基于CCEA和改进郭涛算法的函数优化问题求解

在合作式协同演化(CCEA)的基础上,引入了使用高斯变异算子的郭涛算法,设计了一种求解函数优化问题的高效混合演化算法。通过求解复杂高维的函数优化问题的多个实例,并将该算法和CCEA与基本郭涛算法结合的方法——CCGT进行了对比。实验结果表明,新算法是高效的,其结果优于现存文献中的其它模型,但不及CCGT优秀。证明在该算法中引入的高斯变异算子的作用不大。

微粒群算法与郭涛算法在数值优化中的比较

对于9个典型的复杂BenchMark测试函数,分别利用PSO算法和GuoA算法进行数值计算比较,大量实验结果表明:GuoA算法更具有通用性和坚韧性,在全局收敛趋势方面较优,但是速度相对较慢;PSO算法的收敛速度很快,而且对于某些极难问题更具有优越性,但成功率相对较低,且容易早熟。

应用离散粒子群-郭涛算法分配多无人机协同任务

针对以往考虑时间窗约束的多无人机协同任务分配问题模型不能反映在有效时间窗内,任务执行时间对任务收益的影响及求解算法效率较低的问题。建立了将任务收益和任务执行时间直接联系起来的任务分配模型和可行解到粒子整数编码方式的映射,设计了混合离散粒子群-郭涛算法的组合优化问题求解策略。借助粒子群算法利用粒子自身信息和种群有用信息指导种群进化的本质特点,优化郭涛算法的适应性序列倒置操作;设计了可变的学习选择概率来选择个体的学习粒子,改进了序列倒置算子。仿真实验验证了该方法处理复杂任务分配问题的有效性。

郭涛算法及其应用

对郭涛在文献 [1]中所提出的一种求解约束函数优化问题的演化计算新算法进行了理论分析与实例验证。

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。

一种结合粒子群优化理论改进的郭涛算法及其应用

郭涛算法是目前求解TSP(traveling salesman problem)问题最为高效的进化算法之一。算法中提出一种求解TSP旅行商问题的高效Inver-over算子,该算子使基因序列以一定概率进行自适应的序列倒置,同时具有遗传算法中的变异算子以及杂交算子的特性。对Inver-over算子进行改进,使粒子编码得到更加充分的序列倒置;并引入粒子群优化算法的思想以加快算法收敛速度,提高了郭涛算法求解效率。将改进后的郭涛算法应用于钢卷自动优化组合堆垛问题,实验验证了改进郭涛算法的有效性。

基于差异演化算法和郭涛算法的文化算法

针对数值优化问题,对差异演化算法进行改进,获得多子差异演化算法。将多子差异演化算法和基于自适应搜索子空间的郭涛算法融合到文化算法的框架中,提出一种新的文化算法。实验结果表明,与多子差异演化算法、差异演化算法和基于自适应搜索子空间的郭涛算法相比,该算法收敛速度快,不易陷入局部最优,所得解的质量更好。

基于郭涛算法的演化神经网络

提出了一种新的演化神经网络算法GTEANN,该算法基于高效的郭涛算法,同时完成在网络结构空间和权值空间的搜索,以实现前馈神经网络的自动化设计。本方法采用的编码方案直观有效,基于该编码表示,神经网络的学习过程是一个复杂的混合整实数非线性规划问题,例如杂交操作包括网络的同构和规整处理。初步实验结果表明该方法收敛,能够达到根据训练样本自动优化设计多层前馈神经网络的目的。

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。数值试验表明:新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果。

基于变搜索区间的郭涛算法求解非线性方程组

描述了一种基于变搜索区间的郭涛算法的非线性方程的求解。通过实验证明该算法大大增强了一般遗传算法的性能,在求解非线性方程时,完全不需要考虑初始值的选取以及初始区间的确定。

改进的郭涛算法解一类有限元离散常微分方程

文章提出了改进的郭涛算法,并运用该算法解区域分裂、有限元离散之后的非线性常微分方程两点边值问题。数值结果表明该算法能很好地收敛到准确解,精度较高。

基于改进郭涛算法的TSP问题求解

郭涛算法可能是目前求解TSP问题最快的演化算法[1],其算法的核心在于Inver-over算子的设计,但在城市规模超过80时,该算子寻找全局最优解的能力就会下降。将原Inver-over算子的线性逆转改为环形逆转,改进逆转方式后,被逆转的基因片段可以包括整个染色体,这样能有效地防止解的早熟。同时,在原算法的基础上,引入了映射模块,能使父代中好的基因片段得到遗传,使好的基因片段能让更多的染色体所享有,不会因为父代被替代而让好的基因模式丢失。实验表明:改进后的算法增强了原Inver-over算子对最优解的搜索能力,并且对TSPLIB中大部分实例均可搜索到最优解。

参数P影响郭涛算法求解TSP问题的效率性研究

郭涛算法可以高效求解TSP,同时也可以很好地保持种群的多样性。首先定义了一种度量种群多样性的方法,然后通过分析参数P影响郭涛算法求解TSP问题的效率性,分析怎样得到一个合适的参数P。问题的研究背景是CHN144问题。

郭涛算法在模板匹配中的应用

目前图像模板匹配算法一般都有计算量非常大的缺点,在实际运用中存在一定问题,根据这一问题提出了将演化算法应用到图像模板相关匹配中。模板匹配实际是寻找最优解的问题,将模板和子图像的互相关函数作为目标函数,基于演化的郭涛算法实现了模板匹配的最优解。最后根据实验说明了该算法较传统的遍历式模板匹配算法具有计算量大大减少的优越性。

改进的郭涛算法在剩余静校正中的应用

在低信噪比地震资料处理中,剩余静校正是其中的关键处理环节。传统的剩余静校正方法容易陷入局部极值,难以实现全局寻优,从而造成叠加剖面成像效果不佳。为此,提出了一种高精度的非线性剩余静校正方法,该方法以互相关值最大为目标函数,采用了逐步缩小范围的郭涛算法进行剩余静校正量的全局寻优。通过理论模型和低信噪比资料的测试表明,该方法优于传统的剩余静校正方法,能够快速逼近全局最优解,并且能够有效改善低信噪比地震资料的成像效果。

拒绝浮躁——记慧聪IT商务网总经理郭涛

“慧聪是个好公司” 郭涛是北京人,1993年毕业于天津商学院的他,在一家国营机关短暂工作了一段时间后便加入到了下海打工的人潮中,“毕竟我在学校学的是商业企业管理专业,自己对这方面也比较感兴趣,在机关工作不利于发挥我的特长。”1994年10月,郭涛进入了慧聪国际工作。“当时慧聪的规模还并没有像今天这么大,员工总共只有60多人,分支机构也没有像今天这么多。”尽管规模不是很大,但郭涛本人却非常喜欢这里的工作。1994年到1996年,郭涛一直在公司的研究部门工作。1999年,慧聪国际正式触网,第二年,郭涛被任命为公司IT商务网的总经理。

青春当点万家灯——记国网湖北利川市供电公司沙溪供电所所长郭涛

"供电铁军,守护光明。"湖北恩施州利川市沙溪乡党委政府多次为国网湖北利川市供电公司沙溪供电所高效的工作和优质的服务点赞。这些点赞,见证着该所所长郭涛带领同事们创新实施"亮灯工程",用心用情守护万家灯火的动人事迹。点亮"责任之灯"2020年2月,新冠肺炎疫情最严重的时期,也是保电的关键时期。

下届的金鸡影帝,郭涛有戏?

一出名叫"加油好男儿"的商业男色秀,一部小成本投入却有大产出回报的娱乐片《疯狂的石头》,把当下银屏里最抓眼球的中国男人划成了泾渭分明的两组:前者捧出的是供有闲阶级赏玩的"花样美男",后者赢得口碑的确是在肉体和精神双重疲软下疯狂一击的"蔫狠男人"。

郭涛我是“蔫狠”男人的代表

伴随娱乐记者谭飞对蔫狠男人的短评.重庆方言"蔫狠"不仅迅速成为新的时尚语汇,而且把一系列"疯狂"的娱乐事件提升到精神甚至哲学的高度。 "满场比赛一直神圣肃穆的齐达内,却突然顶向‘妈的垃圾’(马特拉齐),然后义无反顾跟大力神杯擦肩而过,这是蔫狠:黄健翔在德意志夏日骄阳下昏昏欲睡,却突然在意澳之战最后一刻发力,开创‘咏叹调’式解说风格,这是蔫狠;郭涛在《疯狂的石头》里,身为郁郁不得志鸡零狗碎的小保安队长,为护厂救厂。

优化企业安全管理,以终为始提升本质安全水平--上海沣韬能源科技有限公司总经理郭涛

《世界农药》:郭总您好,注意到您还是浙江大学化工学院、工程师学院特聘教授,曾任职于挪威船级社(中国)有限公司、德国瓦克化学、德国拜耳集团,经历丰富。郭总,请谈谈您的工作经历。郭涛:我第一家任职的企业是德国拜耳技术工程有限公司,主要从事工程设计的工作,工作中接触到了本质安全技术,它是结合工程设计以及工厂实际的安全需求从本质上达到安全的一种技术,包括HAZOP,SIS,LOPA等。