自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重,提高其全局寻优能力．当种群的寻优能力减弱时,采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证,该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比,该算法具有较好的性能．

     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

多目标混沌差分进化算法

将差分进化算法用于多目标优化问题,提出了多目标混沌差分进化算法(CDEMO).该算法利用混沌序列初始化种群,并用混沌备用种群进行替换操作.该操作不仅起到了维持非劣最优解集均匀性的作用,而且增强了算法的搜索功能.对CDEMO的性能进行研究,数值实验结果表明了CDEMO的有效性.

     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.

     

基于杂合机制的免疫遗传算法在动态问题中的应用

针对遗传算法在求解动态问题时存在多样性缺失,无法快速响应环境变化的问题,提出一种基于杂合子机制的免疫遗传算法．该算法借鉴免疫系统中多样性与记忆机理,从保持等位基因多样性出发,在免疫变异中引入杂合映射机制,使种群能够探索更大的解空间．同时,通过引入记忆策略,使算法迅速跟踪最优解变化轨迹．该方法在动态０-１优化问题的求解中取得了较好的效果．

     

基于拉格朗日松弛的供应链合作生产计划模型研究

为解决供应链生产计划协调问题,通过市场价格和中间库存因素使供应链上下游企业结合成一个整体,建立一种供应链上下游一体化计划模型,从整体考虑供应链合作计划问题．为获取问题的可行解,采用拉格朗日松弛技术进行优化,为供应链上下游企业在信息共享条件下实现“多赢”目标,提供了理论依据．仿真结果验证了模型和算法的有效性．

     

基于节点协同覆盖的传感器网络寿命最大化模型

针对保证网络连通覆盖和最小能量消耗的优化目标,建模了基于节点协同覆盖的传感器网络寿命最大化模型．提出一种基于多目标优化遗传算法的求解方案,设计了基于链路状态的分簇机制以及基于ＮＳＧＡ-Ⅱ的簇内覆盖控制算法．仿真结果表明该方案能快速收敛于最优解,在高密度和低密度布撒环境下表现出优越的性能,且具有良好的适应性．

     

一种动态分级的混合粒子群优化算法

针对粒子群算法早熟收敛和搜索精度不高的问题,提出一种动态分级的混合粒子群优化算法．该算法采取３种级别的并行粒子群算法,分别用于全局搜索和局部搜索及二者的结合,并根据搜索阶段动态调整各种级别中并行变量的数目．在全局搜索中,将混沌机制引入算法中以增强算法的全局搜索能力;在局部搜索中,采用单纯形法对适应度最优解进行局部寻优．仿真实验表明,该算法比其他优化算法具有更好的性能．

     

基于带有随机时滞的多通信通道的网络控制系统镇定

基于带有随机时滞的多通信通道,建立了离散时间网络控制系统模型．利用缓存对丢包进行补偿,并设计了状态反馈控制器,使系统达到随机稳定．采用锥型补偿线性化（ＣＣＬ）算法得到了控制器增益的全局最优解．最后通过倒立摆系统的仿真例子验证了所提出方法的可行性．

     

一体化中包计划模型与算法

描述了一体化中包计划问题,归纳了炼钢 连铸 热轧及下游工序的一体化工艺规程,建立了以优化中包数、工艺附加成本和各流向产能平衡为目标的多目标优化模型．基于策略和加权和方法处理多目标优化问题,针对模型设计了基于７种邻域结构和局部迭代搜索方法的改进型变邻域深度搜索算法和改进型简化变邻域搜索算法．通过实际数据仿真,将两种算法与启发式算法进行对比,同时对两种算法进行性能分析,其结果验证了所提出模型和算法的有效性．

     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．

     

区间直觉模糊动态规划方法

基于直觉模糊集理论的思想与方法,探讨多阶段决策问题．运用分析技巧,构建直觉模糊集比较可能度公式及区间直觉模糊集比较可能度公式．在普通动态规划的基础上,提出区间直觉模糊动态规划及其最优解的概念,建立相应的数学模型及其最优解的算法,并指出直觉模糊动态规划是区间直觉模糊动态规划的特例．通过算例分析,说明了算法的合理性和可行性．为不确定动态规划和直觉模糊集理论的应用研究提供了新的思路．

     

多目标自适应混沌粒子群优化算法

提出一种多目标自适应混沌粒子群优化算法(MACPSO). 首先, 基于混沌序列提出一种新型动态加权方法选择全局最优粒子; 然后, 改进NSGA-II 拥挤距离计算方法, 并应用到一种严格的外部存档更新策略中; 最后, 针对外部存档提出一种基于世代距离的自适应变异策略. 以上操作不仅提高了算法的收敛性, 而且提高了Pareto 最优解的均匀性. 实验结果表明了所提出算法的有效性.

     

基于TS／VDS算法的涤纶短纤维生产调度优化

采用禁忌搜索（ＴＳ）／变深度搜索（ＶＤＳ）混合算法对涤纶短纤维生产调度优化问题进行优化．混合算法通过改变常规ＴＳ算法邻域,采用变深度搜索技术增强了算法寻优能力．某大型石化企业实际数据的实验结果表明,该算法在寻优能力和求解时间上比常规ＴＳ算法更加有效,能够在更短的时间内获得满意解,对于解决多产品多阶段连续生产调度问题具有实用价值．

     

一种新的求解MMKP问题的ACO＆PR算法

针对多选择多维背包问题(MMKP)的特点,设计一种新型混合算法(ACO＆PR).该算法将线路重连算法(PR)嵌入蚁群算法(ACO),在搜索过程中既考虑解的质量,又考虑解的分散性.线路重连算法在重连过程中,向导解的属性逐步引入起始解属性中,可快速获得该线路上的最优解.实验结果表明,该算法优于其他现有较好的方法,获得了较好的结果.

     

一种改进的CVP方法及其在动态优化中的应用

针对控制向量参数化方法敏感度方程求解耗时长、时间节点数难确定等问题,提出一种改进的控制向量参数化方法．首先利用分段常数对系统敏感度方程进行近似处理,有效地得到了敏感度方程的近似解析解,避免了对高维敏感度方程数值积分的计算负担;然后根据目标函数关于控制参数的敏感度来选择需要细化的控制参数,得到满足优化精度要求的最优时间节点数．针对非线性ＣＳＴＲ 的仿真研究验证了所提出算法的可行性和有效性．

     

求解动态优化问题的自组织进化算法

为在环境发生变化后跟踪最优解的变化,提出一种自组织单变量边缘分布算法(SOUMDA)来求解动态优化问题.自组织策略包含扩散和惯性速度模型,扩散模型利用当前环境的局部信息使群体向外扩散,惯性速度模型利用最优解的历史信息进行预测.将自组织策略与单变量边缘分布算法(UMDA)结合,使得算法在环境变化后自适应地增加种群多样性,提高算法适应能力,快速跟踪最优解.利用动态sphere函数对所提出的算法进行测试,并与iUMDA和UMDA算法进行比较,结果表明所设计的算法能快速适应环境的变化,跟踪最优解.

     

RBF神经网络参数估计的两种混合优化算法

基于全局搜索的进化算法和一种局部搜索算法———结构化的非线性参数优化方法（ＳＮＰＯＭ）,提出两种混合的优化算法来估计ＲＢＦ神经网络中的参数：１）初始化一定数目的种群作为ＳＮＰＯＭ 的初始值得到其适应值,通过选择、交叉和替换策略来更新种群;２）采用进化算法运行一定的代数,从最终群体中选取一些个体进一步用ＳＮＰＯＭ来优化．这两种混合优化算法的本质是用进化算法为ＳＮＰＯＭ 搜寻最优初始值,以得到全局最优解．仿真实验结果表明,该混合算法比单独使用进化算法或ＳＮＰＯＭ 更优,且优于其他一些算法．

     

基于拥挤度与变异的动态微粒群多目标优化算法

提出一种动态微粒群多目标优化算法(DCMOPSO),算法中的惯性权重和加速因子动态变化以增强算法的全局搜索能力,并采用拥挤度的方法对外部档案进行维护以增加非劣解的多样性. 在维护过程中,从外部档案中按拥挤度为每个微粒选择全局最好位置,同时使用变异操作避免算法早熟 .通过几个典型的多目标测试函数对DCMOPSO算法的性能进行了测试,并与多目标优化算法MOPSO 和NSGA-Ⅱ 进行对比 .结果表明, 算法具有良好的搜索性能.

     

LTI状态空间模型的参数估计

采用3种方法研究了LTI(Linear time-invariant)状态空间模型中未知参数的估计问题:利用Metropolis-Hastings算法,从后验分布中抽取一定容量的样本,得出其均值和标准差;采用进化算法来最小化对数似然函数,得到全局最优解;采用模拟退火算法来最大化似然函数,得到全局最优解.最后,通过数值实验验证和比较了3种估计算法的有效性.