基于遗传算法和蚂蚁算法求解函数优化问题

针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题，提出一种基于遗传算法和蚂蚁算法的混合算法.该混合算法利用了遗传算法快速随机的全局搜索能力的优点，设计了编码与适应度函数，进行了种群生成与染色体的选择，并通过设定交叉算子和变异算子， 生成了信息素分布.该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点，通过确定吸引强度的初始值，建立了强度更新的模型，从而求得精确解.并将该算法应用于求解函数优化问题.结果表明，该混合算法与遗传算法和蚂蚁算法相比，收敛速度快，寻优性能好.     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

一种μGA+Quasi-Newton的混合优化算法

提出了一种新型的优化算法。此算法利用微种群遗传算法(μGA)的全局最优性在大范围内搜索可能的极值，而用拟牛顿(Quasi—Newton)法的目标函数梯度下降特性在极值点附近快速搜索，从而实现了全局最优与快速搜索的有机结合。同时，通过几个典型的试验函数对此混合算法与微种群遗传算法的寻优效果做了比较。     

一种用于函数优化的改进混合遗传算法

传统的优化算法对于复杂的函数往往不能取得满意的结果，而遗传算法作为一种全局搜索策略，较传统的优化算法更加优越。对遗传算法的杂交、交异算子进行了改进，并加入单纯形算子。通过对函数求最优值的测试，证明这种改进使遗传算法的收敛速度加快、解的质量也更好。     

遗传模拟退火算法在结构优化设计中的应用

遗传算法、模拟退火算法都是随机搜索方法,在处理全局优化、离散变量、多连通可行区等困难问题中,具有传统结构优化算法不可比拟的优势.笔者针对遗传算法和模拟退火算法的特点,取长补短,结合成一种混合遗传算法—遗传模拟退火混合算法.经改进后的混合算法既发挥了遗传算法全局搜索能力强的特点,又保留了模拟退火算法局部寻优效果好的优点.     

机组负荷优化的遗传-禁忌混合算法

针对遗传算法“爬山”能力差的缺点，提出在遗传算法中引入禁忌搜索操作来提高局部寻优能力，并应用遗传-禁忌混合算法进行了火电机组负荷优化研究.在遗传算法每计算一定代数后，将每个个体作为禁忌搜索的初始解进行搜索，可以改善群体质量，加快搜索速度.混合算法有效地综合了遗传算法的全局搜索能力和禁忌搜索算法的局部搜索能力，从而避免出现“早熟”现象，改善了算法的收敛性.应用某实例进行负荷优化计算，结果表明混合算法大大改善了局部搜索能力和搜索速度，可以有效解决机组在线负荷优化难题.     

基于智能混合算法的织物自动配色方案优化设计

为了提高织物自动配色的通用性和精确性,建立了以成本最优为目标的自动配色数学模型.针对染色过程多约束条件的特点和传统遗传算法存在的缺陷,提出了一种基于智能混合算法求解自动配色方案的优化方法.首先利用正交实验设计法、自适应适值函数调整以及适值相似度判别策略等措施对遗传算法进行了改进,然后融入具有较强局部搜索能力的模拟退火算法进行进一步迭代优化,最终实现了自动配色方案的优化设计.分别运用传统遗传算法和智能混合算法对自动配色模型进行仿真和实测,结果表明:智能混合算法改善了全局寻优能力、收敛速度和稳定性,且在保证配色质量的条件下,生产成本较之传统遗传算法的优化成本降低了1.7%以上,具有较好的工程实用价值.     

用遗传算法优化飞剪机剪切机构

本文利用MATLAB编写了遗传算法(GA)程序,并利用遗传算法对飞剪机剪切机构进行优化计算,然后将结果与用内点混合惩罚函数法求解的结果比较,发现利用遗传算法有利于对函数进行全局寻优.     

采用混合遗传算法的敏捷卫星自主观测任务规划

为改进敏捷卫星观测大规模地面目标点时传统的遗传算法求解效率低下的问题,提高智能优化算法的求解效率,改进了传统的遗传算法,提出了禁忌退火遗传混合算法。首先,考虑到航天器在观测地面目标点的过程中所面临的时间约束、姿态轨道动力学约束等多种约束条件,建立了相应的适应度函数。所提出的适应度函数能够兼顾高观测收益与低观测能耗,反应了实际工程问题的观测需求。随后,为改进传统遗传算法的变异过程,提出了禁忌退火变异方法。这一变异方法在个体变异寻优的过程中,引入了禁忌搜索方法与Metropolis法则,提高了算法搜寻到全局最优解的概率,加快了算法的收敛速度。研究结果表明,与传统的遗传算法相比,禁忌退火遗传混合算法节省了约40%的算法运行时间,该算法的运行效率也高于退火遗传算法、禁忌遗传算法等其他种类改进的遗传算法,从而验证了禁忌退火遗传混合算法求解敏捷观测卫星任务规划问题的高效性。     

基于SVM的GA及其在农业产业结构优化中的应用

针对遗传算法的特征,提出了通过支持向量机SVM构造遗传算法的适应度函数的新算法,该算法通过统计学习理论指导遗传算法的优化过程,然后又把基于支持向量机的遗产算法应用于农业产业结构优化布局中,结果表明基于支持向量机的遗产算法能较快地全局收敛.     

自适应偏振模色散补偿中的新方法

本文提出了一种对基于对传统粒子群（CPSO）算法中的Gbest进行优化的新型粒子群算法（GOPSO）。与CPSO算法相比,GOPSO算法具有更高的收敛速度,需要更少的迭代次数得到可以接受的结果,具有较小的概率陷入局部极值,且易于在实时应用中实现。实验中,已经将GOPSO算法作为高速光纤通讯中偏振模色散自适应补偿系统的控制算法,实验数据表明,GOPSO算法的性能大大好于CPSO算法。     

A novel chaotic optimization algorithm and its applications

This paper presents a chaos-genetic algorithm (CGA) that combines chaos and genetic algorithms. It can be used to avoid trapping in local optima profiting from chaos’randomness,ergodicity and regularity. Its property of global asymptotical convergence has been proved with Markov chains in this paper. CGA was applied to the optimization of complex benchmark functions and artificial neural network’s (ANN) training. In solving the complex benchmark functions,CGA needs less iterative number than GA and other chaotic optimization algorithms and always finds the optima of these functions. In training ANN,CGA uses less iterative number and shows strong generalization. It is proved that CGA is an efficient and convenient chaotic optimization algorithm.     

一种混合优化算法及其性能

结合遗传算法、粒子群优化算法和免疫算法提出了一种实数编码的混合优化算法(IG-PSOA),该方法利用非线性竞争择优的交叉操作和粒子群进化操作来提高算法的搜索效率,通过免疫选择和募集新成员操作保证种群的多样性,以避免早熟和局部收敛。从理论上分析了算法的收敛性和计算复杂度;用数值试验的方法分析了算法的鲁棒性和参数的取值范围。对7个测试函数的数值试验表明,该算法不仅提高了算法的全局搜索能力,提高了收敛的速度,而且提高了求解的质量和优化结果的可靠性,是一种有潜力的优化方法。     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

一种求解非线性方程组的混沌优化算法

针对非线性方程组的求解问题提出一种混合算法,将方程组转换成一个优化问题。利用优化问题的非线性共轭梯度法与混沌优化方法相结合,提出了一种新的混合优化算法。该算法能使非线性共轭梯度法跳出局部最优,最终获得全局最优。算法的收敛性也进行了证明,数值结果表明该算法是有效的。     

一种新的混合XML文档聚类方法

为了提高大规模半结构化文档集的聚类质量,提出了一种新的XML文档聚类方法.从XML文档中提取层次路径序列,以此为依据将XML文档表示为VSM中的向量,将欧氏空间对应于粒子群模型的问题空间,采用粒子群聚类方法进行文档聚类.为了加速算法的收敛性,在算法的后续部分采用C-means进行快速局部调优,提出两阶段混合聚类方法,优点是能够跳出局部极值,搜寻整个问题空间的同时又保证了合理的时间.实验结果表明提出的方法具有较高的聚类准确性和较好的收敛程度.     

遗传禁忌混合算法用于3层光网络静态虚拓扑设计

考虑实际中SDH网络技术的广泛应用,研究了IP/SDH/WDM光网络中的静态虚拓扑设计问题,提出一种混合了遗传和禁忌搜索算法的虚拓扑设计算法,详细研究了其关键要素,使其兼有遗传算法的并行搜索和禁忌搜索算法的局部搜索性能以形成综合优势.在NSFnet网络下与已有智能算法的性能进行仿真对比,验证了该算法在资源效用方面的有效性.     

基于智能混合算法的车辆配送路径优化

为提高车辆配送效率,节约配送成本,建立了以配送路径和成本综合最优为目标的车辆配送路径问题数学模型.设计并实现了一种智能混合算法,首先利用具有自适应交叉率和变异率的改进遗传算法生成全局较优解,再将较优解转换为初始信息素进行蚁群算法,并结合2-opt算法对解进一步迭代优化,最终获得了车辆最优配送路径.实验结果表明,该算法优化后的目标值比蚁群算法减少了15.0%,比遗传算法减少了10.4%,验证了该算法的有效性和优越性.