基于新模型的多目标Memetic算法及收敛分析

将多目标函数优化问题转化成单目标约束优化问题.对转化后的问题提出了基于约束主导原理的选择方法,克服了多数方法只使用Pareto优胜关系作为选择策略而没有采用偏好信息这一缺陷;Memetic算法是求解多目标优化问题最有效的方法之一,它融合了局部搜索和进化计算.新的多目标Memetic算法引进C-metric,将模拟退火算法与遗传算法结合起米,改善了全局搜索能力.用概率论的有关知识证明了算法的收敛性.仿真结果表明该方法对不同的试验函数均可求出一组沿着Pareto前沿分布均匀且散布广泛的非劣解.     

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.     

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.     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。     

基于模拟退火粒子群算法在数据关联上的研究

在高密集多回波环境下,数据关联问题仍是多机动目标跟踪难点问题之一。为了提高跟踪的精度和可靠性,应用智能的优化算法将数据关联问题表达为一类函数求近似最优解的问题。模拟退火粒子群算法是对模拟退火算法和粒子群算法取长补短,相互结合的一种优化算法。仿真结果表明,模拟退火粒子群算法能有效的解决数据关联问题,并且明显的优于独立地使用模拟退火和粒子群算法。     

混沌模拟退火算法在数值函数优化中的应用

针对一般的（无约束或约束）函数优化问题,给出一种基于混沌和模拟退火的随机搜索算法,对目标函数没有任何可微甚至连续的要求,可有效克服标准模拟退火算法易于陷入局部最优解的问题,大量算例测试结果表明,该算法具有良好的效果。     

基于蚁群算法的MAS多目标协调优化

利用蚁群算法的群体搜索策略,研究了基于蚁群算法的MAS多目标协调优化机制．对每个Agent的目标函数分配一群蚂蚁。使之在问题空间寻优,并对所有的优化解采用谈判机制进行协调,以产生多目标优化问题的Pareto折衷解．采用“误差率”和“空间矩阵”方法对算法的性能指标进行度量．用该方法求解两个典型的多目标优化测试函数,仿真结果表明所提出的方法可成功地解决MAS的多个目标函数的优化问题,收敛速度较快．     

基于仿真优化的临时航线动态规划北大核心

为实现空域的灵活使用,对目标空域内军方允许使用的临时航线的动态规划与优化方法进行研究,提出全空域与机场模型(TAAM)和改进离散粒子群优化算法(DPSO)相结合的仿真优化方法。首先,利用TAAM模型构建以最小管制员工作负荷和最低飞行成本为目标的临时航线规划模型;采用组合赋权法和规范化处理确定多目标函数的权重;重新定义DPSO算法的运算规则实现算法改进。以上海部分扇区航路航线的仿真运行数据为例,管制员工作负荷和飞行成本分别下降了13.64%和9.08%。结果表明,上述方法能够有效降低管制员工作负荷和飞行成本,为航班计划的编订提供参考。     

高维复杂函数的混合模拟退火全局优化策略

对于高维复杂函数优化问题,经典的优化算法存在着初始点敏感、局部收敛等问题;而模拟退火算法等智能算法则有着计算成本高昂、算法早熟等缺陷。NFL定理犤1犦预示了混合优化策略是解决实际优化问题的最好途径。该文融合了模拟退火算法和经典算法的优点,设计了高维复杂函数混合模拟退火优化策略。混合优化策略具有模拟退火算法的全局收敛性,同时引入强局部收敛经典算法作为模拟退火算法的精英个体提高算子,提高了模拟退火算法局部开采能力,加快了收敛速度。数值仿真计算结果表明,混合模拟退火策略求解高维复杂函数的性能大大优于单一算法,具有强鲁棒性、高收敛速度和高精度等优点。该文的算法设计思想对于解决实际问题有较好的借鉴意义。     

飞剪机结构参数优化设计

飞剪机是连续式轧钢机组中重要而复杂的辅助设备，其结构参数设计的好坏直接影响剪切质量。飞剪机结构参数优化设计问题属非线性的多目标优化问题，以模拟退火算法为代表的计算智能方法在求解此类优化问题中体现了一定了优势，本文利用改进的模拟退火算法（Improved Simulated Annealing，ISA）对曲柄连杆式飞剪机结构参数进行优化设计，将整个优化过程分成若干个阶段，根据各个子目标函数优化的状态，采用不同的退火系数和归一化系数，综合考虑多个目标函数和约束条件，通过实例计算表明，该方法可以稳定、有效的获取到满意的优化设计结果。     

混合杂草算法优化支持向量机的网络入侵检测

为了提高网络入侵检测的正确率,提出一种混合入侵杂草HIWO(hybrid invasive weed optimization)算法优化SVM的网络入侵检测模型(HIWO-SVM)。该模型将SVM参数编码为入侵杂草,并以网络入侵检测率作为杂草种子适应度函数,然后通过模拟杂草入侵种子的空间扩散、生长、繁殖和竞争等过程找到SVM的最优参数。在寻优过程中引入遗传算法交叉操作以增强HIWO算法跳出局部极值的能力,最后根据最优参数建立网络入侵检测模型。在Matlab 2012平台采用KDD CUP 99数据集仿真测试,结果表明HIWO-SVM可以获得满意的网络入侵检测效果。     

基于寿命的粒子群算法研究

针对粒子群算法易陷入局部最优的缺陷,提出了一种具有寿命的PSO(LS-PSO),算法赋予gbest有限的寿命,并且根据其引导能力对寿命进行自适应调整。当gbest耗尽其寿命时,它将失去领导能力,并被一个新产生并经测试具有足够引导能力的粒子所代替,继续引导群体搜索解空间的不同区域,并在两个单峰标准测试函数和六个多峰标准测试函数上对算法进行了测试。结果表明,LS-PSO比传统PSO及改进算法CLPSO有更好的求解精度和收敛速度。     

基于ANSYS二次开发的结构拓扑优化

将先进的结构拓扑优化思想与成熟的有限元分析软件ANSYS相结合,基于ANSYS二次开发语言APDL和UIDL编制了结构拓扑优化程序,解决了ANSYS自带的拓扑优化模块中单元类型受限及不能应用于桁架结构优化的问题,充分利用ANSYS丰富的单元类型、强大的计算和后处理能力,有利于促进结构拓扑优化的应用和研究,拓宽ANSYS软件在结构拓扑优化方面的应用领域。     

基于GAPSO混合算法的网格工作流调度研究

网格工作流调度关注大规模的资源和任务调度,是一个复杂且具有挑战性的问题,它影响着网格工作流执行成功与否以及效率的高低。提出了基于遗传粒子群(GAPSO)的混合算法,引用了特殊的适应度函数,设定了动态的交叉和变异概率,并提出了动态切换算法的方法。结合各自算法的优势,在算法运行初期利用遗传算法的全局搜索能力进行优化搜索,在后期利用粒子群较强的局部搜索能力加快收敛速度。仿真结果表明该算法在执行时间方面有一定的优越性,能更有效地解决网格工作流调度问题。     

基于粒子群优化的仓虫分类识别技术研究

在对仓虫分类识别过程中,为了改善因采用BP神经网络产生的由于训练时间长和易于陷入局部极小点,而导致效率和分类的准确性较低的情况,对粒子群优化算法进行了研究,并把这种算法运用到神经网络学习训练中。实验表明,将基于粒子群优化的神经网络算法应用到仓虫分类中,从训练时间、识别率上得到了较大的改善,而且算法易于实现,且能更快地收敛于全局最优解。     

基因表达式编程的自适应阈值去噪方法研究

提出将基因表达式编程应用于图像自适应阈值去噪,根据多尺度分辨率特性和基因表达式编程的全局搜索能力,构建搜索最小均方差的自适应阈值优化模型。实验结果表明,基于基因表达式编程的自适应阈值参数优化策略在图像去噪方面是可行的,并达到了较高的峰值信噪比。     

基于自适应粒子群优化LSSVM的网络流量在线预测

针对带混沌特性的网络流量在线预测,提出一种融合自适应粒子群算法(APSO)和递推式最小二乘支持向量机回归的流量模型。对流量序列嵌入重构得到多维状态输入矢量,将其作为初始LSSVM的训练样本,其中采用自适应粒子群算法对模型的特征参数、嵌入维数寻优,避免早熟停滞。对于在线预报过程中的吸收样本、删减样本采用核矩阵迭代式求解,动态调整回归机,使得模型具有在线学习能力,由此得APSO-LSSVM在线流量预测模型,并考察网络负荷度与嵌入维数关系。仿真实验表明:该方法能有效预测网络流量,实现较高精度实时流量估计。     

改进混合蛙跳算法的云计算资源调度

资源合理调度是云计算研究热点。针对混合蛙跳算法不足,提出一种改进混合蛙跳算法的云计算资源调度策略(ISFLA)。首先在局部寻优过程中引入粒子更新思想,加快收敛速度,然后在全局寻优中对最优个体进行混沌扰动,降低局部最优出现的概率,最后在Cloud Sim平台进行仿真实验。结果表明,ISFLA缩短了云计算任务的完成时间,资源的负载分配更加合理。     

基于动态拥挤距离的自适应变异演化算法

多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域。根据个体的非支配排序级数设计了一种自适应变异步长的柯西变异算子,对变异越界处理进行了改进;并定义和使用动态拥挤距离来保持群体中个体的均匀分布。最后通过对测试函数的实验,验证了算法的可行性和有效性。     

基于统计机器翻译的汉维词对齐研究

描述了一个基于统计机器翻译的汉维词对齐系统。系统处理过程分为两个模块:预处理和词对齐。预处理过程包括汉文文本预处理和维吾尔文文本预处理,其中维吾尔文文本预处理过程为:首先将维吾尔文转换成拉丁维文,然后将拉丁维文中个别字符替换为无歧义的字符。词对齐实现过程:首先利用IBM Model1-3,然后结合Och等人提出的启发式的思路进行优化,构建基于统计机器翻译的汉维词对齐系统。实验结果表明此系统可行。