较大的优势,从而表明改进方法的有效性。     

Dijkstra改进算法在车辆导航系统中的应用与仿真

车辆导航系统的最基本功能是最短路径的搜索,车载导航是单源单目标的最短路径算法的重要应用之一.传统的Dijkstra算法是一种典型的单源最短路径算法,因为实际系统的实时要求,有必要改进Dijkstra算法.基于对时间和空间复杂度的分析,提出一种新型的Dijkstra改进算法,具有高效性.其改进分3个方面:采用邻接表作为道路网络拓扑的存储结构;利用二叉堆实现优先队列;根据节点的分布情况将搜索过程分为几个阶段,引入了动态限制搜索区域机制.最后在实际道路网络中的测试及仿真结果表明了改进算法的可行性和优越性.     

多目标云分布估计算法

为增强多目标分布估计算法(MEDA)的局部搜索能力,将云模型引入到多目标分布估计算法中,提出一种多目标云分布估计算法(CMEDA).该算法一方面利用分布估计的采样操作对进化种群进行搜索,另一方面利用云滴具有随机性、稳定倾向性等特点,进行外部档案搜索,实现群体间信息交换,从而提高多目标分布估计算法的全局搜索能力.数值实验选取6个常用测试函数,并与NSGA-Ⅱ和MEDA算法进行比较,结果表明,CMEDA算法在收敛性和多样性两方面都有较好的性能.     

一种布谷鸟-交叉熵混合优化算法及其性能仿真

为了提高布谷鸟搜索算法在求解复杂优化问题时的收敛速度和搜索精度,基于交叉熵方法,构建了一种新的布谷鸟-交叉熵混合优化算法.该算法将基于模型的交叉熵随机优化算法和基于种群的布谷鸟搜索进行有机融合,采用协同演化策略,既提升了混合算法收敛速度,又改善了其全局优化能力.对经典测试函数和PID控制器整定问题的仿真结果表明,新算法具有全局搜索能力强、求解精度高和鲁棒性好等特性,是一种求解复杂优化问题的可行和有效算法.     

改进的粒子群算法在多用户检测中的应用

群智能是一种基于对分散的、自组织的集群行为的模拟而得到的一种人工智能技术,粒子群算法和蚁群算法是其中的典型代表.本文通过分析两种算法的缺陷,提出了一种粒子群算法和蚁群算法相结合的混合算法, 扩大了搜索空间,降低了搜索陷入局部极小的概率.     

柔性作业车间调度的动态禁忌粒子群优化算法

针对复杂的多目标柔性作业车间调度问题(FJSP),提出一种基于全知型粒子群优化(FIPS)和动态禁忌搜索(TS)的混合Pareto算法,它在利用FIPS的全局搜索能力确定搜索方向后,通过TS进行有效的局部搜索以提高算法的搜索性能.该算法采用基于强度的适应度函数来评价粒子,以使非劣解均匀分布于Pareto前沿;采用基于公共关键块的多种邻域结构,既保持了种群的多样性,避免算法陷入局部最优,又有效提高了算法的收敛速度.算法中还引入了基于变异的自适应扰动策略来进一步增加解的多样性.对不同规模实例的比较实验表明,文中所提出的算法具有较好的搜索性能,是一种求解大、小规模多目标FJSP的有效算法.     

用遗传-禁忌搜索混合算法求解组合投资问题

提出了一种基于遗传算法和禁忌搜索的混合算法,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子.遗传算法中变异过程解空间的搜索由禁忌搜索实现,并且用混合算法求解了概率准则意义下的组合证券投资模型.实例证明,遗传/禁忌混合算法有较强的爬山能力,较遗传算法有更高的计算效率,为组合证券投资者提供了一种高效的决策方法.