一种采用蜂群全局引导搜索策略的入侵杂草优化改进算法

针对入侵杂草优化算法收敛速度较慢、易陷入局部最优的缺点,提出了一种改进的入侵杂草优化算法。首先,采用反向学习初始化方法对种群进行初始化以提高其全局收敛速度;其次,利用改进蜂群算法中的全局引导搜索策略,对繁殖后的种子进行最优引导搜索以提高其跳出局部最优点的能力。最后,对不同维数的5个标准测试函数进行了仿真验证。试验结果表明:与GABC及标准IWO(Invasive Weed Optimization)算法相比较,该改进算法在函数优化方面具有较快的收敛速度和较强的跳出局部最优的能力。     

新型差分进化模型的多等级子群杂草优化算法

针对标准杂草优化算法易出现的早熟、后期收敛速度慢、易陷于局部最优等问题,提出基于新型差分进化模型的多等级子群杂草优化算法（DEMIWO）。首先,引入一种改进型的混合混沌系统对种群进行初始化,提高初始种群的多样性;其次,提出一种按等级分类的组群策略,将种群按适应度分为优、良、中、差四个等级;最后,在繁殖进化阶段,提出新型差分进化模型,对模型中的交叉变异概率进行指数式的非线性动态调整,提高算法的全局寻优能力以及收敛精度。在8个标准测试函数上进行的仿真实验表明,与标准IWO算法及其他常用算法相比,所提算法具有更快的收敛速度和更高的寻优精度,同时能有效避免陷入局部最优。     

电力系统无功优化的反向优化差分进化算法

电力系统无功优化问题是一个复杂的多目标、多约束、非线性的混合整数优化问题,针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,首次引入反向优化差分进化算法应用于解决电力系统无功优化问题.反向优化差分进化算法利用基于反向的优化对种群进行初始化,可以获得适应度更优的个体,从而加快了收敛速度;根据一定的跳变率,对种群逐代进行动态跳变,增加了种群的多样性,可以避免算法陷入局部最优解.以系统的有功网损最小为目标函数同时兼顾电压的合理分布,对IEEE-14节点系统进行了无功优化仿真计算,并与其他优化算法进行了比较,结果表明该算法具有较强的全局寻优能力,且收敛速率较快,收敛精度高,鲁棒性好,可较好地解决电力系统无功优化问题.     

具有人工蜂群搜索策略的差分进化算法

针对差分进化算法易出现早熟现象和收敛速度慢等问题,提出一种具有人工蜂群搜索策略的差分进化算法.利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.此外,为了提高算法的全局收敛速度,采用一种基于反学习的初始化方法.通过对12个标准测试函数进行仿真实验并与其他算法相比较,表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

基于最优高斯随机游走和个体筛选策略的差分进化算法

针对差分进化算法开发能力较差的问题, 提出一种具有快速收敛的新型差分进化算法. 首先, 利用最优高斯随机游走策略提高算法的开发能力; 然后, 采用基于个体优化性能的简化交叉变异策略实现种群的进化操作以加强其局部搜索能力; 最后, 通过个体筛选策略进一步提高算法的探索能力以避免陷入局部最优. 12 个标准测试函 数和两种带约束的工程优化问题的实验结果表明, 所提出的算法在收敛速度、算法可靠性及收敛精度方面均优于EPSDE、SaDE、JADE、BSA、CoBiDE、GSA和ABC等算法, 在加强算法探索能力的同时能够有效地提高算法的开发能力.

     

基于随机扩散搜索的协同差分进化算法

针对差分进化算法存在的收敛速度慢、稳健性差等问题,借鉴多种群并行机制和随机搜索策略,提出一种基于随机扩散搜索的协同差分进化算法。引入反向混沌搜索的初始化机制,利用随机扩散搜索策略将种群分为成功和失败2个子群并进行改进,对改进的成功和失败子群分别采用不同的差分策略,克服单一差分策略的缺陷,同时定期使子群的部分最好与最差个体实现一对一的信息交流,从而达到协同进化的目的。仿真结果证明,与粒子群优化算法及差分进化算法相比,该算法具有较好的收敛速度和寻优能力。     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

基于单纯形算子的混合差分进化算法

针对DE／rand／1／bin方案收敛速度慢的缺点,提出一种将单纯形确定性算法和差分进化随机搜索算法相结合的混合优化算法。利用差分进化算法搜索范围广、全局搜索能力强和单纯形算法局部搜索能力强、收敛速度快的特性,较大地提高了差分进化算法的收敛速度和搜索精度。典型Benchmarks复杂函数优化实验表明,该算法优化效率高、优化性能好、对初值具有较强的鲁棒性,性能优于单一的优化方法。     

基于改进萤火虫算法的多模函数优化

为了提高萤火虫算法GSO(Glowworm Swarm Optimization algorithm)多模函数优化性能,针对GSO峰值发现率低、收敛速度慢和求解精度不高的缺点,提出萤火虫个体可自适应搜索峰值且移动步长可变的改进萤火虫算法IGSO(Improved Glowworm Swarm Optimization algorithm)。IGSO引入尝试性移动策略以增强算法的搜索能力,同时,以邻域平均距离为参考,对个体移动步长进行调整。采用典型多模函数进行测试,实验结果表明,IGSO峰值发现率高,收敛速度快且求解精度高,比GSO具有更优的多模函数优化性能。     

生态毒理动力学函数优化方法

基于生态毒理动力学模型构造出可全局收敛的函数优化算法。在该算法中,将优化问题的搜索空间看成一个存在污染现象的环境系统,将一个试探解看成一个种群,采用生态毒理动力学模型对种群生长特征的变化规律进行描述。种群在污染作用下不断发生变化,能够抵抗住污染的强壮种群能够获得生长,而无法抵抗住污染的虚弱种群则停止生长。用环境和种群以及种群与种群之间的相互作用关系构造进化算子,这些算子从多种角度实现了种群之间的信息交换。因环境污染影响的是种群的很少部分特征,当种群演化时,只涉及到很少一部分种群特征参与运算,故提高了算法的收敛速度。测试结果表明本算法的精度和性能优于已有的群智能优化算法。     

基于蚁群算法的直升机舰面系留索预紧力优化

根据直升机在舰面系留时的受力情况,提出一种以直升机6个刚体位移为变量的系留载荷计算方法。针对系留索预紧力优化属于多变量连续空间优化这一特点,采用嵌入确定性搜索的连续域蚁群算法对系留索预紧力进行优化,并在算法中加入MMAS策略,防止算法过早陷入局部最优解。结果表明,该蚁群算法经过二十多步迭代后能够使目标值稳定地收敛,较好地解决了直升机系留索预紧力优化问题。最后,对某型直升机无预紧力和预紧力优化后的系留载荷进行对比分析,无预紧力时多条索具持续松弛未起到系留作用,而预紧力优化后系留索最大张力降低了35.02%,且索具张力分布更均匀。     

用于求解对称旅行商问题的粒子群算法和蚂蚁算法的融合

近年来,基于仿生学的随机优化技术成为学术界研究的重点问题之一,并在许多领域得到应用。粒子群优化（PSO）算法和蚂蚁算法ACO（Ant Colong Optimization）是随机全局优化的两个重要方法。PSO算法初始收敛速度较快,但在接近最优解时,收敛速度较慢,而ACO正好相反。结合二者的优势,先利用粒子群算法,再结合蚂蚁算法,以对称旅行商问题为例进行了仿真实现。实验结果表明,先利用PSO算法进行初步求解,在利用蚂蚁算法进行精细求解,可以得到较好的效果。     

Pathfinder算法优化研究

Pathfinder算法是复杂网络分析及可视化的重要方法,但现有算法时间复杂度大,难以在大数据环境下广泛应用。提出一种基于Prim算法的Pathfinder优化算法,在求解复杂网络图的最小生成树的过程中,通过距离矩阵计算得到Pathfinder算法的结果图。算法时间复杂度可稳定为O(n2)。实验结果表明,在顶点数为500的稠密网络上,该算法的运行时间有较大的优势。     

自适应重生鱼群优化算法

针对传统人工鱼群算法求解高维优化问题收敛速度较慢,易于陷入局部最优,提出自适应重生鱼群优化算法。首先在每次迭代过程中,不断地给鱼群注入"新生命"使鱼群得以重生;然后采用正态分布动态调整拥挤度因子的上限值使得算法更贴近于鱼群搜索食物的过程。实验结果表明,改进后的算法既保证收敛速度、增加算法获得全局最优的可能性,又适用于求解大规模的优化问题。其中的两个算例采用改进的鱼群算法进行优化,优化结果与实际具有良好的一致性,说明了改进算法的有效性和实用性。     

多学习教与学优化算法

针对教与学优化算法(TLBO)局部开发能力差,易陷入局部最优的缺点,提出一种基于反向学习的多学习教与学优化算法(MTLBO)。通过反向学习技术拓展搜索空间,增加解的多样性,进一步增强算法的全局搜索能力。引入多学习机制,使其更有效地进行局部搜索,加快收敛速度。同时提出一种小概率变异策略,增加跳出局部最优的可能性。在基准测试函数上进行验证实验,结果表明,与TLBO算法、ITLBO算法以及其他优化算法相比,该算法在低维和高维函数上都取得了较好的优化效果。     

FGOALS性能优化技术研究

中国科学院大气物理研究所气候系统模式FGOALS是一个灵活的全球"海洋-大气-陆面-海冰"完全耦合的、"非通量订正"的环流模式。通过对FGOALS的性能分析数据,研究提高数据访问局部性、增加程序向量化率、消除冗余计算以及并行通信优化等优化方法。实验结果表明,优化后模式在神威高性能计算机系统上部分核心函数性能加速1.2-1.8倍,部分通信函数性能加速3-3.3倍。     

一种基于优先级的VRML文件优化技术

针对VRML文件描述的复杂场景模型数据信息量巨大,不利于网络传输与浏览的问题,提出一种基于优先级的VRML文件优化技术PBOT,并从相关度和价值两个方面综合考虑了点优先级的选取原则,在保证虚拟可视化显示质量的前提下,对该类数据进行优化处理。仿真实验结果表明PBOT可有效地提高数据传输效率,减轻网络链路压力。     

考虑多目标优化的一维排样系统

对于常见的一维下料问题,采用顺序启发式算法设计排样系统。在保证较高材料利用率的同时,考虑多个优化目标的实现,如减少排样方式数,优先使用短材料,增加最后一根原材料上的余料长度等。通过对各个目标设定不同的优先级,可生成满足实际生产环境需要的排样方案。经过与其他多种优化算法的实验结果比较,证实本文排样系统的优越性。