一阶多智能体受扰系统的自抗扰分布式优化算法

研究一类具有未知外部干扰的一阶多智能体系统的分布式优化问题.在分布式优化任务中,每个智能体只被容许利用自己的局部目标函数和邻居的状态信息,设计一个分布式优化算法,使全局目标函数取得最小值,其中全局目标函数是所有局部目标函数之和.针对该问题,首先提出由扩张状态观测器和优化算法组成的自抗扰分布式优化算法.其次,在Lyapunov稳定性的基础上发展新的方法,对闭环系统的收敛性和稳定性进行严格的证明;当外部干扰为常值时,所设计的优化算法能使所有智能体的状态指数收敛到全局目标函数的最小值;当外部干扰为有界干扰时,通过调整扩张状态观测器的增益参数,所设计的优化算法能使所有智能体的状态收敛到全局目标函数最小值的任意小的邻域内.最后,仿真结果表明了该优化算法的有效性.     

动态评价粒子群优化及风电场微观选址

提出了动态评价方法处理一类约束优化问题.将目标函数值和约束违反量进行动态归一化处理,再进行加权求和,动态评价解的优化性能.不仅解决了惩罚因子确定困难的问题,而且增加了优化算法的多样性,提高了优化算法搜索全局最优解的能力.将动态评价方法引入粒子群算法,求解风电场微观选址优化问题.仿真结果表明,动态评价方法提高了风电场发电量和风能利用效率.此外,该方法可广泛应用于其他优化算法以求解约束优化问题.     

基于斐波那契树优化算法的切削参数多方案优化方法

针对切削参数优化问题,以生产成本最小化为优化目标,基于斐波那契法最优化原理与黄金分割法,提出斐波那契树优化算法(FTO)进行优化求解.该算法通过全局探索与局部寻优交替进行,达到快速收敛到全局最优解的目的,避免陷入局部最优;通过设置距离参数保留多个有价值的全局最优解和局部最优解,可以一次性得到多个全局最优的优化设计方案.8个典型多峰函数的测试结果表明,FTO算法具有较强的全局寻优能力和较高的寻优精度.利用FTO算法对切削参数进行优化,仿真结果表明,所提出算法能够找到多个满足约束条件的切削参数优化结果.采用多方案优化方法不仅能一次性得到多个生产成本最低的最优解,还能给出切削参数的优化组合取值.多方案优化方法使优化算法应用于工程优化问题具有现实意义.     

一种高效的函数可微的全局优化模拟退火算法

针对函数可微的全局优化问题,将最速下降法,Newton法和罚函数法引入模拟退火算法中,提出了一种高效的模拟退火算法.该算法可以求得可微函数优化问题的全局最优解,且具有计算量小,效率高的特点.利用罚函数将约束优化问题转化为无约束优化问题后,可以利用提出的算法进行求解.数值算例表明,提出的算法能够高效地求解无约束及带约束的函数可微的全局优化问题.     

基于群体多样性反馈控制的自组织微粒群算法

微粒群算法是一种新型的群智能算法,已被广泛用于各种复杂优化问题的求解,但算法依然面临着过早收敛问题.为克服算法的早熟问题,提出了自组织微粒群算法.将微粒群体视为自组织系统,引入负反馈机制.群体多样性是影响微粒群算法全局优化性能的关键因素,把群体多样性作为个体微粒可感知的群体动态信息,用于动态调整惯性权重或加速度系数,通过不同的特性参数实现微粒的集聚或分散,使群体维持适当的多样性水平以利于全局搜索.用于复杂函数优化问题的求解,并与其他典型改进算法进行了性能比较.仿真结果表明,基于多样性控制的自组织微粒群算法可以有效避免早熟问题,提高微粒群算法求解复杂函数的全局优化性能.     

一个新的连续可微的单参数填充函数

填充函数法是求解非线性全局优化问题的有效方法。针对无约束优化问题,在目标函数及其梯度利普希兹连续的基础上,提出了一个新的连续可微的单参数填充函数,并研究了该填充函数的相关性质。最后,给出了一个填充函数算法,数值实验表明,该填充函数是有效的且算法是可行的。     

动态高斯变异和随机变异融合的自适应细菌觅食优化算法

针对细菌觅食优化(Bacterial Foraging Optimization,BFO)算法在高维函数优化上性能较差和普适性不强的问题,提出一种动态高斯变异和随机变异融合的自适应细菌觅食优化算法.首先,将原随机迁徙方案修改为动态高斯变异与随机变异融合的迁徙方法,即搜索前期利用随机迁徙有利于增加解的多样性,获得全局最优解,搜索后期改用动态的高斯变异来提高算法的收敛速度;然后,对趋化操作中的步长参数使用动态调整和自适应调整来增强算法的普适性;最后,构建全局极值感应机制使优化更有效,从而获得了一种高性能的自适应BFO算法,以便能够高效解决高维函数的优化问题.14个高维函数优化的仿真结果表明,提出的算法不仅优化效果好、普适性强,而且能以更快的速度找到全局最优解,性能优于SBFO、POLBBO、BFAVP和RABC算法.     

含区间参数多目标系统的微粒群优化算法

参数不确定优化问题是实践中经常遇到的复杂优化问题, 现有方法多针对单目标函数的情况. 本文利用微粒群优化算法解决含区间参数多目标优化问题, 提出一种基于概率支配的多目标微粒群优化算法. 该算法通过定义概率支配关系, 比较所得解的优劣; 基于 σ 区间值, 选择微粒的全局极值点, 并给出新的微粒个体极值点及外部储备集的更新策略. 与传统多目标微粒群优化算法比较, 仿真结果表明本文所提算法的有效性.     

基于约束满足的多目标双足机器人动态步态参数优化*

目前的步态优化算法仅仅实现了对单一目标的优化,把双足机器人步态优化看做是多目标优化问题,构建了衡量稳定性、能量消耗、步行速度三个目标评价函数。考虑到直接对多个目标加权求和的方法不能很好地处理多目标问题,提出一种新的基于约束满足的多目标步态参数优化算法,其思想是把基于惩罚函数的SPEA2(strength Pareto evolutionary algorithm2 )应用到多目标双足机器人动态步态参数优化问题上,规划出了同时满足这三个目标的动态优化步态。通过仿真实验表明了算法的有效性。     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

基于平滑技术和一维搜索的全局优化进化算法及其收敛性

为了解决全局优化算法中的一个难点--算法易于陷入局部极小点,设计了一个平滑函数,该函数可以消除一些局部极小点,而在包含最优点的部分,函数保持不变.这样,通过对此平滑函数的优化,局部极小点的数目就会在迭代过程中大量地减少,使算法更易找出全局极小点;根据平滑函数的性质,设计了一个新的杂交算子,此算子能自适应地产生优质的后代;利用平滑函数的性质,巧妙地将一维搜索技术用于算法的设计之中,从而使算法的速度大大提高;在此基础上,设计了一个解全局优化问题的新的高效进化算法,并且证明了其全局收敛性.最后的数值实验也表明新算法十分有效.     

基于小生境的混合差分演化模拟退火算法

提出了一种新的演化算法——基于小生境的混合差分演化-模拟退火算法(NDESA算法),分析了构造NDESA算法的合理性。并且结合典型多峰值测试函数——Shubert函数的求解试验,说明NDESA算法能够高效地、快速地找到具有多个全局最优值点的多峰函数的所有全局最优值点,且参数的选择不必很严格,是一种较好地求解多峰值函数的所有最优值点的方法。还通过实验说明了结合小生境,差分演化和模拟退火算法这三种策略的必要性。     

基于小生境微粒群算法的山峰聚类

将山峰聚类法和小生境微粒群算法结合,构建一种基于小生境微粒群算法的山峰聚类法:首先在数据空间上构造网格,进而构造出表示数据密度指标的山峰函数,然后将山峰聚类方法中通过顺序地削去山峰函数来选择聚类中心这一步用小生境微粒群算法代替,通过执行小生境微粒群算法对山峰函数进行多峰函数寻优,找到山峰函数的每一个峰,即可确定聚类中心的个数和每一个聚类中心位置。仿真实验表明,构建的新算法能够弥补传统聚类算法的一些缺陷。     

巴斯卡分布在多峰值函数优化中的应用

针对一些求解复杂多峰函数的优化算法的成功率不高的问题,提出了一种基于巴斯卡分布的算法框架。该类算法本质上是并行的,它把已存在的低效算法当成贝努里试验重复执行,直到原低效算法得到两次同样的结果才终止程序。然后,抽象出该算法框架的数学模型,从理论上证明了该类算法能够较大程度地提高原算法的优化成功率,并计算了该类算法相对原算法的时间复杂度的增量。     

基于混沌序列的多峰函数微粒群寻优算法

基于混沌序列的多峰函数微粒群寻优算法的目标就是找到多峰函数的所有局部优化峰值。在分析微粒群优化算法中各个参数对微粒运动影响的基础上,对微粒群算法进行改造,让微粒运动从初始位置沿优化函数曲线向优化峰值方向爬行,直至找到所在区域的局部优化峰值;要想求得尽可能多的局部优化峰值,就要求微粒群中微粒的初始位置分布具有随机性和遍历性,为此采用混沌序列设置微粒初始位置;为使每一个局部最优值点都可能有微粒群中的微粒经过,采用变步长的迭代计算;为防止优化函数曲线的某些局部峰附近没有微粒分布,从而漏掉该局部峰值,对计算进行重复,直至两轮求得的优化函数的局部峰值之差小于给定阈值。仿真结果表明,该算法具有很好的局部寻优特性,计算过程简捷,寻优效果良好,可有效地应用于多峰函数的局部寻优并求取全局最优值。     

全局与局部模型交替辅助的差分进化算法

为求解实际复杂工程应用中的高维计算费时优化问题,提出一种全局与局部代理模型交替辅助的差分进化算法。利用历史样本训练全局和局部代理模型,通过交替搜索全局和局部代理模型得到模型最优解并对其进行真实目标函数评价,实现探索和开采的平衡以减少真实目标函数的计算次数,同时通过针对性地选择个体进行真实目标函数计算,辅助算法快速找到目标函数的较优解。在15个低维测试问题和14个高维测试问题上的实验结果表明,在有限的计算资源情况下,该算法在12个低维测试问题上相较于最优重启策略代理辅助的社会学习粒子群优化算法、基于主动学习的代理模型辅助的粒子群优化算法等表现更好,在7个高维测试问题上相较于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法、求解高维费时问题的代理辅助的多种群优化算法等能找到目标函数的更优解。     

用于一类函数全局优化问题的混合遗传算法

为了克服传统遗传算法收敛速度缓慢且易于收敛到局部最优解的缺点,该文将遗传算法与传统的局部搜索方法相结合,采用新的交叉变异准则,提出一种新型的混合遗传算法。该算法可以很好地处理一类带上下界约束的全局优化问题,具有很强的全局寻优能力。数值实验表明,该算法的计算结果明显优于传统遗传算法。     

BP网络模型的优化及仿真

针对BP算法收敛速度慢、存在易于陷入局部极小值等缺点,因此不能有效地搜索到全局极小点。利用联合优化方法改进标准BP算法,即通过黄金分割法动态调整学习系数;对S函数引入状态系数并进行分段;误差函数采用绝对和相对逼近精度相结合的方法。实验表明在一定程度上避免了学习中的局部极小问题,提高了学习效率,改进了网络的性能。     

一种区域转移实数遗传算法

在讨论实数遗传算法基本遗传算子及参数选择的基础上，针对算法能快速找到较好解的特点及恰当的搜索范围能保证算法找到满意解的现象，将区域划分与转移思想应用到算法结构改进中，设计了一种改进的实数遗传算法。文中对新算法进行了细致描述，并与类似方法进行了比较。最后对多个实验函数进行寻优，优化实验结果证明，新方法在寻找复杂问题的全局解、提高搜索精度方面比基本实数遗传算法有较大的改进。文章最后对新算法的优缺点进行了总结。     

基于复合粒子群算法的几何约束求解技术研究

在将几何约束问题的约束方程组转化为优化模型的时候,需要找到一种方法来跳出局部最优解,进而找到全局最优解。为了兼顾算法的快速性和全局性,几何约束求解时,考虑使用复合粒子群算法。这种粒子群算法是一种基于群智能方法的演化计算技术,不仅在所有的进化算法中都包括控制其自身特性的启发式参数,而且这些参数通常是与特定的问题相关,并可由用户自己定义。虽然合适的参数选择需要用户丰富的经验和对研究问题所提供信息的正确判断,更重要的是,这些启发式参数会影响到算法的收敛特性,但是即便是很有经验的用户也可能选择不恰当的参数,从而使问题得不到有效地解决,这就越来越需要对这些参数进行研究。为此可将将粒子群算法中的控制参数的选取作为一个优化问题,以便用常规遗传算法来控制粒子群算法中的启发式参数,即形成了复合粒子群优化算法,通过把复合粒子群算法成功地应用到几何约束求解技术的实验表明,该方法可以在很短的时间内找到最优解。