具有约束多目标优化的进化算法

针对带有约束多目标优化问题,提出一种多目标优化进化算法。在选择过程中,采用约束的Pareto支配和聚集距离定义适应值,根据适应值挑选出有代表性的个体。在变异过程中,沿着权重梯度方向搜索来寻找可行的Pareto最优解。最后,采用两个数值算例测草算法的性能,结果表明该算法能获得多目标约束优化问题的可行Pareto最优解并且具有较好的分散性。     

基于混沌的聚类粒子群优化算法

针对函数优化问题,提出了一种基于混沌的聚类粒子群优化算法。该算法利用混沌序列产生粒子的位置和速度,并与粒子群优化算法产生的粒子位置进行比较,选择好的粒子位置。同时通过谱系聚类方法进行聚类,并且给出新的速度更新公式。最后将算法应用到5个典型的函数优化问题中,并与其它改进的粒子群算法进行比较分析。数值结果表明,该算法提高了全局搜索能力、收敛速度和解的精度。     

依概率收敛的改进粒子群优化算法

粒子群优化算法是一种随机优化算法,但它不依概率1收敛到全局最优解。因此提出一种新的依概率收敛的粒子群优化算法。在该算法中,首先引入了具有探索和开发能力的两个变异算子,并依一定概率对粒子当前最好位置应用这两个算子,然后证明了该算法是依概率1收敛到ε-最优解。最后,把该算法应用到13个典型的测试函数中,并与其他粒子群优化算法比较,数值结果表明所给出的算法能够提高求解精度和收敛速度。     

基于均匀设计的中心引力优化算法

中心引力优化（Central Force Optimization,CFO）算法是一种新型多维搜索确定型启发式优化算法,但由于它的初始探测器（Probe）计算复杂而导致CFO算法运行时间过长。针对初始探测器计算复杂问题,提出一种均匀设计方法,依此方法提出了基于均匀设计的CFO算法。将提出的CFO算法应用到典型测试函数中,并与CFO算法进行比较。数值结果表明,该算法保证寻优能力同时减少了CFO算法的运行时间,从而提高了CFO算法的效率。     

自适应中心引力优化算法

针对函数全局优化问题,提出了一种自适应中心引力算法,以平衡全局探测能力和局部搜索能力。首先定义粒子的适应值函数,然后根据与平均适应值的比较,更新粒子运动时间,并引进交叉操作更新当前粒子位置,从而提高算法的收敛速度。最后选择8个典型测试函数进行测试,并与中心引力优化算法和其他粒子群优化算法进行比较。结果表明,该算法得到的结果十分精确,鲁棒性强,优于其他算法。     

二次插值的粒子群优化算法

为了克服粒子群优化算法容易早熟的问题,提出了一种新的粒子群优化算法。算法在进行速度和位置更新后,随机选取两个个体历史最好位置（不含全局最好位置）与全局最好位置,利用二次插值产生新的位置,并与当前个体历史最好位置相比较,更新当前个体历史最好位置和全局历史最好位置。对6个经典测试函数进行数值实验,结果表明该算法提高了算法的寻优能力和收敛速度。     

基于混沌的多目标粒子群优化算法

针对多目标优化问题,提出了一种改进的粒子群算法.该算法为了寻找新解,引入了混沌搜索技术,同时采用了一种新的方法--拥挤距离法定义解的适应度.并采取了精英保留策略,在提高非劣解集多样性的同时,使解集更加趋近于Pareto集.最后,把算法应用到4个典型的多目标测试函数.数值结果表明,该算法能够有效的收敛到Pareto非劣最优目标域,并沿着Pareto非劣目标域有很好的分散性.     

一种新的自适应布谷鸟搜索算法

为提高布谷鸟搜索(cuckoo search)算法(CS)的局部与全局搜索能力和收敛速度,提出了一种新的自适应布谷鸟算法。在该算法中,提出一种自适应参数控制策略来动态地调整CS中的步长因子,以增强CS的搜索性能。另外,把类似差分进化算法变异策略引入到CS中,以进一步提高CS的种群多样性。仿真实验表明,改进的CS算法的优化性能得到了明显改善。     

区间直觉乘法偏好信息下的多属性决策方法

对直觉乘法集（intuitionistic multiplicative set）进行推广,提出了区间直觉乘法集的概念。为了表达方便,定义了区间直觉乘法数,给出了区间直觉乘法数的基本运算法则。定义了区间直觉乘法数的得分函数和精确函数,并给出了区间直觉乘法数的一种排序方法。定义了区间直觉乘法数的加权平均算子和加权几何算子,进而给出决策者对方案的偏好信息以区间直觉乘法数给出的决策方法,并进行实例分析。     

融合局部搜索与二次插值的粒子群优化算法

针对粒子群优化算法易早熟和求解精度差等问题,提出一种融合局部搜索与二次插值的粒子群优化算法.首先由标准粒子群优化算法产生N个位置,从这N个位置中随机选取3个不同位置,进行二次插值操作产生每个粒子的新位置,更新每个粒子的历史最好位置的全局最好位置;然后经过一定迭代步后,利用Hooke-Jeeves局部搜索技术,对得到的当前全局最优位置进行局部搜索;最后,对9个典型测试函数进行仿真实验并与其它算法进行比较,数值结果表明所提出的算法具有较快的收敛速度和较强的全局搜索能力.