基于聚类的差分进化算法的两阶段最优潮流方法

差分进化算法是一种广泛应用于求解非线性优化问题的全局最优解的元启发式方法,但存在容易找到次优解或近似局部最优解的问题.为此,提出了一种求解高质量局部最优解甚至全局最优解的基于聚类的差分进化算法的两阶段方法,并将该方法应用于电力系统最优潮流问题.所提方法由基于聚类的差分进化算法和局部优化算法组成.第Ⅰ阶段是基于聚类的差分进化算法利用强大的全局搜索能力快速确定包含局部最优解的区域;第Ⅱ阶段是局部优化算法利用局部寻优能力为非线性优化问题高效寻找高质量的局部最优解甚至全局最优解.在一组基准函数上测试了该两阶段优化方法的求解性能,并通过对IEEE 118节点电力系统最优潮流的计算,验证了所提两阶段优化方法的有效性和实用性.     

自适应改进和声—单纯形进化算法研究

针对和声搜索算法的不足,提出了一种自适应改进和声—单纯形进化算法(AIHSEA)。通过在新算法中加入变异策略对和声微调进行改进来增强算法的鲁棒性;适时执行单纯形算子增加群体搜索的方向性来加快搜索;采用自适应参数HMCR、PAR和BW调节全局和局部搜索。采用六个标准的优化算法测试函数对AIHSEA进行测试,并与HS、IHS和GHS算法进行对比,仿真结果表明AIHSEA算法具有较强的精确寻优和跳出局部最优的能力。     

基于混合生物地理学优化的聚类算法

聚类分析是数据挖掘的重要任务之一,而具有易早熟与收敛速度慢等缺陷的传统生物地理优化算法(Biogeography-Based Optimization, BBO)很难满足具有NP(Non-deterministic Polynomial)性质的复杂聚类问题需求,于是提出了一种基于混合生物地理学优化的聚类算法(Mixed Biogeography-Based Optimization, MBBO),该算法构造了一个基于梯度下降局部最优贪心搜索的新迁移算子,以聚类目标函数值作为个体适应度进行数据集内隐簇结构寻优。通过在4个标准数据集(Iris、Wine、Glass与Diabetes)的实验,结果表明MBBO算法相对于传统的优化算法具有更好的优化能力和收敛度,能发现更高质量的簇结构模式。     

具有多类型激活函数的RBF网络设计

提出多类型激活函数的径向基网络结构设计方式,网络隐层由薄板样条函数节点和高斯函数节点构成,分别采用改进的粒子群算法和前向局部优化算法对两种类型节点的参数进行学习.改进的粒子群算法综合运用粒子运动过程的启发式信息和样本的梯度信息进行种群迭代,减小了陷入局部极值的概率.前向局部优化算法是一种高斯节点的序贯学习算法,算法采用DFP方法对新增高斯节点的参数进行局部优化,提高了网络的逼近性能.通过解析和工程算例验证了多类型激活函数RBF网络的高拟合能力及其学习算法的有效性.     

局部与全局结合的彩色图像序列光流场模型

针对彩色图像序列光流场计算问题并结合现有光流场计算模型,提出3种将局部彩色光流计算模型与全局彩色光流计算模型相结合的混合光流估计模型,从而有效利用局部光流模型计算精度高及全局光流模型可得到致密光流场的优点,并将3种模型进行比较,给出数值实验结果。     

带赋值符号迁移图的局部优化算法

带赋值符号迁移图（ＳＴＧＡ）是刻画一般传值进程的抽象计算模型,在ＳＴＧＡ上可以用“ｏｎ－ｔｈｅ－ｆｌｙ”实例化算法来验证传值进程之间的互模拟等价。由于ＳＴＧＡＡ的一个结点对应于具体迁移图的许多结点,在ＳＴＧＡ上所作的优化对提高互模拟判定算法的时间和空间效率会产生很大的影响。     

一种自动化系统设计的新概念——以执行机构为中心的局部优化系统

这十多年来，控制系统的总体布局趋向于管理级系统结构更加集中，基础级系统结构更加分散。本文认为未来的系统基础级会是以执行机构为中心，即系统的设计中心可能是执行机构而不是控制器，这种概念的转变具有许多显著的特点与优点，这正是本文所要讨论、分析与论证的内容。     

雷达阵地选择的多目标决策方法

分析了影响雷达作战效能的一些因素，利用层次分析法获得了影响作战效能因素的权重，提出了一种先局部优化再组合的决策方法，最后给出了应用算例．该方法为雷达阵地选择决策提供了一条新的途径．     

振动磨机机体的有限元分析及局部优化

机体是振动磨机结构的主体部件，振动磨机的其它零部件都要安装在它上面，其刚度与强度以及动态特性直接影响着振动磨机的工作性能和寿命，由于振动磨机机体的形状和承载方式十分复杂，按经典弹性力学方法获得解析解是十分困难的，甚至是不可能的。但从工程应用的角度来说，如果不追求精确的解析解。只要获得满足一定精度的近似解，就可以解决工程实际问题。本文用有限元模态分析技术对机体进行了分析，对振动磨机机体结构的动态特性及合理性取得了较全面的了解。     

求解旅行商问题的混合蚂蚁算法

旅行商问题是一个经典的NP问题,文中给出了一个有效的求解旅行商问题的混合蚂蚁算法。算法设计了初始信息素量设置方案和信息素的更新方法,限制了蚂蚁转移的目标城市数,并使用2-Opt方法对路径进行优化。数据实验表明,该算法是有效的。