复杂机械产品性能意图优化研究

为解决专用装备制造业中复杂机械产品多设计参数、多设计约束、多设计目标的设计优化问题,采用一种基于Pareto最优解的多目标广义差分进化(GDE)算法.GDE算法在普通差分进化算法的基础上改进了约束条件的处理方法,利用差分进化算法模拟生物种群进化,以群体中的所有个体为对象,采用随机化技术对一个被编码的参数空间进行高效搜索,通过反复迭代搜索到多目标优化问题的近似Pareto最优解集.以高速工业平缝机勾线机构的设计为例,通过对求得的Pareto最优解集的分析,得到了高速工业平缝机勾线机构的设计特性,为设计人员今后进行高速工业平缝机勾线机构性能设计优化提供了充分的依据.     

一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

免疫遗传算法及其在电力系统EELD中的应用

电力系统EELD问题是一个满足一定约束条件的多目标优化问题,利用基于进化策略的免疫遗传算法对这一问题求解.将发电燃料成本和污染控制成本视为抗原,各电力生产单元发电量的最优解视为抗体,以一个含有5个电力生产单元的燃煤电力系统模型为对象,给出利用免疫遗传算法解决这一问题的主要方法和步骤.并与基于遗传算法和Hopfield神经网络方法进行比较分析.结果证明此算法可以优化分配电力系统中各电力单元发电量,达到环境经济合理配置.     

基于文化算法的PPI网络功能模块检测方法

为了解决蛋白质相互作用(protein-protein interaction,PPI)网络功能模块检测问题,提出一种基于文化算法的PPI网络功能模块检测(CA-FMD)方法.首先,每个个体采用基于节点邻居有序表的编码方式表示功能模块检测问题的一个可行解.然后,利用文化算法的双层进化机制获得最优解,其中,上层机制用来模拟信念空间中群体经验的进化,下层机制用来刻画种群空间中个体的进化.最后,借助2个空间的相互作用和影响完成解的优化.在3个数据集上的实验结果表明:与其他算法相比,CA-FMD方法在多项评价指标上都具有明显的优势.     

改进的蚂蚁算法及其在暴雨强度公式参数优化中的应用

蚂蚁算法是解决组合优化问题的一种优秀的算法，但直接用于解决连续优化问题存在很大困难。本文通过引入带可变邻域搜索项的进化策略对蚂蚁算法进行了改进，然后将改进的蚂蚁算法应用到解决暴雨强度公式的参数优化这类连续问题中，并和其它优化方法得到的优化结果进行了比较。结果表明，改进的蚂蚁算法可以成功用于暴雨强度公式的参数优化，并且在实验采用的各种优化算法优化参数得到的暴雨强度公式拟合原始数据的效果比较中只有免疫进化算法在优化过程中迭代次数和迭代规模都要大得多的情况下才和改进的蚂蚁算法差不多，而比其它的优化方法都要好。     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.     

基于混沌优化和网格筛选策略的多目标分布估计算法

为了解决多目标分布估计算法中进化速度慢、解精度和分布不佳等问题,提出一种基于混沌优化和网格筛选策略的多目标分布估计算法.该算法首先利用混沌模型进行种群的初始化,以获得较理想的初始化结果;然后运用混沌的局部优化策略对每代产生的非支配个体进行寻优,加速种群向Pareto最优前沿的逼近;最后利用简单的网格筛选策略保持个体的均匀分布,从而增强精英种群的多样性.3种评价标准在8个测试问题上的实验表明:与目前最具代表性的RM-MEDA算法相比,该算法不仅在接近真实的最优前沿和保持种群的多样性方面具有一定优势,而且在进化速度上也有较大提高.     

柔性作业车间多目标调度优化研究

研究了多目标柔性作业车间调度问题（FJSP）,提出了一种基于Pareto的混合遗传算法,并建立了包括生产周期、总拖期时间和机床负载在内的多目标优化模型．该算法采用基于工序的编码方式和活动化解码方法,将Pareto排序策略与Pareto竞争方法结合起来．为了保证解的多样性,采用小生境技术并同时使用多种交叉方法,用Pareto解集过滤器保存进化过程中的最优个体,防止最优解的遗失．算法最后给出问题的Pareto最优解集．仿真试验证明,提出的混合遗传算法可以有效解决多目标FJSP．     

新的混合分解高维多目标进化算法

在基于分解技术求解高维多目标优化问题的思想启发下,为了提高多目标优化问题非支配解集合的分布性和收敛性,提出新的基于个体支配关系的混合分解高维多目标进化算法.该算法采用分子种群的进化模式,设计新的基于有效阶的个体支配关系用于个体的比较和更新操作,以便在增加个体选择压力的同时提高解集分布的多样性.为了改善该算法的局部搜索性能,将Powell搜索作为局部搜索算子,采用传统优化与进化算法相融合的混合进化策略.为了检验提出算法的性能,将提出算法用于求解5~20个目标的6类标准测试问题,与同类算法相比,该算法在收敛性和分布性方面均具有较大的改进和提高.     

进化策略自主选择的改进混洗蛙跳算法

针对经典混合蛙跳优化算法寻优精度不高和易陷入局部收敛区域的缺点,本文提出一种基于进化策略自主选择的混洗蛙跳算法。算法中最差个体根据不同知识来源采取4种进化策略,每次迭代通过计算每种进化策略的立即价值、未来价值和综合奖励来决定最差个体的进化方式,并通过个体进化策略概率变异算法来提升寻优速度和避免陷入局部最优解。利用10个Benchmark函数对本文算法与8种进化算法进行性能比较。实验表明:所提的算法能较好地平衡全局探索能力和局部挖掘能力,可以用较少的迭代次数获取较优结果,具有很好的收敛速度和精度。