一种解决约束优化问题的模糊粒子群算法

该文针对复杂约束优化问题,提出了一种模糊粒子群算法(FPSO),设计了一个新的扰动算子,在此基础上定义了模糊个体极值和模糊全局极值,利用这两个定义改进了粒子群进化的方程,利用该方程更新粒子的速度与位置,可以避免早熟收敛问题;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

基于精确罚函数法的遗传算法求解时延约束组播路由问题

有时延约束的组播问题是通信网络多点路由优化问题中的重要部分,已被证明是NP-complete问题.本文提出了一种基于罚函数法的启发式遗传算法以求解该问题,并讨论了违反时延约束不可行解的罚函数选取问题,进化过程中采用适于此类问题的动态交配概率、变异概率以提高算法的收敛速度.最后分析了算法的复杂度.仿真表明,本文算法是有效的、稳定的.     

求解约束优化问题的混合粒子群算法

针对约束优化问题提出一种混合粒子群求解算法,该算法根据可行性规则,引入自适应惩罚函数,结合模拟退火算法,不断地寻找更优可行解,逐渐达到搜索全局最优解.通过对一些标准函数测试,计算机仿真结果表明,该方法是有效和可行的,且具有较高的计算精度,相比传统算法,最优解精度达到10-15.     

一种稀布矩形平面阵的多约束优化方法

针对矩形孔径平面稀布阵的多约束优化问题(包括阵元数、阵列孔径和最小阵元间距约束), 提出了一种基于矩阵映射的差分进化算法.该方法把差分进化算法的优化变量与阵元位置坐标按照特定的关系进行矩阵映射, 使含有多约束的阵元分布优化问题转换为仅含差分进化算法优化变量上、下限约束的优化问题, 从根本上避免了进化过程中的不可行解.通过抑制阵列峰值副瓣电平进行仿真实验, 结果显示了该算法的高效性和稳健性, 且能获得比现有方法更好的优化结果.     

无人机集群协同搜索跟踪任务规划方法

无人机集群在目标搜索、定位和跟踪等方面具有巨大的应用潜力,有效的任务规划方案能极大提高无人机集群执行任务的效率。在不确定的动态环境中,任务规划方案需要适应环境的变化,对任务规划的求解效率提出了较高的要求。针对动态环境下的无人机集群协同搜索跟踪任务规划问题,本文将其建模为动态多约束多目标优化问题（DMCMOPs）,并提出了基于动态自适应惩罚的动态约束双档案进化算法（DCTAEA）,其在收敛性种群更新中引入自适应惩罚函数机制,整合不可行个体的目标函数值和违反约束的惩罚值获得修正的目标函数值,实现有价值不可行解的利用,促使种群进入可行区域并向帕累托前沿面收敛,极大促进了种群的收敛。仿真结果证明,与第二代非支配排序遗传算法（NSGA-II）的动态版本、基于分解的多目标进化算法（MOEA/D）、约束双档案进化算法（CTAEA）和动态双档案进化算法（DTAEA）相比,本文所提算法有效性较显著。     

基于自适应截断策略的约束多目标优化算法

为提高约束多目标优化问题所求解集的分布性和收敛性,该文提出基于自适应截断策略的约束多目标优化算法。首先,自适应截断选择策略能够保留Pareto最优解和约束违反度及目标函数值均较优的不可行解,不仅提高了种群多样性,而且能够较好地兼顾多样性和收敛性;其次,为增强算法的局部开发能力,在变异操作和交叉操作之后进行指数变异;最后,改进的拥挤密度估计方式只选择一部分Pareto最优解和距离较近的个体参与计算,不仅更加准确地反映解集的分布性,而且降低了计算量。通过在标准测试问题(CTP系列)上与其他4种优秀算法的对比结果可以得出,该算法所求解集的分布性和收敛性均得到一定提高,而且相较于对比算法在求解性能上具备一定的优势。     

基于违约解转化法的遗传算法及其性能分析

遗传算法在求解约束优化问题时,面临的关键问题之一就是如何处理约束条件.本文提出了一种基于违约解转化法的遗传算法(CIFGA),也就是遗传算法在处理约束条件时,在每一进化代遗传操作后,把所有违反约束条件的个体逐个转化成满足约束条件的个体,整个遗传群体保持不变,经过一代代的进化,最终求出约束问题的最优解.对于采用二进制编码和实数编码的CIFGA,理论证明了其收敛性.测试试验结果表明:CIFGA有较好的算法性能和解决约束优化问题的能力.     

多加性QoS约束下的链路分离路由算法

对多个加性QoS约束下的链路分离路径问题进行了研究,针对现有算法求解结果依赖于网络结构,难以保证对任意网络都可求得可行解和最优解的问题,提出了一种与网络结构无关的多约束链路分离路径路由算法(MCLPRA,multiple constrained link-disjoint path routing algorithm).该算法基于SAMCRA,采用对解空间先分类,然后按类进行处理和搜索的方法,引入了控制搜索深度的参数,可保证对任意网络都能求得可行解.理论分析表明,MCLPRA能够在现有算法不能求解的情况下解得可行解和最优解.仿真结果显示,MCLPRA的可行解平均求解成功率明显高于现有算法且所求路径对长度也比现有算法更短.     

用于约束多目标优化的免疫记忆克隆算法

 提出一种用于求解约束多目标优化问题的新算法,其主要特点是将约束条件转化为一个目标,并引入免疫克隆和免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了在演化过程中,解集从可行域内部和不可行域边缘向着约束最优Pareto-前端逼近. 从而保证了算法较强的收敛性以及所得最优解较好的多样性.仿真结果表明,新算法很好的保持了所得最优解的多样性、均匀性以及较强的收敛性.     

人机交互的Copula和协同优化算法在分布估算中的应用

人机交互的Copula函数和协同优化理论相结合的算法能有效解决分布估计算法在优化变量强相关问题的过程中存在的效果差、模型估计时间长等问题.该方法首先将Copula函数作为各个边缘分布函数的连接函数来建立一个解分布的概率模型;然后产生种群的过程中人工的选择其他种群中的优良个体,替换本种群中较差的个体并采用协同优化的思想,在种群进化时充分考虑其他种群中的个体的影响,最大限度的保证向着最优进化的方向发展.将该方法应用在对3个相互独立的种群进化上,其实验参数反演结果表明,该算法不但增强了优化的效果,而且还有效的避免了早熟,加快了算法的收敛速度.同时也表明了人机交互的过程在解决较为复杂的实际问题中的有效性和可操作性.     

Penalty function approach in heuristic algorithms for constrained redundancy reliability optimization

To solve the problem of constrained redundancy reliability optimization, several heuristic algorithms have been developed in the literature. Most of these algorithms search for the solutions remaining within the feasible boundary e.g. [15], [20]. Perhaps the most interesting & efficient heuristic algorithm in terms of solution quality is that given by KYA, in which the search is made not only in the feasible region but also into the bounded infeasible region by making an excursion, which returns to the feasible region with a possibly improved solution. In this paper, a heuristic algorithm based on the penalty function approach is proposed to solve the constrained redundancy optimization problem for complex systems. An excursion is made into the infeasible region, but an adaptive penalty function helps the search not to go too far into the infeasible region. Thus, promising feasible & infeasible regions of the search space are explored efficiently & effectively to identify finally an optimal or near optimal solution. Computational experiments are conducted on 11 sets of problems (10 with linear constraints, and 1 with nonlinear constraints); each with 10 different randomly generated initial solutions. Comparison is made between the proposed algorithm P-Alg, N-N algorithm [15], Shi algorithm [20], and KYA [9] . It is observed that P-Alg performs consistently better than others, showing an overall improvement in various measures of performance. Besides, as P-Alg does not require any assumptions on the nature of the objective & constraint functions, it can solve a wide variety of problems.     

An evolutionary algorithm for solving nonlinear bilevel programming based on a new constraint-handling scheme

In this paper, a special nonlinear bilevel programming problem (nonlinear BLPP) is transformed into an equivalent single objective nonlinear programming problem. To solve the equivalent problem effectively, we first construct a specific optimization problem with two objectives. By solving the specific problem, we can decrease the leader's objective value, identify the quality of any feasible solution from infeasible solutions and the quality of two feasible solutions for the equivalent single objective optimization problem, force the infeasible solutions moving toward the feasible region, and improve the feasible solutions gradually. We then propose a new constraint-handling scheme and a specific-design crossover operator. The new constraint-handling scheme can make the individuals satisfy all linear constraints exactly and the nonlinear constraints approximately. The crossover operator can generate high quality potential offspring. Based on the constraint-handling scheme and the crossover operator, we propose a new evolutionary algorithm and prove its global convergence. A distinguishing feature of the algorithm is that it can be used to handle nonlinear BLPPs with nondifferentiable leader's objective functions. Finally, simulations on 31 benchmark problems, 12 of which have nondifferentiable leader's objective functions, are made and the results demonstrate the effectiveness of the proposed algorithm.     

用于约束优化的简洁多目标微粒群优化算法

本文提出了一种少控制参数的约束多目标微粒群优化算法.该算法利用关于微粒全局和个体最优点的高斯分布来更新微粒的位置,无需设置惯性权重和学习因子等控制参数;利用非可行储备集保存所得非可行解,给出一种改进的储备集更新方法;为均衡微粒对未知可行域和已知可行域的开发/探索能力,提出一种线性递减策略,用来分配微粒从非可行储备集中选...     

Search biases in constrained evolutionary optimization

A common approach to constraint handling in evolutionary optimization is to apply a penalty function to bias the search toward a feasible solution. It has been proposed that the subjective setting of various penalty parameters can be avoided using a multiobjective formulation. This paper analyzes and explains in depth why and when the multiobjective approach to constraint handling is expected to work or fail. Furthermore, an improved evolutionary algorithm based on evolution strategies and differential variation is proposed. Extensive experimental studies have been carried out. Our results reveal that the unbiased multiobjective approach to constraint handling may not be as effective as one may have assumed.     

基于人工鱼群算法的组播树演化寻优

提出了一种双域模型人工鱼群算法。算法采用前驱节点指向的编码方法形成多播树表示人工鱼,将搜索空间分为可行域和非可行域。分别赋予可行域和非可行域的人工鱼不同的游动目标,设计行为算子自适应地执行4种人工鱼行为。数值实验结果表明,提出的算法可以有效利用非可行个体,具有较好的求解时延约束最小代价多播树的性能。     

容量受限网络选择中的时延影响分析

文中在用户容量受限的异构无线网络环境下,基于进化博弈理论研究了时延对用户网络选择行为的影响。设计了一种收益函数,以可用带宽和网络负载表征网络性能,并在收益函数中加入了惩罚项,使得理性用户不会去选择不可行的策略;提出了一种集中式的带时延的进化博弈实现算法,分析了迭代步长的选取。数值与仿真结果表明,网络存在时延的条件下,设计的收益函数和算法仍能保证种群演进到均衡状态。     

认知无线网络中功率和信道接入的联合优化

在认知无线网络中,针对系统中所有用户能否接入同一信道进行通信的问题,提出了适用于不同情形的联合优化方案.在系统不可行的情形下,提出了联合优化功率和接入控制的方案.由于接入控制是NP问题,于是利用所提LP-PSO算法来实现优化控制,并分析和证明了所提算法的收敛性.在系统可行的情形下,提出了联合优化功率和传输速率分配的方案,通过改进拉格朗日对偶(Lagrange duality)算法来实现优化控制.数值结果分析表明,相比其他接入控制算法,虽然所提算法的时间复杂度有所增加但能够快速收敛,在有效地提高接入量的同时还能降低功率消耗,并能使传输速率得到更公平的分配.     

基于参数优化的再入制导律设计

本文介绍了一种基于参数优化解决再入制导的方法。由于再入飞行过程中存在各种约束,再入制导问题可以看做是一个对给定的目标函数进行优化的最优控制问题。但是直接采用经典最优控制理论的变分法运算量巨大且难以得到解析解。本文把再入制导问题的所有约束都转化成一个目标函数,然后将动力学方程中的控制量进行有限维数的参数化,使再入制导变成了一个有限维的参数优化问题。采用Powell非梯度式优化算法对此问题进行求解。仿真结果表明,在经过26次迭代,301次目标函数计算,目标函数收敛到精度范围,实现了制导的目的。