一种基于分散搜索的多星测控调度遗传算法

多星测控调度是一个具有大搜索空间的多峰问题。针对简单遗传算法求解易陷入局部最优和不稳定的缺陷,借鉴分散搜索多样化采样、局部寻优的特点,提出一种基于分散搜索的混合遗传算法,在全局的随机搜索中嵌入全局的定向搜索。在描述问题的基础上,提出可进行细粒度搜索的可行解表示方式,构建算法的整体流程,并设计由输入参数控制的多样化初始集产生方法、基于质量和多样性原则的参考集生成和更新方法、吸取被组合个体优良成份的解组合方法及基于启发式局部搜索的解提高方法等算法要素。仿真表明新算法在求解质量上比简单遗传算法有明显提高。     

基于自适应继承策略的帝国竞争算法求解旅行商问题

针对帝国竞争算法在求解旅行商问题时局部搜索能力不强和容易陷入局部最优的缺陷,提出一种基于自适应继承策略的帝国竞争算法.该算法采用自适应继承策略的启发式交叉算子、单点局部插入策略和固定邻域的2-opt算子来增强算法的局部优化能力,并加入帝国精英解集以保持种群的多样性.通过标准实例测试,验证了所提出的改进策略的优越性,与基于启发式交叉算子和帝国主义算法为框架的其他算法进行对比,实验结果表明,该算法求解中小规模的解旅行商问题具有较高的求解精度和较快的收敛速度.     

基于禁忌搜索和蚁群算法的广义分配问题研究

广义分配问题是典型的组合优化问题.蚁群算法在求解该类问题时,存在着求解时间长和容易陷入局部最优的问题.为有效地解决该问题,将禁忌搜索算法作为蚁群算法的局部搜索策略,在蚁群算法求得的优化解的基础上进行局部搜索,增快算法的收敛速度,避免陷入局部最优;在解没有得到明显改善时,采取多样化操作,强迫算法采取新的解的结构,从全新方法求解.实验结果表明,该算法与其它算法相比,具有收敛速度快、不易陷入局部最优、求解精度高的特点,能够有效地解决广义分配问题.     

基于DCC策略改进的多鱼群算法

本文针对人工鱼群算法在运行后期搜索的盲目性较大、寻优结果精度较低、运算速度慢的缺点，通过借鉴人类社会中普遍存在的分工、合作和竞争现象，提出一种具备分工、合作和竞争（简称DCC）策略的改进多鱼群算法。该算法策略通过设立多个人工鱼群，分别使用不同的搜索策略，进行算法集成，各人工鱼群之间既进行分工合作，同时又保持竞争关系，通过这种多关系共存的方式来改善算法求解性能，提高求解的质量和效率。通过对几种典型多峰函数的测试表明，该算法策略比其他几种算法能更有效、更精确地找出全局最优解，避免陷入局部最优解，而且该算法策略可通过自适应的演进策略来进一步提高求解的质量。     

基于改进局部搜索策略的人工蜂群算法

针对人工蜂群算法在函数优化问题求解过程中容易陷入局部最优,收敛速度慢的缺点,提出了一种基于改进局部搜索策略的人工蜂群算法。该算法中跟随蜂采用基于当前最优解的混沌局部搜索策略,侦查蜂采用基于当前最优解的自适应侦查策略,并使其局部搜索范围随着迭代次数的增加逐渐减小,从而提高了人工蜂群算法的局部搜索能力,有效地避免了其陷入局部最优。6个测试函数的仿真实验结果表明,与传统的人工蜂群算法相比,改进后算法的求解精度和收敛速度明显提升。     

文化基因算法求解TSP问题的研究

TSP是组合优化问题中著名的NP-hard问题。针对粒子群算法求解离散的TSP问题收敛速度慢,求解精度低,易于陷入局部最优和模拟退火算法的性能与参数初始值有关及参数敏感等不足,提出了将改进的粒子群算法作为全局搜索策略,改进的模拟退火算法作为局部搜索策略的文化基因算法。介绍了两种算法的协同方法,定义了局部搜索邻域的确定以及在新种群产生中引入自组织随机移民策略。仿真结果表明,改进算法在求解TSP问题中具有很快的收敛速度,且能搜索到最优解。     

面向异构多背包问题的多级二进制帝国竞争算法

在传统多背包问题的基础上，从典型物流服务场景中共性抽象出异构多背包问题（HMKP），并设计和定制了一种帝国竞争算法（ICA）对HMKP进行求解和评估。针对原始ICA易陷入局部最优以及0-1背包问题最优解往往在约束边界周围的特点，设计了双点自变异策略（TPAS）和跳出局部最优算法（JLOA）对ICA进行改进，提出面向0-1背包问题的二进制帝国竞争算法（BICA）。BICA在求解35个0-1背包问题算例时展现出了全面、高效的寻优能力，基于最佳匹配值法（BMV）的BICA在第一组测试集的20个算例上能对19个算例100%找到理想最优值，在第二组测试集的15个算例上能对12个算例100%找到理想最优值，在所有对比算法中表现最优。数值结果分析表明，BICA在寻优演化中维持多极发展策略，并依托独特的种群进化方式在解空间中高效搜索理想解。在此基础上，针对HMKP强约束性和高复杂度的特性，基于BICA设计了求解HMKP的多级二进制帝国竞争算法（MLB-ICA）。分别在多个典型0-1背包问题算例组合构建的HMKP高维测试集上进行了MLB-ICA的数值实验和性能评估，结果表明虽然MLB-ICA的求解时间比...     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

基于领导者竞争策略的改进猎人猎物优化算法

针对猎人猎物优化算法寻优精度低和易陷入局部最优等问题,提出了一种基于领导者竞争策略的改进猎人猎物优化算法。首先将种群随机分为三个亚群,采用不同的搜索策略,扩大搜索范围;其次,采用精英组合突变策略,提升种群子代多样性,规避局部最优值;最后,提出领导者竞争策略,利用个体间的信息交流,统合各个策略,筛选出最优变量。通过数值实验以及在工程优化问题上的应用结果表明,所提算法相较于对比算法具有更为优异的寻优能力,验证了改进策略的有效性和可靠性。     

求解0-1背包问题的二进制狮群算法

针对传统二进制群智能算法求解0-1背包问题易陷入局部最优、收敛速度慢的缺点,提出一种新的解决离散空间问题的二进制狮群算法BLSO。二进制狮群算法对狮王、母狮和幼狮的位置重新定义,引入反置运算、移动算子和学习算子建立全新的位置转移方式和局部搜索规则;加入贪心策略进行解的可行化处理和充分利用,增强局部搜索能力,进一步提高收敛速度。对9个典型的0-1背包算例进行仿真实验,实验结果表明,该算法不仅可以有效求解0-1背包问题,而且还能够以较快的速度搜索到精度较高的次优解甚至全局最优解,具有较好的稳定性;同时,对高维背包问题的求解与参考算法相比,在寻优时间和精度上更具优势。     

面向进制转换和克隆进化的帝国竞争改进算法

帝国竞争算法（imperialist competitive algorithm,ICA）是一种被广泛应用于求解各类理论与实践问题的随机搜索智能优化算法,但它收敛过快的特性令其容易在求解复杂问题时陷入局部最优,故对ICA进行有针对性的改进十分必要。引入二进制转换和克隆进化机制,为算法的进化种群提供新的上升通道和进化模式,帮助进化种群跳出局部最优,从而提出了一种改进的帝国竞争算法（decimal-binary conversion and clonal evolution oriented improved imperialist competitive algorithm,DCCE-IICA）。此外,为修正经典ICA早熟导致的算法过早结束和群体多样性快速降低的缺陷,DCCE-IICA还辅以帝国分裂和出界点替换策略,以确保进制转化和克隆进化机制在改进算法执行中充分发挥区域深度探索和平衡资源分配的初衷。随后,经典函数测试集、CEC2017测试集及CEC2020测试集被用于检验DCCE-IICA在多个维度下对不同类型复杂问题的寻优能力。选取分别在经典函数测试集、CEC2017测试集和CEC2020测试集中表现优异的共14种典型算法,与DCCE-IICA进行实验结果比较。实验结果显示DCCE-IICA引入的改进机制在大多数情况下能够稳定且高效地提升算法性能,使得算法同时具备较好的收敛速度、收敛精度和求解鲁棒性。     

帝国竞争算法求解CVRP

针对带容量约束的车辆路径问题(CVRP),提出了一种带分裂机制的帝国竞争算法进行求解。首先,结合CVRP的特性,采用基于贪婪准则的编解码策略实现算法空间到解空间的转换。其次,提出帝国分裂策略来增强算法的全局搜索能力,并结合2-Opt提高算法的局部搜索能力。最后,通过25个基准算例的仿真实验表明:所提算法能有效求解CVRP,所有算例的优化误差不超过1.0%;与已有的帝国竞争算法、粒子群算法、遗传算法、布谷鸟搜索算法相比,所提算法的求解效率更高。     

一种求解旅行商问题的新型帝国竞争算法

帝国竞争算法是一种已在连续优化问题上取得较好效果的新型社会政治算法. 为了使该算法更好地应用于离散型组合优化问题, 提出一种求解旅行商问题的新型帝国竞争算法. 在传统算法的基础上, 改变初始帝国的生成方式; 同化过程采取替换重建方式, 以提升求解质量; 革命过程中引入自适应变异算子, 以增强搜索能力; 殖民竞争过程中调整了殖民地分配方式; 算法加入帝国增强过程, 以加快寻化速度. 实验结果表明, 新型帝国竞争算法求解质量高、收敛速度快.

     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

一种求解多目标组合优化的遗传局部搜索算法

为改善遗传算法求解多目标组合优化问题的搜索效率,提出一种新的遗传局部搜索算法.算法采取非劣解并行局部搜索策略以及基于分散度的精英选择策略,并采用基于NSGA-Ⅱ的适应度赋值方式和二元赌轮选择操作,以提高算法收敛性,保持群体多样性.实验结果表明,新算法能够产生数量较多分布较广的近似Pareto最优解.     

求解作业车间调度问题的混合帝国主义竞争算法

针对最小化最大完工时间的作业车间调度问题（JSP）,提出一种结合帝国主义竞争算法（ICA）和禁忌搜索（TS）算法的混合算法。混合算法以帝国主义竞争算法为基础,在同化操作中融入遗传算法中的杂交算子和变异算子,使算法全局搜索能力更强。为了克服帝国主义竞争算法局部搜索能力弱的缺点,引入禁忌搜索算法进一步优化同化操作后的后代。禁忌搜索算法采用混合邻域结构和新型选择策略,使得算法能够更有效地搜索邻域解。混合算法兼具全局搜索能力和局部搜索能力,通过对13个经典的Benchmark调度问题进行仿真测试,并与近年4种新型混合算法进行对比分析,实验结果表明了所提算法求解Job Shop调度问题的有效性和稳定性。     

随机扰动不同种群变异策略的多目标进化算法

为了提高多目标优化问题非支配解集的收敛性和多样性,解决算法后期易陷入局部最优的问题,根据不同差分进化策略特点,添加随机扰动,基于改进切比雪夫机制提出了一种自适应差分进化策略的分解多目标进化算法（MOEA/D-ADE-levy）。首先使用混合水平正交实验产生均匀权重向量并应用于改进切比雪夫机制分解子问题得到均匀分布的初始种群;其次将种群分为优秀个体、中间个体和较差个体,对不同个体采用不同的变异策略,对变异因子F和交叉概率CR采用自适应机制,提高非支配解集的收敛性和多样性;最后对陷入局部最优的解集增加levy随机扰动,增大其全局搜索的能力,跳出局部最优。采用DTLZ测试函数验证算法有效性,将所提算法与NSGA2、NSGA3、MOEA\D、MOEA\D-DE等常用算法进行比较,使用GD和IGD评价指标对算法进行多样性和收敛性分析,实验结果表明,该算法在收敛性和多样性方面得到了改进与提高,能得到更优的Pareto解集。     

基于多策略的改进花授粉算法

花授粉算法是近年来提出的一种新型的、简单高效的优化算法,已在各个领域得到广泛应用,但其搜索策略存在的不足,制约着其应用范围.为此,提出一种改进的基于多策略的花授粉算法.首先,新全局搜索策略通过利用两组随机个体差异矢量和莱维飞行机制来增加种群多样性并扩大搜索范围,使算法更易跳出局部最优,提升其开采能力;其次,在局部搜索部分引入精英变异策略,并与随机个体变异机制组合成一种新的局部授粉策略,利用精英个体对其他个体的演化方向进行引导,提高算法的搜索速度;通过随机个体变异策略来保持种群的多样性,增强算法的持续优化能力;同时,通过一种线性递减概率规则调节这两种变异策略,使其取长补短,以提高算法的优化能力;最后,对进化中没有得到改善的解,利用余弦函数搜索因子策略产生一个新解加以替换,从而提高算法解的质量.通过5类经典测试函数的仿真实验和采用统计学上的分析,证明了该算法的稳定性和有效性;与现有经典的和知名的改进算法进行了对比,实验结果表明,所提出的改进算法是一种富有竞争力的新算法.同时,利用改进算法对军事领域中的无人作战飞行器航线规划问题进行求解,测试结果表明,改进算法在解决实际工程问题时,同样具有一定的优势.     

一种新的离散粒子群算法在指派问题中的应用

指派问题在组合优化中属NP-Complete问题。提出了一种基于离散粒子群算法的求解方法。算法中每个粒子的位置代表了一种可行的指派方案,在迭代中通过交叉策略和局部搜索策略来更新粒子的位置,这既保证了粒子位置的可行性,又增加了粒子的多样性,避免陷入早熟收敛。通过实例仿真可以看出DPSO算法简洁,较以往算法具有更好的收敛性,能得到更优的解,能够求解匈牙利法不能求解的指派问题。对不同的问题,通过影响参数的调整,可以取得好的收敛效果。