基于遗传算法的通风网络两步法风流调节优化算法

概括混合型通风网络优化模型,归纳混合型通风网络风量最优分配和风流最优调控两步法优化基本框架。首先,在满足矿井通风风量需求的基础上,实现风量分配优化。然后,结合矿井通风网络实际调风需求,引入遗传算法随机产生动态网络的邻接矩阵,使用附有条件的最小支撑树算法求解部分余树弦(调风地点)约束下的最小支撑树和独立回路矩阵,根据回路矩阵计算通风网络余树弦风阻调节值,在通风总功率和约束条件基础上构建广义最小化目标函数,依此对调节方案进行评价,使用遗传算法中的进化算子对调节方案编码实施进化操作,最后通过迭代得到满意解。研究结果表明:两步法思想简化混合型通风网络优化问题,解决调风地点约束的通风网络优化问题,执行效率高,能够解决较大规模的通风网络优化问题。     

基于遗传算法的一体化通风网络优化算法

概括混合型一体化通风网络优化的模型,分析目前混合型通风网络优化的4种求解方法优缺点。针对混合型通风网络优化的要求,提出混合型通风网络风量分配和风流调控一体化的优化思路。在通风网络理论和图论的基础上,引入遗传算法随机产生2个动态网络的邻接矩阵和余树弦风量值,使用附有条件的最小支撑树算法产生2个最小支撑树,进而求得相应的回路矩阵。通过余树弦风量值和回路矩阵等分别计算通风网络风量分配值和风阻调节值,基于通风总功率和约束条件构建广义最小化目标函数,依此对分风和调风方案进行评价,使用遗传算法中进化算子对分风和调风方案实施进化操作,最终得到满意解。研究结果表明：该算法是严格数学意义上全局优化算法,解决调风地点约束的通风网络优化问题,利用网络结点流量平衡的等式约束条件,减少最优化模型中变量数目,提高算法效率。     

一种双种群协同多目标粒子群优化算法及应用

针对当前我国油田开采难度大、 经济效益较低等问题, 建立以利润最大化为优化指标, 以年度增油目标、 增液目标、 增注目标为约束条件的多目标油田开采优化模型, 并提出一种双种群协同多目标粒子群优化算法求解该优化模型. 该算法通过双种群协同进化策略扩大搜索空间, 提高算法的全局搜索能力, 并结合Lévy飞行保证种群多样性, 提高算法收敛效率. 实验结果表明, 该算法能有效求解油田开采优化模型, 可优选出满足目标和约束条件的结果.     

粒子群优化算法的改进及数值仿真

提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.     

一种双种群协同多目标粒子群优化算法及应用

针对当前我国油田开采难度大、 经济效益较低等问题, 建立以利润最大化为优化指标, 以年度增油目标、 增液目标、 增注目标为约束条件的多目标油田开采优化模型, 并提出一种双种群协同多目标粒子群优化算法求解该优化模型. 该算法通过双种群协同进化策略扩大搜索空间, 提高算法的全局搜索能力, 并结合Lévy飞行保证种群多样性, 提高算法收敛效率. 实验结果表明, 该算法能有效求解油田开采优化模型, 可优选出满足目标和约束条件的结果.     

基于在线归档技术的多目标粒子群算法

提出一种基于在线归档技术的新型多目标粒子群优化算法. 使用外部集归档,在归档粒子中采用适应值共享技术选出全局最优位置,使得种群多样性得以维持;在粒子群的进化过程中,使用在线归档策略,将归档的粒子合理地引入下一代的种群,淘汰原种群中的不良粒子,从而保证进化过程中种群的优良性. 用Zitzler的两个多目标测试函数评价算法的性能. 结果表明,该算法能快速收敛到Pareto非劣最优目标域,并且解集沿着Pareto非劣最优目标域有很好的扩展性.     

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.     

一种新的求解多目标问题的分组粒子群优化算法

用粒子群优化算法求解多目标问题容易陷入局部最优,为此本文提出了一种分组粒子群多目标优化算法。该算法将决策空间分成Q个子空间,每个子空间随机的分配N个粒子,这Q个粒子群分别在各自的空间进行独立搜索。为保证每个种群的搜索多样性和遍历性,用混沌序列对各组粒子位置进行初始化,同时对各组进行基于聚集距离的粒子择优进化。由典型多目标函数的优化实验结果表明,经过适当的分组,该算法能迅速逼近非劣最优解集,效果令人满意。     

基于混沌搜索的简化粒子群优化算法

针对带有收缩因子的粒子群优化算法(CFPSO)容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化(sCFPSO)方程与混沌搜索技术相结合的方法,提出了基于混沌搜索的简化粒子群优化(CsCFPSO)算法.该算法利用分段线性混沌映射(PWLCM)的遍历性和类随机性来完成混沌搜索,从而加快sCFPSO算法跳出局部极值点而继续优化.经过6个经典测试函数对该算法进行实验,结果表明其对于粒子群优化具有很好的使用价值,它可以准确地消去局部极值,确保收敛速度和精度,该算法是通过缩小种群数和进化代数来实现的.     

多种进化算法混合解决约束工程优化问题研究

针对单一进化算法不适合解决所有优化问题的情况,提出了一种混合多种进化算法解决约束工程优化问题的算法.该算法混合了差分进化、粒子群优化和共生生物搜索等3种算法,首先利用差分进化算法产生和选择最优种群,然后利用粒子群优化算法寻找每一个最优解并进行更新,最后利用共生生物搜索算法对所有种群进行共生互动更新,选择出最优种群以进行...     

一种改进的混沌粒子群优化混合算法

提出了一种改进的混沌粒子群优化混合算法.该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力.通过对3个标准函数进行测试,仿真结果表明该算法与差分进化粒子群优化（DEPSO）算法相比,全局搜索能力和抗早熟收敛性能大大提高.     

基于动态双种群粒子群算法的柔性工作车间调度

针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO).DPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息.该算法提高了全局寻优能力,有效地避免了早熟收敛的发生.将以DPSO算法为基础的排序算法和启发式分配算法(HA)相结合形成了解决柔性工作车间调度问题的新方法(DPSO-HA).通过对算例的研究和与其他方法的比较表明,该方法是有效可行的.     

改进的粒子群算法及在数值函数优化中应用

为提高粒子群算法的优化能力,提出了一种改进的粒子群优化算法。在该算法中,采用Beta分布初始化种群,采用逆不完全伽马函数更新惯性权重,在速度更新式中,引入了基于差分进化的新算子,对于粒子的越界处理,采用了基于边界对称映射的新方法。以50个不同类型的数值函数作为优化实例,基于威尔柯克斯符号秩检验的测试结果表明,该算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和量子行为粒子群算法。     

多目标最优化的粒子群算法

粒子群算法是一种新出现的进化算法,相对其它进化算法,它收敛速度快、规则简单、易于编程实现.采用粒子群算法对资产投资的多目标问题进行优化,解决了传统方法难以解决的问题.数值实例表明,采用该算法能对资产投资问题做出优化组合决策.     

基于三方竞争机制的反向多目标粒子群优化算法

针对传统多目标粒子群优化算法容易早熟的问题,提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSO-TCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化,这能够有效减少维护外部存档时的计算成本.在每次竞争中,MOPSO-TCOL从种群中随机挑选3个粒子进行比较,并基于不同的策略分别进行更新,这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式,部分粒子进行反向学习以避免算法陷入局部最优,其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSO-TCOL算法在多样性和收敛性上具有显著优势,且具有更快的收敛速度.     

EM与PSO算法在图像统计模型拟合中的应用

针对期望最大值算法(EM)对图像统计模型初始值敏感和容易陷入局部极值的弱点,结合粒子群优化算法(PSO)全局寻优的特点,提出一种有效解决此问题的EM-PSO混合算法.该算法将粒子分为最优种群和进化种群,分别用EM算法和PSO算法进行更新.然后选取最优粒子群作为EM算法的初始值.仿真结果表明,用EM-PSO算法拟合图像统计模型比用EM算法拟合图像统计模型更准确.     

基于协同进化粒子群算法的无线传感器网络节能优化覆盖算法

针对当前无线传感器网络覆盖算法存在能耗较高、节点大量冗余的缺陷,提出一种基于协同进化粒子群算法的WSN节能优化覆盖算法.以WSN的网络覆盖率、剩余能量和冗余程度为优化目标,建立粒子群优化模型.采用遗传算法的交叉变异算子,加强算法寻优能力.仿真结果表明,新的算法在提高能量利用效率的同时维护了良好的网络覆盖率,有效延长了网络生命周期,达到了节能优化覆盖的目标.     

基于决策空间划分模型的多目标进化算法

为有效利用决定空间中的信息、提高收敛速度与准确度,提出了基于决策空间划分模型的多目标进化算法.该算法将决策空间划分成多个子决策空间并在每个子决策空间内映射出一个超球体,运用某一多目标进化算法完成超球体内个体的1轮次进化,基于粒子群优化算法的粒子移动机制实现超球体间的信息共享、引导超球体质心向最优解集方向移动.对8个测试问题的实验结果表明:基于决策空间划分模型的多目标进化算法在收敛精度和收敛稳定性方面比FastPGA,MOCell,NSGA-Ⅱ和SPEA2算法表现出更好的性能.     

基于一种新混合群算法(MOHO-SA)的结构主动控制多目标优化研究

基于粒子群(PSO)算法和差分进化(DE)算法提出了一种新的多目标混合群优化算法,对结构主动控制系统的作动器位置、数量与控制器参数进行同步优化.首先,分别采用PSO算法与DE算法进行对应种群的进化,使用庄家法则构造非支配解集,并引入边界点几何中心leader选择机制,同时利用模拟退火算法完成个体进化的二级局部搜索;以随机地震激励下反映结构振动控制效果和控制策略优劣的双指标作为优化目标函数.最后,针对ASCE 9层benchmark模型,采用本文提出的具有二级搜索功能的多目标混合群算法(MOHO-SA)对其主动控制系统进行优化设计,并分别与多目标差分进化算法(MODE)、多目标粒子群算法(MOPSO)、普通多目标混合群算法(MOHA)的优化结果进行对比分析,表明其Pareto解集具有更优的收敛曲线及分布性.     

基于自适应粒子群算法的重油热解模型参数估计

通过构造一个合适的目标函数,将化工模型参数估计问题转化为一个多维数值优化问题,然后提出一种参数自适应调整和维变异的改进粒子群优化算法来求解该问题。该算法首先利用佳点集方法初始化种群以保证粒子的多样性。惯性权重和学习因子随进化过程自适应调整,从而协调算法的全局和局部搜索能力。为了避免算法陷入局部最优,对收敛度最小的维进行变异。几个标准测试问题的实验结果表明该算法具有较强的全局寻优能力。最后将改进粒子群算法应用到重油热解模型参数估计中,并与基本遗传算法（SGA）和粒子群优化算法（SPS0）进行比较。研究结果表明：本文得到的平均相对误差为5．62％,比SGA和SPSO分别低1．08％和0．50％。