基于自适应蚁群算法的软硬件划分

为了更好地解决软硬件双路划分问题,提出一种自适应蚁群算法．基本思想是：对状态转移概率与信息素挥发因子,采取自适应调节策略．保证了算法前期蚁群的随机性较大,可以充分全局搜索;算法后期蚁群的随机性降低,以使算法在较短的时间内收敛．对不同节点的控制数据流图进行仿真实验,表明在同等条件下,相对于改进模拟退火、改进禁忌搜索、改进蚁群算法以及ＤＣＧ３Ａ 方法,所提出算法的命中率与收敛时间结果均更优．节点规模越大,优势尤其明显．

     

基于搜索空间可调的自适应粒子群优化算法与仿真

针对收缩因子粒子群优化(CPSP)算法易陷入局部最优和发生过早收敛的问题.提出了基于搜索空间可调的自适应粒子群优化(APSO)算法. 该算法根据种群早熟收敛程度和个体适应值,在 算法停滞时,将全部粒子有效地划分在3 类不同的搜索空间,使种群始终保持搜索空间的多样性,易于跳出局部最优,从而有效地改善了算法后期的寻优能力.

     

自适应动态重组多目标粒子群优化算法

提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.

     

一种新的模糊自适应模拟退火遗传算法

针对遗传算法收敛速度慢,容易"早熟"等缺点,结合模糊推理,模拟退火算法和自适应机制,提出一种改进的遗传算法---模糊自适应模拟退火遗传算(FASAGA),并分析了该算法的性能和特点.实验研究表明,该算法比标准的遗传算(SGA)具有更快的收敛速度和寻优效果.

     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

一类自适应混沌文化算法

混沌变异进化算法忽略了混沌规律性,未充分利用知识来提高算法的局部收敛能力.为此,借鉴文化算法的双层进化结构,在文化算法的进化引导函数中引入自适应混沌变异策略,提出一种自适应混沌文化算法.利用进化过程隐含知识控制变异尺度,使知识引导个体能跳出局部较优解,在保证种群多样性的同时,实现进化后期的精细搜索.仿真结果表明,该算法可以有效提高进化收敛速度,具有较好的计算稳定性.

     

基于高斯混沌变异和精英学习的自适应多目标粒子群算法

为平衡多目标粒子群的全局和局部搜索能力, 提出一种基于高斯混沌变异和精英学习的自适应多目标粒子群算法. 首先, 提出一种新的种群收敛状态检测方法, 自适应调整惯性权重和学习因子的值, 以达到探索和开发的最佳平衡. 然后, 当检测到种群收敛停滞时, 采用一种带有高斯函数和混沌特性的变异算子协助种群跳出局部最优, 以增强全局搜索能力. 最后, 外部档案中的精英解相互学习, 增强算法的局部搜索能力. 在多目标标准测试问题上的仿真结果表明了所提出算法的有效性.

     

基于概率突跳和模拟退火的改进自适应微粒群算法

在两种微粒群算法分析的基础上,针对算法存在局部最优和后期振荡的现象,提出一种改进自适应微粒群算法.新算法引入概率突跳因子改变了原算法中微粒的速度更新公式,引入模拟退火接受准则抑制了概率突跳的不可控制性.典型函数寻优结果表明,新算法能很快地收敛到全局最优解,大幅度降低了达到最优值所需要的迭代数,同时提高了算法的收敛率和收敛精度,在跳出局部搜索的能力上远优于标准微粒群算法和自适应微粒群算法,稳定性好.

     

生存模糊自适应的蚁群算法及收敛性

首次将多元生存分析引入进化算法,设计了一种生存自适应的蚁群算法．对蚁群算法收敛过程建立生存模型,用ＫａｐｌａｎＭｅｉｅｒ法计算生存时间估计值和生存函数曲线,以算法各参数作为生存时间的协变量,用ＣＯＸ 比例危险率回归模型来定量分析其相互依赖关系,分析了种群大小对早熟收敛的影响．根据个体适应度和种群多样性对剩余生存时间进行模糊控制,实现种群规模的自适应调控．数值实例验证了算法的有效性、稳定性及准确性．     

一种基于GPU加速的细粒度并行蚁群算法

为改善蚁群算法对大规模旅行商问题的求解性能,提出一种基于图形处理器(GPU)加速的细粒度并行蚁群算法.将并行蚁群算法求解过程转化为统一计算设备架构的线程块并行执行过程,使得蚁群算法在GPU 中加速执行.实验结果表明,该算法能提高全局搜索能力,增大细粒度并行蚁群算法的蚂蚁规模,从而提高了算法的运算速度.

     

基于动态学习策略的群集蜘蛛优化算法

为了提高群集蜘蛛优化(SSO) 算法的性能, 提出一种基于动态学习策略的群集蜘蛛优化(DSSO) 算法. 该算法通过群体协作过程中学习因子的动态选择, 平衡算法的搜索能力和勘探能力; 采用随机交叉策略和云模型改进协作过程个体更新方式, 在维持种群多样性的同时尽量提高收敛速度. 基于标准测试函数的仿真实验表明, DSSO 算法可有效避免早熟收敛, 在收敛速度和收敛精度上较标准SSO 算法和其余4 种较具代表性的优化算法均有显著提高.

     

一类严格反馈非线性系统的间接自适应模糊控制

针对一类不确定严格反馈非线性系统,设计了间接自适应模糊控制方法．该方法用模糊逻辑系统逼近设计过程中的未知函数,基于时变宽度死区对模糊逻辑系统中的未知参数进行自适应调节,并对时变死区宽度设计了自适应律．证明了该方法能使闭环系统的所有信号有界,且可使跟踪误差收敛到原点的小邻域内．仿真算例验证了该方法的有效性．

     

基于交叉模型的改进遗传算法

提出一种解决早熟收敛问题的改进遗传算法. 通过最小生成树聚类将种群划分为若干个子种群, 子种群内的个体之间及不同子种群间的个体之间同时进行遗传操作. 同子种群间个体的遗传操作可以保证算法的进化方向和收敛速度, 不同子种群间个体的遗传操作可以避免近亲繁殖, 提供多样性. 分别采用二进制和实数编码, 在经典的 23 个基准函数上的对比测试结果表明, 所提出算法具有较好的收敛速度和寻优能力.

     

自适应分区多代理模型交互式遗传算法

为提高交互式遗传算法的性能,提出一种自适应分区多代理模型交互式遗传算法&.该算法基于关键维分割进化初期的搜索空间,同时基于进化进程,逼近精度以及用户评价敏感度,自适应地分割进化中后期的搜索空间.在子空间上,采用多类代理模型学习用户对进化个体评价,并用于评价后续进化的部分或全部个体.将该算法应用于服装进化设计系统,实验结果表明,算法在种群多样性,减轻用户疲劳及用户对优化结果满意度等方面均具有优越性.

     

一种动态改变惯性权重的自适应粒子群算法

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出一种动态改变惯性权重的自适应粒子群算法.采用种群中平均粒子相似程度作为种群多样性的测度,并用于平衡算法的全局探索和局部开发. 基于对惯性权重随种群多样性测度变化的动态分析,建立了惯性权重随种群多样性测度的变化关系,并将其引入该算法中. 最后对个经典测试函数进行仿真,结果表明该算法在平均最优值和成功率上都有所提高,特别是对多峰函数效果更明显.

     

一种基于种群速度的自适应粒子群算法

分析了粒子群算法的收敛性,指出早熟是由于粒子速度降低而失去继续搜索可行解的能力．进而提出一种基于种群速度动态改变惯性权重的粒子群算法,该算法以种群粒子平均速度为信息动态改变惯性权重,避免了粒子速度过早接近０．通过５个标准测试函数的仿真实验并与其他算法相比,结果表明该算法在进化中期能很好地保持种群多样性,有效地改善算法的平均最优值和成功率．

     

基于群体智能的思维进化算法设计

针对思维进化算法（ＭＥＡ）没有充分利用公告板信息的问题,结合群体智能的优点,提出基于群体智能的思维进化算法,同时分析其算法的机制,设计利用群体信息共享进行子群体迁徙策略和拥挤浓度控制异化策略,提高了搜索速度,保证了种群的多样性．通过整个群体的总体优化特征体现了寻优方式的实现,使得收敛速度和全局收敛性均达到最好平衡．测试函数寻优及ＰＩＤ 控制器参数整定实验,验证了算法的可行性和高效性．

     

一种求解TSP问题的ACO & SS算法设计

提出一种求解旅行商(TSP)问题的新型分散搜索算法.将蚁群算法(ACO)的构解方法引入分散搜索(SS)算法,在搜索过程中既考虑解的质量,又考虑解的分散性.采用一种将蚁群算法的信息素更新技术与分散搜索的组合机制相结合的新型子集组合成新解的构解机制,同时采用动态更新参考集与临界准则策略来加快收敛速度.实验结果表明,该算法优于其他现有的方法,获得了较好的结果.

     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练,按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.

     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.