具有引力机制的细菌觅食算法

针对细菌觅食算法中群体感应能力较弱和算法的收敛速度较慢的问题,提出一种具有引力机制的细菌觅食算法。该算法通过引入引力搜索算法中的引力机制来为每个细菌提供寻优的方向;采用细菌觅食算法原有的游动操作来实现局部寻优策略,并在游动之后增加局部维度更新,使得细菌在趋化操作中搜索范围更广;在细菌觅食算法的迁徙操作中引入双高斯函数来重新初始化细菌的位置,从而更好得避免算法陷入局部极值,提高算法的寻优能力。通过实验证明改进后的细菌觅食算法比基本细菌觅食算法拥有更好的寻优能力。     

基于ACLBFO算法的车辆路径规划

针对传统细菌觅食优化算法(Bacterial Foraging Optimization,BFO)缺乏信息交流,容易陷入局部最优且收敛缓慢的缺点,将群体全面学习策略、趋化步长自适应更新机制嵌入到原始BFO算法中,提出一种自适应全面学习细菌觅食算法(Adaptive Comprehensive Learning Bacterial Foraging Optimization,ACLBFO)。为了验证所提算法的有效性,将其应用于考虑时间窗的车辆路径规划问题,设计相应的编码机制、适应度函数构造。与基本的细菌觅食优化算法及两种改进的细菌觅食优化算法进行对比研究。实验结果表明,该算法更加适用于该类问题的求解,可以获得更快的收敛速度与求解精度。     

混合人工蜂群算法

针对人工蜂群算法收敛速度慢、容易出现“早熟”的缺点,提出了一种混合的人工蜂群算法 (hybrid artificial bee colony, HABC)。在人工蜂群算法的迭代中引入淘汰规则和新的搜索策略,以提高算法的收敛速度;同时,为了维护群体的多样性,对种群中的个体采用差分进化。通过对一个调频(frequency modulated, FM)合成器参数优化问题测试,表明该算法能够有效地克服“早熟”现象,提高了全局寻优的能力。将其应用于线性系统逼近问题,仿真实验表明该算法是快速有效的。     

自适应杂交退火粒子群优化算法

为解决粒子群优化(particle swarm optimization, PSO)算法易早熟、后期收敛慢、收敛精度低等问题, 提出一种自适应杂交退火PSO算法。采用Sigmoid函数控制惯性权重, 平衡粒子的全局搜索和局部搜索能力; 采用双曲正切函数控制加速系数, 平衡粒子的自我认知和社会认知能力, 提高算法精度; 引入模拟退火算子, 使粒子在搜索过程中以一定概率接受差解, 增加粒子跳出局部最优的能力; 在算法后期引入杂交变异算子, 增加种群多样性, 进一步提高算法精度。基于3种标准测试函数对所提算法的性能进行了验证, 并与现有典型PSO算法进行了对比。结果表明, 所提算法在收敛精度及收敛速度上均具有一定提升。最后, 将所提算法应用于阵列天线方向图综合设计, 取得了较现有算法更优的结果。     

基于细致化仿生的改进粒子群优化算法

粒子群优化(particle swarm optimization, PSO）算法基本思想是试图通过模拟鸟群觅食中的迁徙和聚集等行为获得连续非线性函数的最佳值,其仿生算法产生于对鸟群寻食过程中飞行方向与飞行速度等的隐喻。近年对粒子群算法经典算法的研究,虽然在速度及精度上有所改进,但由于缺乏细致化仿生（precise bionic metaphor, PBM）,改进效果并不太明显。通过在PSO算法中引入飞鸟寻食细致化行为特征隐喻,即在算法中同时导入满意粒子局地细致化寻优和探索粒子随机寻优过程,进而提出了一种新的基于细致化仿生的改进PSO算法;对改进算法和经典算法进行了性能比较,结果显示所提算法在收敛速度和求解精度方面较经典算法有很大程度的改善。     

混合方法优化的自适应引力搜索算法

针对引力搜索算法存在的易早熟收敛、易陷入局部最优、搜索精度有待提高等缺陷，提出一种混合方法优化的自适应引力搜索算法（gravitational search algorithm，GSA）。首先利用Sobol序列初始化种群，增强算法全局搜索能力；其次引入Hamming贴进度计算种群成熟度，判断种群是否早熟；然后引入Logistic混沌对种群作混沌搜索，变异已陷入局部最优的粒子位置；最后基于早熟收敛判断因子改进引力系数，并为粒子位置公式添加收缩因子，促使种群加快脱离局部最优。对9个不同类型的基准测试函数做仿真实验，结果表明新算法能有效改善种群的早熟问题，具备更好的寻优性能。     

基于分布式免疫进化算法的函数优化

针对遗传算法在寻优过程和多峰值函数求解中出现的“早熟”问题以及免疫算法收敛速度较慢问题,将免疫算法和进化算法进行优势融合,并结合改进的进化算法的并行模型,提出一种新的算法--分布式免疫进化算法（distributed immune evolutionary algorithm,DIEA）。新算法主要包括记忆种群进化模块和子种群进化模块两个部分,子种群的主要功能是找出各个区间的局部最优解;主种群主要是进行全局搜索,寻找全局最优解。仿真实验表明,该算法具有很高的全局寻优能力和很快的收敛速度,适合求解复杂多峰函数优化问题。     

基于量子遗传算法的滤波器参数优化

针对传统模拟滤波器设计对于较为复杂的目标需求往往精度与效率均较差的问题,提出一种基于量子遗传算法(quantum genetic algorithm,QGA)的模拟滤波器优化设计方法。量子遗传算法是量子计算理论与进化理论相结合的产物,同传统遗传算法(classical genetic algorithm,CGA)相比具有种群多样性好、收敛速度快和全局寻优能力强的特点。引入QGA算法对滤波器参数进行寻优。通过采用自适应的量子旋转角调整策略并引入量子交叉、变异及群体灾变操作,提高了算法的搜索效率,降低了算法出现早熟的可能性。实例计算表明了算法在该类问题中的有效性和可行性。     

基于菌群自适应觅食的公交调度建模仿真与优化

提出了一种新型群体智能优化方法—菌群自适应搜索算法（Adaptive Bacterial Foraging Optimization,ABFO）。ABFO算法在细菌觅食算法（Bacterial Foraging Optimization,BFO）研究工作的基础上,将细菌的趋化行为,群体感应机制和自适应搜索策略相集成,体现细菌个体通过信息交流与合作在群体层面表现出更高智能行为的特性。此外,ABFO算法的自适应策略动态地控制人工细菌的趋化步长,从而能够在运行时有效地平衡算法的探索和开发能力。然后,基于ABFO进行公交调度模型的求解,以便快速地集散交通流,实现站点、客流、车流的优化配置。仿真试验结果表明,与其它智能算法相比ABFO算法具有收敛速度快,寻优能力强和较强的鲁棒性等优越性能。     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

改进萤火虫算法及其收敛性分析

萤火虫算法因具有结构简单、控制参数少、易于实现的特点而得到广泛的关注和应用,但其易陷入局部最优导致过早收敛,从而影响寻优精度.针对这一问题,本文在位置更新规则中加入随机扰动因子,并剔除了冗余的随机项,以提高算法搜索能力;引入位置置换变异和差分进化算法中的最优变异策略,在保持种群多样性的同时,增强算法跳出局部最优的能力....     

基于学习机制的退火并行遗传算法应用研究

本文综合并行遗传算法(PGA)和模拟退火算法(SA)的优点,提出一种新的退火并行混合优化策略(PGASA).该算法克服了并行遗传算法局部搜索能力弱的缺点,在子种群的搜索中引入SA作为GA种群的变异算子,增强和补充了PGA的局部进化能力;同时将机器学习原理引入到混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度.针对车间调度中的典型问题进行了仿真,结果证明了新算法的有效性.     

小生境免疫算法解决作业车间调度问题

针对免疫算法在解决组合排序问题时一般表现不佳的问题,采用多克隆算子以及独特的浓度控制机制形成具有增强搜索能力的新型免疫算法。多克隆算子与遗传算法中的交叉算子近似,它拓宽了普通免疫算法仅凭高变异方式形成的狭窄搜索空间;基于小生境的浓度控制机制借鉴生物学上的小生境概念,通过相似个体群中选择概率的不均衡分配有效避免算法掉入局部陷阱。所构造的小生境免疫算法在对多个作业车间调度算例的仿真过程中体现了较好的效果。     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

一种基于种群竞争与交流模型的多群进化规划算法

进化不仅是一个环境通过自然选择对物种施加影响的过程，同时也是种群间相互竞争和交流的结果。基于此种考虑，提出了一种基于种群竞争与交流模型的多群进化规划算法。在该算法中，种群的规模取决于种群间的竞争，种群的变异压力来自其生存空间。种群间的信息交换通过种群的个体交流实现，而种群间个体的交流则来自种群规模的变化。对典型算例的数值仿真表明，该算法能够改善传统的进化规划算法易早熟收敛的弱点，同时具有良好的快速收敛性和参数鲁棒性。     

基于改进边际优化的离散变量优化设计算法

针对传统离散变量优化方法存在的目标函数测算次数多、收敛性不佳等问题,借鉴边际优化理论和模式搜索算法,设计了一种基于改进边际优化的离散变量优化设计算法。借鉴边际效用优化原理,通过引入周围单位步长空间的概念,在初始点选择、边际增量设计、禁忌搜索策略等方面进行了改进,并设计了变异操作以跳出局部最优。实例分析表明,所提算法能够快速准确地收敛到局部最优解,实现以尽可能少的目标函数测算得到问题的满意解或最优解,适合于求解高维离散变量优化问题和仿真优化问题。     

基于变邻域分布估计算法的数传资源配置优化

分析了地面站数传资源分配中的影响因素, 建立了问题的约束优化模型, 提出了变邻域搜索与分布估计相结合的优化算法. 算法在概率模型和种群个体两个层次分别设计了邻域结构, 以提高算法的全局搜索能力和局部优化能力, 并避免优化过程陷入局部极值. 构建了变邻域分布估计算法的优化流程, 推导证明了算法的收敛性. 利用仿真算例分别对算法性能及控制参数选择进行了分析, 实验结果表明, 算法能够有效地解决数传资源配置优化问题, 且求解精度较高.     

遗传算法在离散变量优化问题中的应用研究

针对实际应用中大量存在的离散变量优化设计问题,研究了利用一般连续变量方法进行离散变量优化设计的不足。结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。基于线性搜索思想提出离散引导算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优。通过对两个实际离散变量优化设计问题的应用研究,验证了本方法解决离散变量优化设计问题的有效性。     

求解约束优化的模拟退火PSO算法

针对有约束最优化问题,提出了基于模拟退火的粒子群优化(particle swarm optimization simulated annealing, PSO SA)算法。该算法利用模拟退火算法以一定概率接受较差点的概率突跳特性,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性原则进行约束处理,并在模拟退火算法产生新粒子的过程中保留最优不可行解的信息,弥补了可行性原则处理最优点位于约束边界附近时存在的不足。4个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解.