求解高维优化问题的混合灰狼优化算法

针对基本灰狼优化算法在求解高维优化问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出一种基于混沌映射和的精英反向学习策略的混合灰狼优化算法用于解决无约束高维函数优化问题. 该混合算法首先采用混沌序列产生初始种群为算法进行全局搜索奠定基础;对当前种群中的精英个体分别执行精英反向学习策略以协调算法的勘探和开采能力;在搜索过程中对决策层个体进行混沌扰动,以避免算法陷入局部最优的可能性. 选取10个高维(100维、500维和1000维)标准测试函数进行数值实验,结果表明混合灰狼优化算法在求解精度及收敛速度指标上明显优于对比算法.     

基于混沌蚂蚁的分布式系统协同优化方法

针对复杂分布式系统的优化问题,提出基于混沌蚂蚁的复杂分布式系统协同优化方法.在系统理论指导下,分析复杂分布式系统中自主Agent的基本动力学特征,进而提出复杂分布式系统协同优化模型.在此基础上,借助混沌蚂蚁群算法(CAS)的思想,建立基于混沌蚂蚁的复杂分布式系统协同优化算法(CAS-CO).通过对复杂多Agent网络中基于位置的任务分配问题进行仿真实验,同时与已有算法仿真结果对比,表明CAS-CO算法可行有效,反映文中模型的正确性和Agent的自主性在复杂分布式系统设计和构建中的重要性.     

基于混沌和高斯局部优化的混合差分进化算法

针对标准差分进化(DE)算法在高维复杂函数优化中易早熟收敛,进而导致搜索精度降低甚至优化失败的问题,提出一种基于混沌和高斯局部优化的混合差分进化算法(CGHDE).该算法在进化初期利用混沌的遍历性,可有效地避免算法陷入局部最优;而在进化后期,采用高斯搜索又可有效地提高收敛精度.实验表明,CGHDE算法对函数维度的敏感性大大低于标准DE算法,并且寻优能力强、稳定性好、搜索精度高,特别适合于工程中高维复杂函数的优化问题.     

粒子群优化算法的改进

针对粒子群优化算法搜索精度不高、对高维函数优化性能不佳的问题,提出一种改进的粒子群优化算法。以递增方式对粒子进行释放增强可利用的种群信息,通过释放粒子引导极值变化加强算法的运算效率。实验结果表明,与其他算法相比,改进算法具有更强的寻优能力和搜索精度,且适于高维复杂函数的优化。     

一种求解约束优化问题的混沌文化算法*

在求解约束优化问题时,为了有效处理约束条件,克服文化算法易陷入局部极值点、混沌搜索优化初值敏感、搜索效率低等缺陷,将混沌搜索优化嵌入至文化算法框架,提出一种求解约束优化问题的混沌文化算法。该模型由基于混沌的群体空间和存储知识的信念空间组成,利用地形知识表达约束条件,标准知识和地形知识共同引导混沌搜索,并利用形势知识引导混沌扰动。实例表明,该算法具有较优良的搜索性能,尤其能有效处理高维复杂约束优化问题。     

基于动态簇粒子群优化的无人机集群路径规划方法

路径规划对于无人机（UAV）集群的任务执行十分重要，而且高维场景中的计算通常很复杂。群体智能为解决该问题提供了较好的解决思路。粒子群优化（PSO）算法具有参数少、收敛速度快、操作简单等优点，尤其适用于路径规划问题，但它在应用时存在全局搜索能力差、容易陷入局部最优的问题。为了解决上述问题以提升无人机集群路径规划的效果，提出了动态簇粒子群优化（DCPSO）算法。首先，利用人工势场法和滚动时域控制原理建模UAV集群路径规划问题的任务场景；其次，引入Tent混沌映射和动态簇机制进一步提升全局搜索能力和搜索精度；最后，使用DCPSO算法优化模型的目标函数，以获得UAV集群的每个轨迹点的选择。在单峰/多峰、低维/高维不同组合的10种基准测试函数下的仿真实验结果表明，与PSO、鸽子启发优化（PIO）、麻雀搜索算法（SSA）和混沌扰动鸽群优化（CDPIO）算法相比，DCPSO算法具有更好的计算最优值、均值和方差，搜索精度更佳，稳定性更强。此外，UAV集群路径规划应用实例仿真结果也验证了DCPSO算法的性能与效果。     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

带创造性思维的混沌蚂蚁群优化算法

针对混沌蚂蚁群优化算法(CASO)容易陷入局部极值和精度低的缺陷,从认知学角度进行分析,将创造性思维(CT)引入CASO算法,提出了一种带创造性思维的混沌蚂蚁群优化算法(CTCASO).基于CT过程的"四阶段"模型,构建了算法框架,改进了位置更新公式,从而使蚂蚁个体在惯性、认知能力的基础上增强了CT能力,提高了蚁群的整体寻优能力.仿真结果表明,所提出的算法搜索能力强、稳定性好,并且未增加新的参数和计算难度.     

混沌粒子群优化算法研究

利用混沌运动的遍历性、随机性和规律性等特点,提出一种求解优化问题的混沌粒子群优化(CPSO)算法.该算法的基本思想是采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值.典型复杂函数优化仿真结果表明该方法是一种较简单有效的算法.     

基于混沌变异的自适应双粒子群优化

针对粒子群优化在解决高维优化问题时收敛性差、搜索效率不高的问题,在对粒子群优化算法收敛性分析的基础上,提出了混沌变异对极值进行扰动的方法,以增强算法摆脱局部最优解的能力.采用自适应惯性权重和局部邻域搜索保持较高的局部搜索性能,并结合双粒子群协同进化的方法,综合平衡优化算法的全局搜索和局部搜索能力.通过对4个典型测试函数进行的对比实验,表明了所提出的算法能大大提高粒子群优化的搜索效率和收敛精度.     

基于增强蚁群优化的海量规模MIMO系统快速检测算法

大规模MIMO系统的符号向量检测算法计算复杂度较高,对此结合粒子群优化与蚁群优化提出一种低计算复杂度的海量规模MIMO系统快速检测算法。首先,推导出一种新的概率搜索模型,将基于距离的蚁群搜索与基于速度的粒子搜索结合;然后,将ACO距离指标与PSO的方向、速度指标结合生成一种新的概率指标,将ACO的信息素更新步骤变为PSO速度的更新;最终,将MIMO检测问题建模为路径寻找问题,寻找MIMO符号检测问题的次优解。对比仿真实验结果表明,本算法的检测性能优于部分传统算法以及其他新颖的MIMO检测算法,在获得与最大似然估计检测法接近的误码率性能下,具有极快的计算速度,适用于海量规模的MIMO系统。     

Zoning Search With Adaptive Resource Allocating Method for Balanced and Imbalanced Multimodal Multi-Objective Optimization

Maintaining population diversity is an important task in the multimodal multi-objective optimization. Although the zoning search (ZS) can improve the diversity in the decision space, assigning the same computational costs to each search subspace may be wasteful when computational resources are limited, especially on imbalanced problems. To alleviate the above-mentioned issue, a zoning search with adaptive resource allocating (ZS-ARA) method is proposed in the current study. In the proposed ZS-ARA, the entire search space is divided into many subspaces to preserve the diversity in the decision space and to reduce the problem complexity. Moreover, the computational resources can be automatically allocated among all the subspaces. The ZS-ARA is compared with seven algorithms on two different types of multimodal multi-objective problems (MMOPs), namely, balanced and imbalanced MMOPs. The results indicate that, similarly to the ZS, the ZS-ARA achieves high performance with the balanced MMOPs. Also, it can greatly assist a “regular” algorithm in improving its performance on the imbalanced MMOPs, and is capable of allocating the limited computational resources dynamically.      

基于人类社交行为的动态多目标优化

为了提高多目标微粒群优化算法处理多目标优化问题的性能,降低计算复杂度,改善算法的收敛性,提出了一种基于人类社交行为的多目标动态微粒群优化算法。考虑到粒子寻优过程受到环境中精英粒子与平庸粒子的影响,分别对自身产生推力与阻力作用,并引入局部跳出策略,使算法具有很强的全局搜索能力和较好的鲁棒性能。通过典型的多目标优化函数对算法进行了测试验证,结果表明提出的多目标算法具有较快的收敛速度和较强的跳出局部最优能力,性能优越,可供许多领域优化问题求解借鉴。     

一种求解动态优化问题的免疫文化基因算法

针对传统免疫网络动态优化算法局部寻优能力弱、寻优精度低及易早熟收敛的缺点,提出一种求解动态优化问题的免疫文化基因算法。基于文化基因算法基本框架,将人工免疫网络算法作为全局搜索算法,采用禁忌搜索算法作为局部搜索算子;同时引入柯西变异加强算法的全局搜索能力,并有效防止早熟收敛。通过对经典动态优化函数测试集在相同条件下的实验表明,该免疫文化基因算法相较于其他同类算法具有较好的搜索精度和收敛速度。     

一种块匹配的快速运动估计算法

为了减小运动估计算法的计算复杂度及提高视频压缩编码的效率，提出了一种新的快速、有效的块匹配运动估计算法。该算法首先采用多步搜索策略，并利用相邻块的运动矢量来预测当前块的搜索起点，然后用梯度下降的方向来指导搜索方向，以节约计算资源，对于最佳匹配点所在区域，则采用菱形与正方形相结合的模板来进行精细搜索，以提高算法的搜索精度。实验结果证明，该算法在降低计算复杂度的同时，还能有效地保证搜索精度。     

基于极值动力学的自组织优化算法求解TSP问题

旅行商问题(traveling salesman problem, TSP)具有很强的理论研究和工程应用价值. 在定义离散状态变量和局部适应度的基础上, 分析了TSP优化解的微观特征; 将自组织临界(self-organized criticality, SOC)的概念引入到组合优化领域, 提出了一种基于极值动力学的自组织优化算法. 该算法利用快速下降和间断涨落的动态搜索过程, 高效地遍历解空间中的局部最优解. 针对TSPLIB中典型实例, 计算结果表明其求解效率和优化性能均优于模拟退火和遗传算法等优化方法. 文中算法提供了一种全新的思路, 有助于从系统角度理解组合优化问题的复杂性, 并分析合理的优化动力学过程.     

基于拐点线的大雾能见度检测算法

针对基于区域增长算法的能见度检测方法精度低和计算复杂度高的问题,提出一种基于拐点线(IPL)检测滤波器的能见度检测算法。首先,分析了拐点线所具有的各向异性、连续性和水平性等特征;然后,根据这些特征构建了一个拐点线检测滤波器,以提高拐点检测的精度和速度;最后,结合能见度计算模型和拐点线检测滤波器的检测结果计算大雾天气下的能见度值。与基于区域增长算法的能见度检测方法相比,该算法的运行时间和检测误差分别降低了80%和12.2%。实验结果表明,基于拐点线检测滤波器的能见度检测算法能够有效提高雾天能见度的检测精度,降低拐点定位的计算复杂度。     

A hybrid shuffled complex evolution approach with pattern search for unconstrained optimization

The difficulties associated with using classical mathematical programming methods on complex optimization problems have contributed to the development of alternative and efficient numerical approaches. Recently, to overcome the limitations of classical optimization methods, researchers have proposed a wide variety of meta-heuristics for searching near-optimum solutions to problems. Among the existing meta-heuristic algorithms, a relatively new optimization paradigm is the Shuffled Complex Evolution at the University of Arizona (SCE-UA) which is a global optimization strategy that combines concepts of the competition evolution theory, downhill simplex procedure of Nelder-Mead, controlled random search and complex shuffling. In an attempt to reduce processing time and improve the quality of solutions, particularly to avoid being trapped in local optima, in this paper is proposed a hybrid SCE-UA approach. The proposed hybrid algorithm is the combination of SCE-UA (without Nelder-Mead downhill simplex procedure) and a pattern search approach, called SCE-PS, for unconstrained optimization. Pattern search methods are derivative-free, meaning that they do not use explicit or approximate derivatives. Moreover, pattern search algorithms are direct search methods well suitable for the global optimization of highly nonlinear, multiparameter, and multimodal objective functions. The proposed SCE-PS method is tested with six benchmark optimization problems. Simulation results show that the proposed SCE-PS improves the searching performance when compared with the classical SCE-UA and a genetic algorithm with floating-point representation for all the tested problems. As evidenced by the performance indices based on the mean performance of objective function in 30 runs and mean of computational time, the SCE-PS algorithm has demonstrated to be effective and efficient at locating best-practice optimal solutions for unconstrained optimization.     

局部敏感哈希图像检索参数优化方法

随着大数据时代的到来,如何及时准确地处理海量的图像、视频等多媒体数据已成为相关领域新的挑战。局部敏感哈希算法在处理高维图像特征数据时表现出了良好的性能,使其成为了近年来的研究热点。针对图像检索算法参数的优化选择问题,提出了一种局部敏感哈希图像检索参数优化方法。首先建立面向图像检索的局部敏感哈希算法的性能优化模型,给出其参数优化所对应的非线性最优化问题的一般形式,并且定义了新的优化目标函数;然后分析图像数据间的距离分布规律,发现了求解上述参数优化问题的快速方法;最后结合数值微分和二分查找提出相应的局部敏感哈希参数优化算法。实验结果表明,该方法可以大幅降低算法的复杂度,提高运行效率,同时保持较高的精确值和召回率的调和均值F_1。     

An improved Simulated Annealing algorithm based on ancient metallurgy techniques

Simulated Annealing (SA) is a single-solution-based metaheuristic technique based on the annealing process in metallurgy. It is also one of the best-known metaheuristic algorithms due to its simplicity and good performance. Despite its interesting characteristics, SA suffers from several limitations such as premature convergence. On the other hand, Japanese swordsmithing refers to the manual-intensive process for producing high-quality bladed weapons from impure raw metals. During this process, Japanese smiths fold and reheat pieces of metal multiple times in order to eliminate impurities and defects. In this paper, an improved version of the SA algorithm is presented. In the new approach, a population of agents is considered. Each agent conducts a search strategy based on a modification of the SA scheme. The proposed algorithm modifies the original SA incorporating two new operators, folding and reheating, inspired by the ancient Japanese Swordsmithing technique. Under the new approach, the process of folding is conceived as a compression of the search space, while the reheating mechanism considers a reinitialization of the cooling process in the original SA scheme. With this inclusion, the new algorithm maintains the computational structure of the SA method but improving its search capacities. In order to evaluate its performance, the proposed algorithm is tested in a set of 28 benchmark functions, which include multimodal, unimodal, composite and shifted functions, and 3 real world optimization problems. The results demonstrate the high performance of the proposed method when compared to the original SA and other popular state-of-the-art algorithms.