一种平衡全局与局部搜索能力的粒子群优化算法

针对标准粒子群优化算法存在易陷入局部最优解、收敛速度慢等缺点,从两个方面对算法进行改进.一方面,改变学习因子和惯性权重,使学习因子和惯性权重随着粒子的适应度动态自适应变化,以平衡局部和全局搜索能力;另一方面,增加粒子的学习对象,从社会心理学出发,提出向群体中所有比自身优秀的较优个体学习,以增强社会学习能力.与标准粒子群算法进行比较,实验证明新算法具有更高的收敛效率、更快的收敛速度.

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,提出一种混合K-调和均值聚类算法(G-KHM)。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-means聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好的效果。

基于引力搜索算法的非线性系统辨识

针对传统辨识方法辨识非线性系统时存在的辨识精度低、收敛速度慢等问题,引入了一种基于混合引力搜索算法的非线性系统辨识方法。该混合优化算法是将粒子群算法中群体历史最优位置及自身历史最优位置的概念引入到引力搜索算法中,通过帮助粒子接近最优位置,改进了搜索算法中粒子的全局搜索能力,使得该混合算法的开采能力和探索能力得到更好的增强和平衡。对Wiener模型进行辨识,比较分析仿真结果,发现混合优化算法能够提高辨识精度并获得良好的辨识效果,验证了该算法的有效性和可行性。

基于遗传算法的布局求解法

在分析布局问题的基础上 ,对编码方式、交叉操作等做了改进 ,提出一种基于遗传算法的布局求解方法 .计算结果表明 ,算法具有良好的全局搜索能力和较快的收敛速度 .

基于改进遗传算法的非线性励磁系统参数辨识

将大变异遗传算法应用于非线性发电机励磁系统的参数辨识,利用其较强的全局寻优能力辨识出发电机励磁系统参数估计值。其原理为:当某一代中所有个体集中在一起时就以一个远大于通常变异概率的概率执行一次变异操作,随机、独立地产生许多新的个体,使种群脱离早熟。比较每代中所有个体的最大适应度与平均适应度的接近程度,判断当代中所有个体的集中程度;对当代适应度最高的2个个体不进行大变异操作,以保证具有最大适应度的个体不被破坏掉。采用Matlab的Simulink模块建立仿真模型,算例试验结果表明,基于大变异遗传算法的励磁系统参数辨识方法速度快、精度高。

具有步长调整策略的强制进化随机游走算法优化换热网络

强制进化随机游走算法(random walking algorithm with compulsive evolution,RWCE)是一种优化换热网络的新方法,具有程序简单、算法适应性和全局搜索能力较强等优点。本文研究了最大步长对RWCE算法优化性能的影响,提出了抛物线函数的最大步长递减调整策略来平衡RWCE算法的全局搜索与局部搜索能力。将引入策略的RWCE算法与基础算法比较,发现加入最大步长递减调整策略的RWCE算法与基础RWCE算法相比,在进化后期能够跳出局部极小值,具有更强的局部搜索能力。采用10SP2、9SP和15SP换热网络实例检验加入此策略RWCE算法的有效性,其中10SP2和9SP算例的优化结果均好于文献最好结果,相比算例原始文献下降了20.98%和1.11%。对15SP算例优化找到了新的换热网络匹配结构,并好于多数无分流换热网络优化结果,且低于文献结果 4.60%,证明了此方法在换热网络优化中具有较强的优化能力。

基于谐振子遗传算法的高效地下水优化管理模型

在传统遗传算法和模拟谐振子算法的基础上,结合两者的优点,提出了一种新型快速高效的谐振子遗传算法。通过一个理想的水资源管理模型的算例和一个华北平原典型区地下水资源优化的实际算例,从寻优结果和寻优效率两个方面对谐振子遗传算法、传统遗传算法和模拟谐振子算法进行了对比分析。在两个地下水管理模型中,与传统的遗传算法和模拟谐振子算法相比,新型的谐振子遗传算法搜索效率达到模拟谐振子算法搜索效率的2倍以上,得到的最优解比遗传算法所得到的最优解分别增加供水量1.1×103 m3/d和0.47×108 m3/a,说明谐振子遗传算法具有更强的全局搜索能力和更好的寻优效率。

一种自适应动态控制参数的粒子群优化算法

针对标准粒子群优化算法易陷入局部最优解、收敛速度慢等缺点,从提高全局和局部搜索能力2个方面出发,提出一种自适应动态控制参数的粒子群优化算法。根据粒子的适用度动态改变粒子学习公式中学习因子和惯性权重的取值,提高算法的搜索能力。在典型测试函数上与标准粒子群优化算法进行对比实验,结果表明,该算法具有更高的收敛效率和更快的收敛速度。

基于新型变异策略的差分进化算法

为加快算法的收敛速度和寻优能力,将粒子群算法和差分进化算法的优点结合起来,提出一种混合差分进化算法。在此基础之上引入一种新型的变异策略(包括全局变异和局部变异两种),平衡算法的全局搜索能力和收敛速度。采用大量标准测试函数对多种比较算法进行实验,实验结果表明,相比其它进化算法,改进以后的差分进化算法可以达到更快的收敛速度和更高的寻优精度,可以广泛应用于工业及生产领域。

提高开式冷挤压极限变形程度预测精度方法的研究

充分利用BP-GA网络相结合方法和BP网络较强的函数逼近能力,以及GA算法的高效率全局搜索能力,将遗传算法和BP网络相结合并优化网络权值,建立一种新的极限变形程度预测模型,与基于BP算法的预测模型相比较,具有迭代次数少、训练时间短和预测精度比较高的优点,其计算分析结果也可直接用于实际生产。

自适应二次粒子群算法钢架模型修正

粒子群算法参数少,简便易行,具有较好的全局搜索能力和计算效率,在优化等领域得到了广泛应用,但它易于陷入局部极值,因此需要进行改进以增强其优化性能。修正了基本粒子群算法中的速度公式权重因子和最优位置,提出了形式简单且搜索效率高的自适应二次粒子群算法,并应用于五层钢架结构模型修正,修正结果证实了算法的有效性和优越性。

带有精英保留机制的混合差分化学反应算法

传统智能算法在求解复杂的带有多峰特点的优化问题时,由于其计算量和变异方式的限制很容易陷入局部最优,并且不具备跳出局部最优进行二次搜索等能力。针对这一问题,本文提出了混合差分的化学反应算法,在利用化学反应算法(CRO)良好的全局搜索能力的同时,使用差分变异策略来加强算法的计算精度。对于优秀分子可能在反应中被消耗掉的现象,有针对性地加入了精英保留机制来保持种群的优良。本文选取了CEC2005中的测试函数,特别是几个带有多峰特点的复杂测试函数来分析改进算法的各项性能,并与几个改进的智能算法进行了对比实验。最终验证改进算法在提高计算精度和全局搜索能力两方面具有良好的效果。

蚁群算法在油田配电网开关优化配置中的应用

配电网分段开关优化配置,可以减少用户停电损失,提高供电可靠性。分段开关优化配置是一种以可靠性费用最小为目标函数的组合优化问题。结合油田配电网的分段开关类型和馈线自动化方式,给出了配电网开关配置的数学模型。应用蚁群算法(ACA)求解分段开关的位置和数量,并对蚁群算法的初始信息素赋值、搜索空间、转移原则和更新原则进行了改进,克服了基本蚁群算法搜索时间长、易陷入局部最优解的缺点。实例分析表明,该算法全局搜索能力强,搜索时间短,收敛速度快。

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数q的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.

一种带记忆的模拟退火算法求解TSP问题

模拟退火算法是求解组合优化问题的一个有效方法.在模拟退火算法的基础上提出了一种带记忆的改进算法.在改进算法中增加了记忆功能,将当前最优解记忆下来;设计了一个温度更新函数,保证温度更新有一定的自适应性;增加补充搜索过程,以提高算法的全局搜索能力.最后将此算法应用到旅行商(TSP)问题中,在若干公共测试数据集上的实验结果表明,该算法是有效可行的.

基于NSGA-Ⅱ算法的低通滤波器优化

为满足滤波器多个性能参数优化的需求,提出了一种基于NSGA-Ⅱ算法的滤波器多目标优化方法,并对算法中群体的多样性和全局搜索能力进行了改进。通过对5阶定K型低通滤波器进行仿真,截止频率与设计目标有较大偏差。针对这个滤波器利用NSGA-Ⅱ算法将插入损耗、反射损耗以及群时延作为目标函数按照不同要求进行优化,并对优化后的滤波器及实际模型进行了设计和仿真。将插入损耗作为优化目标,不考虑其他两个目标,优化后的结果与优化前的滤波器性能比较,截止频率和设计目标间的偏差明显降低。优化出插入损耗、反射损耗以及群时延均有要求时的最优解,此结果可用于设计各项性能均衡的滤波器。

云计算中基于生物共生机制改进粒子群优化的任务调度方案

针对传统的基于智能算法的云计算任务调度方案获取最优解用时较多的问题,受生物界共生现象的启发,提出一种基于生物共生机制(SM)改进粒子群优化(PSO)的任务调度方案。首先,将PSO中的粒子分成2个种群,各自执行寻优。然后,每执行k次PSO迭代后,将两个种群中的个体进行互利共生和寄生操作。通过互利共生操作使搜索过程穿过最佳解区域,从而增强搜索能力;通过寄生操作排除较差解并引入较优解来防止过早收敛。最终获得任务调度的最优解。仿真结果表明,提出的优化算法可快速收敛,相比其他几种较新的调度方案,提出的方案能够获得最小的任务完成时间和响应时间。

GABP神经网络算法模型在计算机网络安全评估的应用研究

针对互联网应用过程中受到攻击造成网络安全性下降的问题。在传统BP神经网络的基础上,建立互联网安全因子的非线性系统,通过引入遗传算法具备的全局搜索能力进行网络结构优化,扩大算法的应用范围,有效提高神网络的泛化能力,实现对网络风险和网络安全态势的评估和预测。通过实例验证表明:基于GABP神经网络的安全评估预测系统,使整个网络拓扑结构安全综合性保持在一个较高的势态值位置,对网络安全的预测为网络管理提供了有效的技术手段。

种群规模对遗传算法性能的影响

经典遗传算法的种群规模在演化过程中是固定不变的,本文主要通过实验研究种群规模对遗传算法性能的影响。通过四个经典函数的测试表明,种群规模对遗传算法各个性能的变化均有上升或下降的变化。

锅炉燃烧系统数学模型的差异演化算法求解

为了解决集中采暖锅炉系统的节能问题,建立了基于智能控制的锅炉燃烧系统节能控制模型。针对该模型的时变、滞后和非线性特性,摈弃传统求解方法,采用一种新的求解策略即差异演化算法(DE算法)对其寻优求解。结果表明,该算法求解效率高,收敛速度快,全局搜索能力强,锅炉系统运行达到了节能和环保的目标。