一种结合粒子群优化理论改进的郭涛算法及其应用

郭涛算法是目前求解TSP(traveling salesman problem)问题最为高效的进化算法之一。算法中提出一种求解TSP旅行商问题的高效Inver-over算子,该算子使基因序列以一定概率进行自适应的序列倒置,同时具有遗传算法中的变异算子以及杂交算子的特性。对Inver-over算子进行改进,使粒子编码得到更加充分的序列倒置;并引入粒子群优化算法的思想以加快算法收敛速度,提高了郭涛算法求解效率。将改进后的郭涛算法应用于钢卷自动优化组合堆垛问题,实验验证了改进郭涛算法的有效性。     

基于有导向变异算子的GM-EA算法*

为了进一步提高演化算法的效率,提出基于有导向变异算子的GM-EA算法（guided mutation evolutio-nary algorithm）。通过结合粒子群优化的方法改进郭涛算法,更好地利用当前最优解指导变异,并将算法分为探索与开采两个阶段;在开采阶段基于模拟退火方法决定是否用新个体取代旧个体,在巩固所获取的建筑块成分的同时,尽可能克服早熟收敛问题。实验结果证明了新算法的有效性。     

一种新的求解0-1背包问题的自适应算法

提出了一种新的求解0-1背包问题的自适应算法——改进郭涛算法IGT。新算法实现了真正意义上的子空间搜索过程,引入了变维子空间,加入了变异算子,同时还与贪心算法相结合,并引入启发式修正算子,以保证算法的局部搜索能力和群体多样性。     

有导向交叉算子的研究

为了更有效地处理建筑块,提出有导向的交叉算子。首先反复运行快速演化算法找到多个局部最优解,然后识别这些局部最优解中的重要基因位,将其标识为潜在的建筑块,然后应用有导向的交叉算子,组合父代中的建筑块。基于4阶欺骗问题验证了新算法的可行性。     

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。     

基于改进郭涛算法的TSP问题求解

郭涛算法可能是目前求解TSP问题最快的演化算法，其算法的核心在于Inver-over算子的设计，但在城市规模超过80时，该算子寻找全局最优解的能力就会下降。将原Inver-over算子的线性逆转改为环形逆转，改进逆转方式后，被逆转的基因片段可以包括整个染色体，这样能有效地防止解的早熟。同时，在原算法的基础上，引入了映射模块，能使父代中好的基因片段得到遗传，使好的基因片段能让更多的染色体所享有，不会因为父代被替代而让好的基因模式丢失。实验表明：改进后的算法增强了原Inver-over算子对最优解的搜索能力，并且对TSPLIB中大部分实例均可搜索到最优解。     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。数值试验表明:新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果。     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间.高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的.数值试验表明新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果.     

基于改进的选择算子和交叉算子的遗传算法

为了有效解决遗传算法中收敛速度与局部最优解的矛盾,文中提出了一种具有改进的选择算子和改进的交叉算子的遗传算法。使用文中改进的选择算子,能够增加算法收敛于全局最优解的概率,从而不容易陷入局部最优,也就增加了找到最优解的概率,使用文中改进的交叉算子可以加快算法的收敛速度,从而缩短寻找最优解的时间。实验证明,这两种改进算子的结合能以较快速度收敛于全局最优解,因此能很好地解决遗传算法中收敛速度与局部最优解之间的矛盾。     

基于跳跃基因算子的改进实数遗传算法

为了避免遗传算法在求解数值优化问题时出现搜索能力差、多样性缺失等弊端,提出一种基于实数编码的改进遗传算法(IRCGA).算法集成两个特别设计的算子:模拟二进制跳跃基因算子(SBJG)和多方向交叉算子(MX).SBJG算子以染色体为操作对象,本质上模拟了二进制跳跃基因操作中的插入运动,即利用一种随机的方式将选定的染色体块插入到染色体位点,实现种群内部染色体间的转位,为种群提供额外的遗传多样性;MX算子通过增加交叉方向的方式扩大算子的搜索区域,从而提升后代个体质量与算法的搜索能力.在11个实例的基础上进行对比实验,结果表明,采用改进算子能够明显提升算法在求解数值优化问题时的性能,同时,相比于其他先进有效的算法,IRCGA具有较强的搜索能力且能够维持一定的种群多样性,从而验证了改进算法的有效性和可行性.     

一种求解函数优化问题的单亲遗传算法

1 引言求解函数优化问题,特别是多峰函数的优化问题,由于传统的遗传算法将杂交算子作为主要算子,在选择压力的作用下,群体的多样性在进化过程中存在逐步降低的现象,最后以致趋同,进而过早收敛。文[1]也指出“杂交算子在搜索过程中存在着严重的成熟化效应,它在起搜索作用的同时,不可避免地使群体的多样性趋于0,从而逐渐减小自己的搜索范围,引起过早收敛”。     

一种求解TSP问题的单亲遗传算法

1 前言 TSP问题可描述为:给定一个城市的集合,寻找一条从集合中的某个城市出发,访问每个城市一次且仅一次,最后回到出发点的最短路径。这已被证明是一个NP难解问题。求解TSP问题,遗传算法通常采用序号编码和非序号编码两种解表达方式。其中序号编码相对简单直接,其代表性的有“邻接表达”、“普通表达”和“路径表达”等几种编码方式,后者是最自然的表达方式。序号编码方式的杂交算子难于设计,杂交后解的合法性是需着重考虑的问题。虽然目前已提出了一些基于路径表达的杂交算子,如PMX、OX和CX,但普遍计算额外开销很大,而且杂交算子的使用对群体的多样性存在很大影响,容易使算法过早收敛。     

基因表达式编程的一种新遗传算子

遗传算子在演化算法中发挥重要的作用。设计了基因表达式编程中的一种新遗传算子（TIS）,它在基因尾部随机选择一个小片段,然后复制该片段（或该片段的倒置）并插入到基因尾部的任意位置,插入点后的符号依次向后挪动,超过尾部长度的编码被丢弃。实验表明,该算子在挖掘多元函数时能提高算法的成功率和收敛速度。     

Control of hysteresis in smart actuators with application to micro-positioning

Hysteresis in smart material actuators makes the effective use of these actuators quite challenging. The Preisach operator has been widely used to model smart material hysteresis. Motivated by positioning applications of smart actuators, this paper addresses the value inversion problem for a class of discretized Preisach operators, i.e., to find an optimal input trajectory given a desired output value. This problem is solved through optimal state transition of a finite state machine (FSM) that corresponds to the discretized Preisach operator. A state-space reduction scheme for the FSM is developed, which significantly saves the memory and the computation time. Experimental results on micro-positioning control of a magnetostrictive actuator are presented to demonstrate the effectiveness of the proposed approach.     

Modeling and control of hysteresis in magnetostrictive actuators

A novel dynamic model is proposed for the hysteresis in magnetostrictive actuators by coupling a Preisach operator to an ordinary differential equation, and a parameter identification method is described. An efficient inversion algorithm for a class of Preisach operators with piecewise uniform density functions is then introduced, based upon which an inverse control scheme for the dynamic hysteresis model is presented. Finally the inversion error is quantified and l₁ control theory is applied to improve the robustness of inverse compensation. Simulation and experimental results based on a Terfenol-D actuator are provided.     

交叉算子与免疫算子的作用比较

通过应用免疫原理设计免疫算子对交叉结果进行修复，将免疫算子作为“有导向的变异算子”取代经典演化算法中的“盲目的变异算子”，可以有效抑制优化过程中的退化现象。该文以旅行商问题为例，通过设置不同的交叉概率和免疫概率，对免疫遗传算法中交叉算子和免疫算子的作用进行研究。实验结果表明，交叉算子的作用在于保证候选解的多样性和建设性（将局部近似最优解组合成全局近似最优解）；而免疫算子的作用则是对候选解进行局部优化，二者的结合体现了搜索过程中勘探与开采的统一。     

具有轮盘反转算子的多Agent算法用于线性系统逼近

针对John Holland的反转算子在数值优化中的不合理性, 提出了一种轮盘反转算子来克服这种不合理性,并结合该算子提出了一种多Agent进化算(RAER), 证明了算法的全局收敛性. 无约束优化仿真实验表明, 该算法性能好于其他算法. 在求解线性系统逼近工程优化问题时, 无论在固定区域还是动态扩展区域搜索, 算法都能得到更好的模型, 较其他算法能够对搜索区域进行更为充分的探索和求精. RAER算法是实际有效的.     

A representation and the norm of Toeplitz operators

The Toeplitz operator has been used in system and control theory for quite a long time. Recently, it played a conspoicuous in H_∞-control theory. One of the important properties of the Toeplitz operator is that its norm is identical to the norm of the Laurent operator with the same symbol. The original proof of this property relies on some advanced tools in operator theory. In this paper, for Toeplitz operators with symbols consisting of an infinite-dimensional stable part and a finite-dimensional unstable part, an elementary and self-contained proof of this property is given. Our proof is based on a representation of the Toeplitz operator presented in this paper and the well known fact that an inner matrix defines an isometry. The representation presented in this paper gives insight into the structure of the Toeplitz operator. A further application of this representation is also presented.     

基于改进粒子群优化算法的矩形Packing问题

针对具有NP难度的矩形Packing问题,提出一种带变异算子的双种群粒子群算法,该算法将粒子群分为2个不同的子群,使种群在全局和局部都有较好的搜索能力。通过子群重组实现种群间的信息交换。同时在算法中引入变异算子,对产生的局部最优解的邻域进行搜索。实验结果表明,该算法是一种求解矩形Packing问题的高效实用的算法。