自适应Tent混沌搜索的蚁狮优化算法

针对蚁狮算法存在的早熟收敛和不易得到全局最优解等问题,借鉴混沌优化算法,提出了自适应Tent混沌搜索蚁狮算法.该算法首先使用Tent混沌映射初始化种群,然后自适应调整混沌搜索空间得到最优解,改善适应度较差个体,提高种群整体的适应度和寻优效率,同时使用锦标赛策略选择蚁狮个体.最后,利用混沌算子优化蚂蚁随机游走行为,与蚁狮觅食行为形成了全局、局部并行搜索模式.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂高维基准函数的寻优测试实验表明,对于30维基准函数,该算法经过约0.5秒收敛到最优值;对于50维基准函数,约2秒收敛到最优值.与标准蚁狮算法和其他优化算法相比,该算法具有较好的收敛速度和寻优精度,适合复杂高维函数寻优.航迹规划实验表明,对于包含7个威胁源的空域环境,当搜索维度为10维时,该算法经过0.939秒,迭代30次基本可以达到航迹代价的全局最优值.与标准蚁狮算法相比,能够更加快速准确地得到一条满足要求的航迹,具有实际应用价值.     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

一种自适应细菌觅食优化算法

针对在优化高维函数时,细菌觅食优化算法性能不佳的情况,提出了一种自适应细菌觅食优化算法.将固定的趋化步长改进为非线性递减的自适应游动步长,提高了算法的局部搜索能力;引入维度自适应学习算法,对每个趋化周期内得到的当前最优细菌进行维度自适应学习一次,提高了解的精度和搜索效率;将精英细菌作为Tent混沌映射的初始点对符合迁徙条件的细菌进行位置初始化,加快了算法的收敛速度.仿真结果表明,文中提出的算法在解的精度和收敛速度等方面均表现更优,具有更高的效率.     

基于聚类和探测精英引导的蜻蜓算法

针对蜻蜓算法（DA）收敛速度慢、收敛精度低、全局搜索能力差等不足,提出新的蜻蜓优化算法. 利用tent混沌初始化种群并对种群进行K-Means++聚类,根据聚类的结果分别对种群个体进行反向学习和高斯变异以增强种群的多样性,提高搜索效率. 引入非线性自适应因子加快收敛速度,使用探测精英引导策略增强算法跳出局部收敛的能力. 引入平方散列探测增加收敛精度. 将该优化算法应用于8个典型复杂函数优化问题,并与原蜻蜓算法,以及其他仿生计算算法对比,实验结果表明该改进算法具有良好的全局收敛性和寻优精度.     

模拟退火算法求解指派问题新探

模拟退火算法是一种随机搜索算法,能渐进地收敛于全局最优解.指派问题是组合优化问题中的一种,可用模拟退火算法来解此问题.模拟退火算法解决指派问题时,需要考虑实现此算法的技术问题,例如解的形式、初始温度的计算等.实验结果表明,该方法能够以一定的概率跳出局部最优,从而实现全局寻优.     

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.     

改进灰狼算法及其在港口泊位调度中的应用

为提升港口泊位调度的效率,提出一种基于改进灰狼算法的船舶调度优化方法.针对灰狼算法收敛速度慢、寻优精度不高等不足,引入Sin混沌初始化,增强初始种群的均匀性和遍历性;引入头狼引领策略,加快算法收敛,提高算法效率;引入合作竞争机制,增强算法局部搜索的能力;在灰狼种群位置更新时引入自适应权值,以满足不同时期的寻优要求.为验证改进灰狼算法的有效性,将该算法与其他6种不同算法进行对比实验.结果表明:改进灰狼算法的收敛速度明显快于其他6种算法,在不同测试函数的仿真中均能得到所求函数的最优值,且该算法独立运行20次取得解的标准差均为0,表明该算法对不同维度的求解问题均具有很好的抗扰性;在港口泊位调度的应用中,经过该算法优化后,所有船舶停留总时间较优化前缩短了14.7%,大幅度缩短了船舶的在港时间.该算法在船舶调度优化中取得了满意的应用效果,能够得出相对较佳的调度方案,实现泊位停靠最优化,为港口泊位调度优化提供了新方法.     

粒子群优化算法在多峰函数寻优上的应用

本文将模拟退火算法的思想引入到粒子群优化算法中,并且通过改变粒子群优化算法的惯性权值递减策略及更新位置的限制,来加速算法的收敛．算法经过对多峰函数的寻优测试,证明了这种改进算法与自适应粒子群优化算法相比较,不容易陷入局部最优,全局寻优能力更强,收敛速度更快．     

一种改进的混合蛙跳算法求解有约束优化问题

提出一种适用于求解有约束优化问题的改进混合蛙跳算法(improved shuffled frog leaping algorithm, Im-SFLA)。该算法针对混合蛙跳算法(shuffled frog leaping algorithm, SFLA)在进化后期搜索速度变慢且容易陷入局部极值的缺陷,将模拟退火和免疫接种思想引入到具有高斯变异和混沌扰动的SFLA中。标准测试函数仿真结果表明Im-SFLA能显著提高收敛速度和精度,并能有效克服局部极值,全局寻优能力明显优于SFLA。使用静态罚函数法将有约束优化转化为无约束优化,对12个有约束优化测试函数的实验结果表明Im-SFLA寻优精度高、鲁棒性强,是一种十分有效的求解有约束优化问题的算法。     

一种求解有约全局优化问题的新型混合方法

通过将模拟退火算法与非线性规划神经网络适当结合，本文提出一种求解有约束全局优化问题的新型混合方法．为了使该方法尽可能保持一般模拟退火算法通用性强的优点，在每一次迭代中不是采用非线性规划神经网络直接求原问题的局部最优解，而是通过求解一个辅助优化问题得到原问题的可行解．数值计算结果表明，与使用罚函数方法处理约束的模拟退火算法相比，本文提出的混合方法不仅可靠性高，而且可以显著地提高计算效率．     

基于Tent映射的混沌粒子群优化算法

针对粒子群算法在迭代后期易陷入局部最优的不足,采用Tent映射所产生的混沌序列在粒子个体最优点和全局最优点附近进行混沌搜索,利用混沌搜索的全局遍历性和随机性提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真结果证明了该算法的可行性。     

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。     

Fuzzy controller based on chaos optimal design and its application

In order to overcome difficulty of tuning parameters of fuzzy controller, a chaos optimal design method based on annealing strategy is proposed. First, apply the chaotic variables to search for parameters of fuzzy controller, and transform the optimal variables into chaotic variables by carrier-wave method. Making use of the intrinsic stochastic property and ergodicity of chaos movement to escape from the local minimum and direct optimization searching within global range, an approximate global optimal solution is obtained. Then, the chaos local searching and optimization based on annealing strategy are cited, the parameters are optimized again within the limits of the approximate global optimal solution, the optimization is realized by means of combination of global and partial chaos searching, which can converge quickly to global optimal value. Finally, the third order system and discrete nonlinear system are simulated and compared with traditional method of fuzzy control. The results show that the new chaos optimal design method is superior to fuzzy control method, and that the control results are of high precision, with no overshoot and fast response.     

混合优化策略的蛋白质折叠结构预测

为提高蛋白质折叠结构的预测精度,提出了一种融合改进模拟退火算法与序列二次规划法的预测策略.将序列二次规划法加入具有回火退火功能的模拟退火算法中,利用其局部最优化的能力对由模拟退火算法求得的全局优化结果进行二次优化,进而求得全局最优化结果.对所提方法进行了计算机仿真研究,并与其它方法进行了性能比较,实验结果表明,该方法能够有效提高蛋白质折叠结构的预测精度.     

SMA被动-自适用控制装置及结构地震反应控制分析

针对SMA被动控制装置减震效果不理想的问题,通过对SMA本构关系的分析,得出SMA弹性模量与温度的关系式,并对超弹性SMA和形状记忆SMA进行了材料性能试验研究.利用SMA弹性模量随温度变化特性和SMA超弹性滞回耗能特性,设计了一种新型SMA被动-自适用控制装置,并给出SMA控制装置最大输出控制力和等效刚度的计算公式.最后,针对某三层框架结构,分别在未控、主动控制和SMA半主动控制三种情况下,进行了地震时程仿真分析.结果表明:大震下框架结构底层位移和加速度反应幅值分别降低50.4%和41.7%,控制效果接近主动控制效果.     

基于模拟退火算法的动力头优化设计

根据模拟退火算法的基本原理,定义了动力头优化的目标函数及各种约束条件,给出了模拟退火算法对动力头优化的具体过程.分析对比了常规退火算法同改进的退火算法及采用MATLAB工具箱中fmincon函数对动力头优化的结果.优化结果和实验分析表明,采用改进的模拟退火算法对动力头优化设计是获取问题最优解的好方法.     

改进的模拟退火算法及其收敛性研究

高维连续函数的全局优化问题广泛存在于计算生物学、计算化学等诸多领域。针对这类问题，本文给出了一类改进的模拟退火算法，将局部极小化过程引入模拟退火算法。并采用一种简单的方法证明了该算法以概率1收敛于全局最优解。