求解约束优化问题的粒子进化变异遗传算法

设计一种求解约束优化问题的粒子进化变异遗传算法(IGA_PSE).首先,分析候选解约束条件离差统计信息与约束违反函数之间的关系及其性质,基于约束条件离差统计信息提出一种改进约束处理方法;其次,基于粒子进化策略提出3种新变异算子;然后,讨论该算法早熟收敛的3种情况,并提出相应的种群多样化维持策略;最后,通过数值实验表明所提出的算法能够有效求解约束优化问题.     

多目标优化与自适应惩罚的混合约束优化进化算法

提出一种多目标优化与自适应惩罚函数相结合的方法来处理约束优化问题.首先利用多目标优化方法提取当前群体中的主要信息;然后进一步用自适应惩罚函数选出最有价值的信息.将这种约束处理技术与一种基于群的算法生成器模型相结合,即可得到一种新的约束优化进化算法.选取10个标准测试函数对新算法的性能进行数值实验,结果表明了所提出方法的有效性和较强的稳健性,与其他尖端算法相比得到了相似或更优的结果.     

演化算法求解约束多目标优化问题

求解多目标优化问题的演化算法主要考虑如何处理相互冲突的多个目标间的优化,很少考虑对约束条件的处理.通过引入约束主导原理,提出一种无需采用罚函数,完全是基于个体排序的求解约束多目标优化问题的演化算法.对测试函数进行了实验,实验结果表明了该算法的可行性和有效性.     

低约束密度分布式约束优化问题的求解算法

多Agent协作过程中的许多挑战都可以建模为分布式约束优化问题.针对低约束密度的分布式约束优化问题,提出了一种基于贪婪和回跳思想的求解算法.在该算法中,各Agent基于贪婪原则进行决策,能够利用低约束密度问题中大量赋值组合代价为0这一特点来加快求解速度.同时,Agent间的回跳机制可以在贪婪原则陷入局部最优时保证算法的完全性.相对于已有主流算法,该算法可以在保持多项式级别的消息长度/空间复杂度的前提下,以较少的消息数目求解低约束密度的分布式约束优化问题.给出了算法关键机制的正确性证明,并通过实验验证了算法的上述性能优势.     

修正免疫克隆约束多目标优化算法

针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.     

逆向工程中约束驱动数据点云曲面特征优化

为了获得产品原始设计意图,提高重构模型的整体质量,提出一种实用的逆向工程中约束驱动数据点云曲面特征优化方法,其中包括约束分解和有效的数值求解.在约束分解部分,通过设计结构矩阵分割算法消除几何约束系统中曲面特征间的耦合约束,提出了基于多尺度特征的凝聚算法来实现几何约束系统的简化和分解;在数值求解部分,基于罚函数法建立了约束优化的数学模型,采用BFGS法进行了数值求解.对优化后的逼近误差与约束满足误差进行分析的结果表明,采用文中方法可以低数量级的逼近误差的放大,实现约束满足误差的减小,获得一种全局优化的结果.     

Modified Immune Clonal Constrained Multi-Objective Optimization Algorithm

针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.     

一种改进的多目标粒子群优化算法及其应用

针对多目标粒子群优化算法在求解约束优化问题时存在难以兼顾收敛性能和求解质量这一问题,提出一种基于免疫网络的改进多目标粒子群优化算法.该算法通过免疫网络互通种群最优信息达到粒子群算法与人工免疫网络算法的协同搜索,同时给出了速度迁移策略、自适应方差变异策略和基于聚类的免疫网络策略.最后将所提出的方法应用于求解电弧炉供电优化模型,达到了减少电量消耗、缩短冶炼时间、延长炉衬使用寿命的目的,同时表明了该算法的有效性.     

基于双尺度约束模型的BN结构自适应学习算法

在无先验信息的情况下, 贝叶斯网络(Bayesian network, BN)结构搜索空间的规模随节点数目增加呈指数级增长, 造成BN结构学习难度急剧增加. 针对该问题, 提出基于双尺度约束模型的BN结构自适应学习算法. 该算法利用最大互信息和条件独立性测试构建大尺度约束模型, 完成BN结构搜索空间的初始化. 在此基础上设计改进遗传算法, 在结构迭代优化过程中引入小尺度约束模型, 实现结构搜索空间小尺度动态缩放. 同时, 在改进遗传算法中构建变异概率自适应调节函数, 以降低结构学习过程陷入局部最优解的概率. 仿真结果表明, 提出的基于双尺度约束模型的BN结构自适应学习算法能够在无先验信息的情况下保证BN结构学习的精度和迭代寻优的收敛速度.     

约束进化算法及其应用研究综述

约束优化问题广泛存在于科学研究和工程实践中,其对应的约束优化进化算法也成为了进化领域的重要研究方向。约束优化进化算法的本质问题是如何有效地利用不可行解和可行解的信息,平衡目标函数和约束条件,使得算法更加高效。首先对约束优化问题进行定义;然后详细分析了目前主流的约束进化算法,同时,基于不同的约束处理机制,将这些机制分为约束和目标分离法、惩罚函数法、多目标优化法、混合法和其他算法,并对这些方法进行了详细的分析和总结;接着指出约束进化算法亟待解决的问题,并明确指出未来需要进一步研究的方向;最后对约束进化算法在工程优化、电子和通信工程、机械设计、环境资源配置、科研领域和管理分配等方面的应用进行了介绍。     

Navigation with constraints for an autonomous mobile robot

This paper describes a navigation planning algorithm for a robot capable of autonomous navigation in a structured, partially known and dynamic environment. This algorithm is applied to a discrete workspace composed of a network of places and roads. The environment specification associates temporal constraints with any element of the network, and recharge or relocalisation possibilities with places. A mission specification associates several constraints with each navigation task (energy, time, position uncertainty and distance).

The algorithm computes an optimal path for each navigation task according to the optimization criterion and constraints. We introduce the notion of efficient path applied to a new best first search algorithm solving a multiple constraints problem. The path determination relies on a state representation adapted to deal with environment constraints. We then prove that the complexity chracteristics of our algorithm are similar to those of the A* algorithm.

The planner described in this paper has been implemented on a Spare station for a Robuter mobile platform equipped with ultra-sonic range sensors and an active stereo vision system. It was developed for the MITHRA family of autonomous surveillance robots as part of project EUREKA EU 110.     

Selecting highly optimal architectural feature sets with Filtered Cartesian Flattening

Feature modeling is a common method used to capture the variability in a configurable application. A key challenge developers face when using a feature model is determining how to select a set of features for a variant that simultaneously satisfy a series of resource constraints. This paper presents an approximation technique for selecting highly optimal feature sets while adhering to resource limits. The paper provides the following contributions to configuring application variants from feature models: (1) we provide a polynomial time approximation algorithm for selecting a highly optimal set of features that adheres to a set of resource constraints, (2) we show how this algorithm can incorporate complex configuration constraints; and (3) we present empirical results showing that the approximation algorithm can be used to derive feature sets that are more than 90%+ optimal.     

执行器约束下基于数据驱动的参数化前馈控制器设计

针对执行器约束下非重复性点到点运动的轨迹跟踪问题, 提出了一种在执行器约束下基于数据驱动的参数化输入整形滤波器和前馈控制器优化设计算法. 首先对输入整形滤波器以及前馈控制器进行参数化, 然后在目标函数中加入控制信号变化量与控制信号能量的约束, 再采用基于数据驱动的迭代寻优算法得到最优参数, 在该参数下可以实现满足执行器约束条件下的运动控制系统轨迹最优跟踪性能. 并且由于采用了前馈参数化设计方法, 在点到点轨迹发生变化时所提出算法依然能够保持良好的轨迹跟踪性能. 仿真与实验结果表明在执行器约束下所提出算法能够实现最优点到点轨迹跟踪性能, 并且对非重复性点到点轨迹跟踪具有一定的鲁棒性.     

带有多个可转化约束的频繁项集挖掘算法

1.引言频繁项集的挖掘是数据挖掘课题中的一个很重要的方面,然而频繁项集的挖掘过程通常会产生数目庞大的频繁项集,并且其中的绝大多数并不是客户所期望得到的,因而使挖掘过程的效果和效率都大打折扣。     

面向纸板三维装箱问题的剩余空间最优算法

针对瓦楞纸板在装箱过程中遇到的多种实际约束,提出一种基于剩余空间最优和多种实际约束的快速求解算法。该算法先根据纸板的先进后出和组合装载约束,确定纸板的装箱序列,接着将三维装箱问题转换成带高度约束的二维装箱问题,再基于剩余空间最优策略,选择空间的分割方式和纸板的放置方式,并对剩下的空间进行合并和重新分割,从而求解得到纸板装载放置的结果,实现容器空间利用率最高和使用数目最小的目标。通过计算随机算例和实际算例,以及对结果的三维可视化显示,验证该算法能实现多种约束,空间利用率高,运算效率高并具有有效性和实用性。     

基于凸壳的约束信息扩展方法

提出了一种新的约束信息扩展方法。该方法先利用给定的标记信息建立凸壳,然后扫描整个数据集,选择在凸壳内的数据点作为候选集并做进一步判断;对于凸壳间的公共数据,采用凸多边形最优三角剖分的方法来确定这些数据最终应加入的标记信息集。该约束信息扩展方法在四类数据集上验证了算法的有效性。     

A Riccati approach for constrained linear quadratic optimal control

An active-set method is proposed for solving linear quadratic optimal control problems subject to general linear inequality path constraints including mixed state-control and state-only constraints. A Riccati-based approach is developed for efficiently solving the equality constrained optimal control subproblems generated during the procedure. The solution of each subproblem requires computations that scale linearly with the horizon length. The algorithm is illustrated with numerical examples.     

基于最大团的条件偏好挖掘

针对在数据库的个性化查询中条件约束（或上下文约束）没有被充分考虑的问题,首先提出了条件约束模型i⁺≻i^-|X,它表示在上下文X的约束下,相对于i^-,用户更偏好i⁺。在此模型的基础上,采用最大团（MaxClique）关联规则算法挖掘获得用户偏好;随后又提出了条件偏好挖掘（CPM）算法,该算法结合上下文用于挖掘偏好规则,从而得出用户的偏好。实验结果表明,基于CPM算法的偏好挖掘模型具有较强的偏好表达能力,将CPM算法与基于Apriori的算法以及CONTENUM算法进行了实验对比,实验的主要参数为最小支持度、最小可信度、数据规模等,实验结果进一步表明所提出的CPM算法可明显提高用户偏好规则的产生效率。     

求解含复杂约束非线性最优控制问题的改进Gauss伪谱法

针对含有复杂约束条件的非线性最优控制问题,提出了一种改进的Gauss伪谱法 (Improved Gauss pseudospectral method, IGPM). 这类问题难以得到解析解,特别是有些问题不存在解析的模型, 一些参数只能通过查表得到,使得传统方法难以求解. 在传统的Gauss伪谱法的基础上,将非线性的终端状态积分约束等价地转化为线性形式,提出了IGPM, 通过协态映射定理可以计算出协态变量,检验最优性,使得IGPM具有间接法一样的精度. 并且给出了初始时刻协态变量和端点时刻控制变量的计算方法. 为了提高解的精度,基于IGPM提出了迭代算法, 最后将该算法应用于求解高超声速飞行器上升段轨迹优化问题,结果表明最优轨迹基本满足路径约束条件和最优性条件.     

A Rigorous Global Filtering Algorithm for Quadratic Constraints*

This article introduces a new filtering algorithm for handling systems of quadratic equations and inequations. Such constraints are widely used to model distance relations in numerous application areas ranging from robotics to chemistry. Classical filtering algorithms are based upon local consistencies and thus, are often unable to achieve a significant pruning of the domains of the variables occurring in quadratic constraint systems. The drawback of these approaches comes from the fact that the constraints are handled independently. We introduce here a global filtering algorithm that works on a tight linear relaxation of the quadratic constraints. The Simplex algorithm is then used to narrow the domains. Since most implementations of the Simplex work with floating point numbers and thus, are unsafe, we provide a procedure to generate safe linearizations. We also exploit a procedure provided by Neumaier and Shcherbina to get a safe objective value when calling the Simplex algorithm. With these two procedures, we prevent the Simplex algorithm from removing any solution while filtering linear constraint systems. Experimental results on classical benchmarks show that this new algorithm yields a much more effective pruning of the domains than local consistency filtering algorithms.*This article is an extended version of [23].