基于人工鱼群算法的桁架结构的优化

针对基本人工鱼群算法在解决桁架结构优化问题时存在后期收敛速度慢、寻优精度不高的缺陷,在算法初期利用混沌运动遍历性、随机性等特点初始化解群,提高求解效率和解的质量,在算法运行过程中利用粒子群优化算法惯性权重调整策略对人工鱼的步长进行改进,提高寻优的速度和精度。将改进后的算法应用到桁架结构优化中,以桁架截面尺寸为设计变量,结构重量最小为目标函数建立优化设计模型,运用Matlab进行模型优化分析,并与其它算法优化结果进行对比。结果表明,改进的算法在收敛速度与寻优精度方面均有所提高,尤其在迭代计算的初期,效果非常明显,迭代次数为55次左右时优化结果基本平稳。     

基于改进人工鱼群算法的传感器优化布置

针对结构健康监测中传感器位置优化的问题,提出了一种改进的人工鱼群算法。改进算法采用整数对人工鱼进行编码,改进人工鱼距离的衡量方式,并改进算法的追尾和觅食行为,实现结构传感器位置的最优选择。以一个平面桁架结构为例进行数值模拟分析,验证所改进算法的有效性。仿真结果表明:相比于传统的人工鱼群算法,改进的人工鱼群算法具有更强的寻优搜索性能,收敛速度更快,精度更高,适用于解决土木工程结构中传感器位置的优化问题。     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

一种改进的群搜索优化算法

群搜索优化算法是建立在群居动物觅食行为基础上的新型启发式算法,具有算法简单、易于实现的特点.标准群搜索优化算法(GSO)基于发现-追随的寻优策略,由于追随者搜索模式过于单一,从而容易陷入局部最优.为了提高标准GSO算法的收敛速度与收敛精度,提出一种改进群搜索优化算法(IGSO).在该算法中,发现者保持原有的寻优方式,追随者执行鱼群算法的寻优模式,通过引入鱼群算法的觅食、追尾、聚群与随机行为,使搜索方式多样化,可以同时考虑种群的个体最优与群体最优,从而有效避免陷入局部最优.通过6个基准测试函数对两种算法进行比较,实验结果表明,改进的群搜索优化算法优于标准群搜索优化算法.     

改进的群搜索优化算法在桁架结构形状优化设计中的应用

介绍了两种改进的群搜索优化算法IGSO（Improved Group Search Optimizer）——快速群搜索优化算法QGSO（Quick Group Search Optimizer）与快速被动群搜索优化算法QGSOPC（Quick Group Search Optimizer with Passive Congregation）,并应用于离散变量桁架结构形状优化设计,包括平面和空间桁架结构.几个实例计算结果表明两种改进的群搜索优化算法（QGSO与QGSOPC）与GSO算法及已有文献方法相比具有较好的收敛精度和较快的收敛速度,只需较少的迭代次数就能寻找到最优解,并且QGSO与QGSOPC算法程序语句比GSO算法程序语句简略得多,易于编程实现,可应用于工程结构的优化设计.     

基于约束优化问题的人工鱼群算法及其改进

在人工鱼群算法基础上,对人工鱼群算法进行改进,结合遗传算法提出的适应度函数来解决约束优化问题.具体表现在改进了人工鱼的觅食行为,另外引入了吞噬行为以便加快收敛速度,得到更优的适应度值.仿真结果表明改进的人工鱼群算法在解决约束优化问题时,具有收敛速度快、适应度值优、全局寻优性能强等优点.改进的人工鱼群算法较之基本人工鱼群算法具有更好的性能.     

变步长和拥挤度因子的自适应人工鱼群算法

为了改进传统的人工鱼群算法会随着迭代的深入而导致算法易陷入局部最优的问题,以及固定的参数导致算法收敛慢和求解精度不高的问题,提出了一种改进的人工鱼群算法.首先结合迭代次数,为移动步长引入一个权值; 然后以每条人工鱼的视野范围所构成的子群为小生境,结合子群最优解与当前人工鱼状态,为拥挤度因子引入一个变异策略.数值实验结果表明,本文提出的算法收敛速度快、精度高、鲁棒性强,优于传统的人工鱼群算法和文献[4]提出的算法.     

同时取送货车辆路径问题的改进人工鱼群算法

该文在建立同时送取货车辆路径问题数学模型基础上,针对车辆负载波动性的特点,构造相应的人工鱼群算法的四元个体模型;利用动态设置视野范围、邻域搜索方法改进人工鱼群算法的觅食和追尾操作行为,仿真算例证明改进人工鱼群算法能快速收敛得到较优解,具有较强工程应用价值。     

改进遗传算法在桁架拓扑优化中的应用

基于桁架拓扑优化,对遗传算法提出了一些改进措施,形成了一种高效综合的遗传算法。在桁架的截面尺寸和拓扑结构混合设计中,对尺寸变量和拓扑变量分别进行二进制编码、交叉和变异,得到桁架拓扑结构和杆件截面尺寸的初解,适当降低尺寸变量编码精度,以加快算法的收敛速度。然后对截面尺寸重新编码,以较高的尺寸精度进行搜索,为了防止陷入局部最优解,取部分初解加入新的父代。算例表明,该算法对离散变量的桁架拓扑优化是快速有效的。     

一种变视野和步长的人工鱼群算法

针对传统人工鱼群算法的寻优精度不高、后期收敛速度慢且出现振荡现象的问题,提出一种自适应视野和步长的人工鱼群算法,该算法将两条人工鱼之间的距离作为视野,并将得到的视野乘以一个系数作为步长。随着鱼群的不断聚集,视野和步长相应地减小,有利于搜寻到最优点。实验结果表明,改进后的算法收敛速度更好、寻优精度更高。     

改进人工鱼群优化粗糙集的水电机组故障诊断

针对水电机组大量的现场监测数据信息,基于传统的人工智能方法对故障信息不能及时有效地分析的问题,提出了一种基于改进人工鱼群优化粗糙集的水电机组故障诊断方法．首先,利用鱼群的寻优聚群行为对连续属性进行离散化,然后采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,再用提取的规则对水电机组故障进行诊断．仿真结果表明：与传统方法相比,该算法能够提高水电机组故障诊断的准确率．     

基于PVM的网络并行计算在结构优化设计中的应用

结构优化涉及大量的目标函数、设计变量和设计约束，分析工作量大，求解非常费时，一个替代的办法是把整体结构优化分解为两层优化问题：顶层为协调层优化，底层为若干个子系统层优化，提出了一个改进的负载平衡算法，以10杆和52杆桁架为例验证了二层结构优化的可行性和收敛性，计算结果表明，问题粒度越大越能获得更好的加速比和并行效率。     

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型．该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力．提出的模型和改进的算法模拟仿真表明：该方法对收敛速度和精度有更好的拟合性．     

基于改进遗传算法的结构可靠度计算

针对传统的遗传算法容易产生早熟收敛现象以及局部搜索能力较差等缺陷,结合鱼群算法中具有加快寻优速度的追尾行为和克服局部极值能力较好的聚群行为对其进行改进。将改进后的遗传算法应用到框架结构的可靠度分析中,并以门式框架结构为例,建立了以单元截面积、外荷载为设计变量,可靠度指标为目标函数的优化模型。分别采用JC法与改进遗传算法对门式框架结构的可靠度指标进行对比计算,两种算法在同一验算点不同荷载值下的可靠度指标的计算结果相近,但改进后的遗传算法在分析过程中受到的约束条件较少,简单高效。