基于TS/VDS算法的涤纶短纤维生产调度优化

采用禁忌搜索（ＴＳ）／变深度搜索（ＶＤＳ）混合算法对涤纶短纤维生产调度优化问题进行优化．混合算法通过改变常规ＴＳ算法邻域,采用变深度搜索技术增强了算法寻优能力．某大型石化企业实际数据的实验结果表明,该算法在寻优能力和求解时间上比常规ＴＳ算法更加有效,能够在更短的时间内获得满意解,对于解决多产品多阶段连续生产调度问题具有实用价值．     

一种动态分级的混合粒子群优化算法

针对粒子群算法早熟收敛和搜索精度不高的问题,提出一种动态分级的混合粒子群优化算法．该算法采取３种级别的并行粒子群算法,分别用于全局搜索和局部搜索及二者的结合,并根据搜索阶段动态调整各种级别中并行变量的数目．在全局搜索中,将混沌机制引入算法中以增强算法的全局搜索能力;在局部搜索中,采用单纯形法对适应度最优解进行局部寻优．仿真实验表明,该算法比其他优化算法具有更好的性能．

     

自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重,提高其全局寻优能力．当种群的寻优能力减弱时,采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证,该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比,该算法具有较好的性能．

     

基于混合双种群差分进化的电力系统经济负荷分配

针对电力系统经济负荷分配本质上的非线性约束优化问题,提出一种双种群混合差分进化算法．采用两个种群且以较小的计算量实现目标函数的寻优并保持解的可行性,同时引入单纯型法来提高算法的局部搜索能力．基于典型算例对该算法的进化行为进行测试,并通过仿真和比较验证了所提出算法的有效性．

     

利用多变量自适应回归样条函数确定ATCS复合分派规则的缩放参数

提出一种利用多变量自适应回归样条函数（ＭＡＲＳ）来确定考虑准备时间的直观延误成本（ＡＴＣＳ）复合分派规则中缩放参数的方法,以优化ＡＴＣＳ分派规则在最小化总加权延误时间（ＴＷＴ）上的效果．通过利用ＭＡＲＳ模型在高维空间上的弹性建模能力,构建调度作业组与缩放参数之间的非线性模型,以便灵活地捕捉更多的局部映射关系．对比实验结果表明,与已有方法相比,该方法可显著地改善ＡＴＣＳ规则在最小化总加权延误时间上的效果,同时降低调度效果的不稳定性．

     

RBF神经网络参数估计的两种混合优化算法

基于全局搜索的进化算法和一种局部搜索算法———结构化的非线性参数优化方法（ＳＮＰＯＭ）,提出两种混合的优化算法来估计ＲＢＦ神经网络中的参数：１）初始化一定数目的种群作为ＳＮＰＯＭ 的初始值得到其适应值,通过选择、交叉和替换策略来更新种群;２）采用进化算法运行一定的代数,从最终群体中选取一些个体进一步用ＳＮＰＯＭ来优化．这两种混合优化算法的本质是用进化算法为ＳＮＰＯＭ 搜寻最优初始值,以得到全局最优解．仿真实验结果表明,该混合算法比单独使用进化算法或ＳＮＰＯＭ 更优,且优于其他一些算法．

     

多车场多车型装卸混合车辆路径问题研究

为满足电子商务客户多样化和个性化的需求,建立了多车场、多车型的装卸混合车辆调度模型,并使用混合遗传启发式算法求解．首先采用混合编码,使问题变得更简洁;利用个体数量控制选择策略,以保证群体的多样性;引入２-交换变异策略,并结合爬山算法,加强染色体的局部搜索能力．然后,对混合遗传算法求得的精英种群进行禁忌搜索,提高了搜索效率．最后,通过实例计算表明了上述模型和算法的有效性．

     

一种LDA与SVM混合的多类分类方法

针对决策有向无环图支持向量机（ＤＤＡＧＳＶＭ）需训练大量支持向量机（ＳＶＭ）和误差积累的问题,提出一种线性判别分析（ＬＤＡ）与ＳＶＭ 混合的多类分类算法．首先根据高维样本在低维空间中投影的特点,给出一种优化ＬＤＡ 分类阈值;然后以优化ＬＤＡ 对每个二类问题的分类误差作为类间线性可分度,对线性可分度较低的问题采用非线性ＳＶＭ 加以解决,并以分类误差作为对应二类问题的可分度;最后将可分度作为混合ＤＤＡＧ 分类器的决策依据．实验表明,与ＤＤＡＧＳＶＭ 相比,所提出算法在确保泛化精度的条件下具有更高的训练和分类速度．

     

加工时间不确定的炼钢连铸生产调度问题研究

针对炼钢连铸生产过程中存在的加工时间不确定性问题,采用三角模糊数表示不确定性加工时间信息,引入４种模糊运算,建立了问题的模糊规划调度模型．采用“中间值最大隶属度”的算法,将模糊规划调度模型转化为非线性规划模型,并在多重精炼工序、多机并行条件下,应用遗传算法求解最小完成时间．最后,利用实际生产数据的仿真实验表明了模型与算法的有效性．

     

一种基于优先级调度的相控阵机动目标跟踪方法

在相控阵雷达跟踪加搜索（ＴＡＳ）工作方式下,为跟踪较大的机动目标,提出一种目标机动检测器设计方法,得到归一化的目标机动系数．基于该方法,给出了一种动态计算优先级的调度算法,较好地解决了机动多目标跟踪的资源调度问题．与几种常用机动检测器相比较,结果表明了这种机动检测器具有更高的检测概率．最后在多目标环境下进行机动目标跟踪的蒙特卡罗仿真,仿真结果显示了多目标机动检测器和资源调度算法的有效性．

     

一种二进制编码的量子粒子群优化算法

针对离散空间优化问题,给出二进制编码的量子粒子群优化（ＢＱＰＳＯ）算法的设计思路,重新定义粒子的位置矢量和粒子之间的距离,提出了ＢＱＰＳＯ 算法的进化方程．通过泛函分析的方法分析了ＢＱＰＳＯ 算法的收敛性,得出全局收敛的结论,并通过多个测试函数测试了ＢＱＰＳＯ 算法的性能．求解结果验证了算法的优越性．

     

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．

     

一种基于犘犉犛犘性质的深度优先搜索算法

三机以上同顺序Ｆｌｏｗ ｓｈｏｐ问题（ＰＦＳＰ）是著名的ＮＰ完全问题．在充分利用ＰＦＳＰ自身特性的基础上,提出一种可变路径的深度优先搜索算法．该算法在搜索过程中根据需要采用两种不同邻域,在必要时将ＰＦＳＰ 转化为一个指派问题,自动变更搜索路径,以避免陷入局部最优解．数值仿真实验表明,该算法对于大规模ＰＦＳＰ 能取得良好
的计算结果．

     

一种全局收敛的PSO算法及其收敛分析

在分析了速度因子对微粒群算法影响的基础上,针对以往算法的弱点,提出了一种基于Gaussian变异全局收敛的粒子群算法.该算法使用全局变异因子使粒子具有了良好的全局搜索能力,并证明了它能以概率1收敛到全局最优解.同时使用了局部变异因子,使算法在局部搜索过程中具有较高的搜索精度.典型函数优化的仿真结果表明,该算法具有寻优能力强,搜索精度高,稳定性好等优点,适合于工程应用中的函数优化问题.

     

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.

     

自适应和声搜索算法及在粗糙集属性约简中的应用

针对改进和声搜索算法（ＩＨＳ）存在的不足,提出了自适应和声搜索算法（ＡＨＳ）．该算法利用和声库中变量函数的最大差值来调节ＰＡＲ 和ｂｗ,从而提高了对多维问题的搜索效率．利用５个标准测试函数对ＡＨＳ算法进行测试,并应用于粗糙集的属性约简中．仿真结果表明了该算法的有效性和实用性．

     

一种高速收敛粒子群优化算法

针对粒子群优化算法早熟问题,提出一种克服早熟的高速收敛粒子群算法．该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性;其次,在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,便随机地选择最优解任意一维的分量值,用一个随机值取代它,以扰乱粒子的当前搜索轨迹,使其跳出局部最优．大量仿真实验表明,大多数连续函数的寻优过程只需用几个粒子、迭代几十次便能完成,可实现全局寻优过程的高速收敛．

     

基于DEPSO 的模糊时间ZW多产品厂间歇调度

研究以最小化完工时间为目标的模糊加工时间零等待多产品厂间歇调度问题, 提出一种基于差分进化粒子群优化(DEPSO) 的间歇调度算法. 以基本粒子群算法为整体进化框架, 采用基于反向学习的方法初始化种群, 引入群体极值保持代数作为阈值, 利用基于排序的差分进化算法优化粒子个体极值位置, 改变粒子的搜索范围, 防止粒子陷入局部极值. 仿真实验验证了所提算法在解决模糊加工时间零等待多产品厂间歇调度问题上的有效性和优越性.

     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．

     

基于克隆选择和粒子群思想的动态多群体优化算法

针对粒子群算法和克隆选择原理的特点,提出了基于克隆选择和粒子群思想的动态多群体优化算法.该算法将整个群体分为若干子群体,在子群体内部应用基本的粒子群算法,以子群体作为抗体设计了克隆,变异,选择和受体编辑算子.变异算子使子群体动态变化实现子群体间相互交换信息,具有良好的全局搜索能力.实验结果表明,该算法具有寻优能力强,搜索精度高的优点,可用于工程问题中具有各种特性的复杂函数优化.