针对双层规划的求解问题, 提出一种层次风驱动优化算法. 初始化上层优化变量后, 首先对下层规划进行求解, 满足约束条件的同时, 更新下层规划中的空气质点速度和位置; 然后, 利用风驱动优化算法对上层规划问题进行求解; 最后, 在优化解集合中, 选择上下层规划目标值次序之和最小的解作为最终优化解. 实验结果表明, 所提出的层次风驱动算法是一种有效的求解双层规划问题的方法.
相似文献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.
相似文献为减少计算复杂度,将具有解决复杂组合优化问题的免疫克隆选择算法应用于求解柔性生产调度问题.首先设计一种有效的抗原和抗体的数据结构,用抗原表示待调度的生产计划,抗体表示高效的柔性生产调度结果;然后着重设计了用于产生高效的柔性生产调度结果的克隆免疫算子;最后运用该模型对一个实际生产系统进行仿真调度决策,实验评估结果验证了算法的正确性和有效性.
相似文献提出一种求解旅行商(TSP)问题的新型分散搜索算法.将蚁群算法(ACO)的构解方法引入分散搜索(SS)算法,在搜索过程中既考虑解的质量,又考虑解的分散性.采用一种将蚁群算法的信息素更新技术与分散搜索的组合机制相结合的新型子集组合成新解的构解机制,同时采用动态更新参考集与临界准则策略来加快收敛速度.实验结果表明,该算法优于其他现有的方法,获得了较好的结果.
相似文献通过定义反转算子, 对人工狼位置和智能行为重新进行整数编码设计, 并结合概率近邻初始化方法, 提出一种求解旅行商问题的离散狼群算法. 该算法保留了狼群算法基于职责分工的协作式搜索特性, 并较好地平衡了算法的广度开拓和深度开采能力. 采用C-TSP 问题和TSPLIB 数据库中的多组TSP 问题作为实验用算例, 并将所提出算法与其他5 种智能优化算法进行对比, 仿真结果表明, 所提出算法在求解准确率、稳定性和所需迭代次数等方面具有相对优势.
相似文献分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题.算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群.求解多目标0/1背包问题的实验结果表明了该算法的有效性.
相似文献联合对角化能够成功解决盲分离问题, 但在求解时会得到非期望的奇异解, 从而无法完全分离出源信号. 鉴于此, 提出一种用于线性卷积混合盲分离的联合对角化方法, 将卷积混合模型变换为瞬时模型, 并对变换后的模型应用联合对角化求取分离矩阵. 在求解过程中, 引入约束条件对解的范围进行限定, 避免了奇异解的出现. 仿真结果表明, 所提出的方法能够成功实现卷积混合信号盲分离.
相似文献针对多维背包问题(MKP) NP-hard、约束强的特点, 提出一种高效的蚁群-拉格朗日松弛(LR) 混合优化算法. 该算法以蚁群优化(ACO) 为基本框架, 并基于LR 对偶信息定义了一种MKP效用指标. ACO使得整体算法具有全局搜索能力, 所设计的效用指标将MKP的优化目标与约束条件有机地融合在一起. 该指标一方面可以用来定 义MKP核问题, 降低问题规模; 另一方面, 可以用作ACO的启发因子, 引导算法在有希望的解区域中强化搜索. 在大量标准算例上的测试结果表明, 所提出算法的鲁棒性较好; 与其他已有算法相比, 在求解质量和求解效率方面均具有很强的竞争力.
相似文献针对产品动态到达的航空发动机装配车间, 对知识化制造系统的自进化问题进行研究. 将自进化的思想应用于该装配车间, 提出了知识化制造环境下该装配车间自进化问题的求解算法. 根据双层规划理论, 建立了系统在每个决策时刻静态决策问题的一般数学模型, 并设计了一种基于可行域搜索的双层遗传算法(FR-BiGA) 对模型进行求解. 仿真结果验证了该模型与算法的有效性和可行性, 且实验数据表明, 自进化的系统具有相对较优的生产性能.
相似文献针对多处理器系统任务调度复杂问题, 在自适应差分进化算法基础上增加惯性速度分项, 提出一种称为惯性速度差分进化(IVDE) 的改进算法, 以避免陷入局部最优解. 结合启发式任务列表, 对算法的状态编码提出了处理器列表(PL)、部分偏序任务列表(PTL) 和全部任务列表(CTL) 等3 种形式. 通过求解随机生成的任务调度标准图和真实求解任务问题, 进行了数值仿真验证, 其中PTL-IVDE 算法相比蚁群优化(ACO) 算法、混合遗传算法(TLPLC-GA), 能快速求得更好的任务调度方案.
相似文献