带自适应精英扰动及惯性权重的反向粒子群优化算法

针对反向粒子群优化算法存在的易陷入局部最优、计算开销大等问题,提出了一种带自适应精英粒子变异及非线性惯性权重的反向粒子群优化算法(OPSO-AEM&NIW),来克服该算法的不足。OPSO-AEM&NIW算法在一般性反向学习方法的基础上,利用粒子适应度比重等信息,引入了非线性的自适应惯性权重(NIW)调整各个粒子的活跃程度,继而加速算法的收敛过程。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,提出了自适应精英变异策略(AEM)来增大搜索范围,结合精英粒子的反向搜索能力,达到跳出局部最优解的目的。上述2种机制的结合,可以有效克服反向粒子群算法的探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,OPSO-AEM&NIW算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

求解组合优化问题伊藤算法的收敛性和期望收敛速度分析

文中作者主要针对一类组合优化问题,分析了伊藤算法的收敛性理论和达到最优解的期望运行时间.首先将研究的组合优化问题转化为图模型,在图模型的基础上研究了伊藤算法的各种算子设计方法,阐明了伊藤算法的漂移算子、波动算子的寻优过程,给出了几种算子转移所服从的概率分布;然后在转移概率的基础上,利用离散鞅的极限分布给出了伊藤算法几乎必然收敛行为分析;最后研究了1个粒子的情况下,伊藤算法达到最优解的期望运行时间的上界,其取决于粒子半径的设置,并结合具体的参数设置,分析了伊藤算法参数选择的重要性.

一种小波自适应阈值全频降噪方法

目前的基于小波阈值降噪方法往往假设信号的噪声分布在高频段,因此大部分方法只对高频段进行降噪,而忽略了低频段噪声对信号的影响.在现实的应用中,复杂的噪声并不满足该假设条件,也即复杂噪声不仅分布在信号的高频段,而且低频段的噪声同样不容忽视.针对上述问题,论文提出了一种全新的解决方案：小波自适应阈值全频降噪方法.在该方法中,根据不同类型的噪声随小波分解层数、噪声强度等因素变化规律,提出了一种新的自适应阈值确定方法;然后利用小波去相关性方法来检测信号受到的最主要的噪声干扰;最后结合噪声类型检测方法,检测信号中所隐含的最接近的噪声类型,选取合适的阈值确定方法,对信号的低频和高频同时进行降噪.论文的实验结果表明：（1）当信噪比较低时,采用全频降噪方法对大部分类型的噪声而言均优于传统方法,并且全频降噪方法仅需要信号分解到1-2层即可取得良好效果;（2）当信噪比较高时,全频阈值降噪技术的降噪效果和传统方法一致,但所需小波的分解层数少于传统方法.

改进蜂群算法求解大规模着色瓶颈旅行商问题

在智能交通、多任务协作等领域,用着色瓶颈旅行商问题(CBTSP,colored bottleneck traveling salesman problem)所构建模型尺度易趋向于大规模,因此有必要研究大规模CBTSP及其求解算法。本文将一种改进蜂群算法(IABC,improved artificial bee colony algorithm)应用于求解大规模CBTSP。IABC首先运用m-tour编码方法生成问题的解,然后使用产生邻近解(GNS,generate neighboring solution)优化蜂群算法求解该问题,GNS通过采用删除和重插入操作来产生新的解,并在该过程中实现对已有解的优化。实验表明IABC求解大规模CBTSP问题的求解质量优于其他对比算法。

基于深度学习策略的算法设计分析类课程线上线下混合教学设计

针对程序设计类课程中遇到的问题,提出基于深度学习策略的算法设计分析类课程线上线下混合教学模式,研究面向算法设计分析类课程的基于在线评测系统的深度学习模式的设计与实践,主要包括线上线下混合教学模式下课堂教学的组织、试题库的设计以及在线评测教学平台的实现。

二次演化建模在实时仿真中的应用

遗传程序设计在复杂系统的建模中表现出智能性、自适应性等特点 ,它可以找出能描述系统的静态和动态过程一系列相关联的函数或微分方程 ,为描述复杂系统提供了一种有效的手段 .针对传统的遗传程序设计方法的搜索效率低、所建模型的精度不高等缺点 ,提出了一种新的演化建模算法 :二次演化建模 ,该算法引入人工智能中的系统公告板来公布最好的树及其子树 ,从而加速了优化过程 ,使之达到实时仿真的目的 ,并将其应用于描述一个实时仿真系统——轮机仿真系统 ,并结合仿真系统的特点来指导遗传算法 ,减少其搜索的盲目性 ,实验的结果表明无论在算法的求解速度还是模型的精度上二次演化建模算法均优于传统的遗传程序设计方法 .

演化仿真优化的并行实现及其应用

由于仿真对象的复杂性,一些仿真模型很难用有效的解析函数来表达;同时演化算法不要求优化目标具有连续、可导等特点,因此,演化算法用于仿真优化具有很大的优越性.针对仿真优化这一领域提出了演化仿真优化的概念及其形式化语言描述,并给出了演化仿真优化的算法实现框架.演化仿真优化的模型评估需要大量的计算时间,根据仿真优化的特点,提出主/从模式、粗粒度孤岛仿真优化模型以及它在PVM,DCOM下的实现,并给出了两个控制器优化设计的实验.仿真试验的结果表明:对于演化仿真优化来说主/从模式的并行度要高于粗粒度孤岛模型;并得出以下结论:对于演化仿真优化来说仿真模型越复杂,主/从模式的性能越好.

演化仿真优化的若干问题研究

针对仿真优化这一仿真领域提出了演化仿真优化的概念及其形式化语言描述 ,并给出了演化仿真优化的算法实现框架、分类 ,指出了仿真优化与演化算法相互取长补短的策略 .为了提高速度和效率提出了一种混合演化仿真优化的算法 :基于拉网的仿真优化算法 (MESOAs) .该算法结合仿真系统的输出信息 ,构造出系统的响应曲面来指导演化算法 ,同时又不要求系统连续、可导 ,因此具有通用性、鲁棒性、隐含并行性等优点 ,它能有效地解决不确定环境 (含随机系统和定性系统 )的仿真决策优化 ,连续时间仿真控制优化问题等 .最后 ,给出了两类测试演化仿真优化算法的测试实例 :一类是随机函数 ,另一类是 GI/ G/ S排队模型 ,试验的结果表明在解的质量和速度两方面 MESOAs都优于曲面响应法。

一种基于空间结构的数值优化演化算法

提出一种求解数值优化问题的演化算法———基于空间结构的演化算法 (SpaceGA) ,在这种算法中 ,作者将演化种群中的每个个体放在固定的位置上 ,杂交操作在其邻居上的几个点进行 ,因此不用选择遗传操作的父体 ,从而避免了确定选择压力的问题 ,同时空间结构保证了搜索的全局性 ,遗传操作保证了较优解在其空间中的扩展 ,从而达到了全局寻优的目的 文章还讨论了不同的空间结构对算法性能的影响 此算法可以求解数学规划问题、约束函数优化问题 ,如果对实型变量采用取整的操作 ,算法还可以求解混合整数非线性规划问题 数值试验的结果表明了算法在求解的速度、稳定性。

基于控制因子ADL模型的短期水位预测方法

为有效提高水位预测精度,利用自回归分布滞后模型,结合站点水深调控计划、水位站流量因素等控制因子及其他相关站点水位信息,提出一种通过分析站点水位时间序列进行预测的方法。针对水位时间序列的特点,从模型选择、模型建模、模型实现开展研究。将该模型与其他常用时间序列预测模型应用于沙市水位站提前一天的水位预测实验及预测时间的扩展性实验,并对实验效果进行分析,结果表明,该模型能较好地拟合水位的变化趋势,提高模型预测的精确度。

基于Piecewise直方图均衡化的图像增强方法

提出了一种基于Piecewise直方图均衡化的图像增强方法,有机地结合了亮度拉伸和传统直方图均衡化的优点。通过定义直方图中相邻灰度级的距离,引入了一个基于直方图均值和标准偏差的Piecewise线性变换,探讨了图像过亮时Piecewise直方图均衡化参数的选取。实验表明,该方法的处理结果能有效避免现有的直方图均衡化方法中的"吞噬"问题和亮度饱和问题。在增强图像时不仅能保留细节,而且具有更加自然的视觉效果。

求解带用户满意度的多目标实时车辆路径问题的改进伊藤算法

基于对标准车辆路径问题的分析,本文构建了一种包括交通因素、客户需求动态改变、用户满意度的多目标动态车辆路径问题模型.针对伊藤算法在求解离散组合优化问题时效率较低、收敛性较差等缺陷,本文以具有通用性的伊藤算法为框架,参考蚁群算法,设计了伊藤-蚂蚁优化算法,并采用正交实验的方法,分析了改进算法参数的设置问题.为了验证改进算法的有效性,文章对标准测试数据集中的数据进行了测试.最后,将标准测试数据改编成符合带用户满意度的多目标实时车辆路径问题模型的测试数据,并用改进算法进行求解.实验结果表明,本文提出的问题模型和改进算法是可行的、有效的.

求解带软时间窗车辆路径问题的改进伊藤算法及其收敛性分析

针对伊藤算法在求解离散组合优化问题时效率较低、收敛性较差等缺陷,本文提出的改进伊藤算法引入了协同扩散过程的漂移系数,采用局部搜索能力强的爬山法确定波动系数,将漂移和波动同步进行,当找到可行解之后再进行一定程度的波动.为了验证算法的有效性,将改进后的伊藤算法用于求解带软时间窗的车辆路径问题.仿真结果表明,改进后的算法效率更高,收敛速度更快,算法稳定性和健壮性也更好.此外,本文还根据马尔科夫链移向吸引元的性质及其各状态之间的转换关系,探讨了构造伊藤随机微分方程的马尔科夫链近似模拟算法及其收敛性证明.

无惯性自适应精英变异反向粒子群优化算法

为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足,提出一种无惯性的自适应精英变异反向粒子群优化算法(NOPSO)。NOPSO算法在反向学习方法的基础上,广泛获取环境信息,提出一种无惯性的速度(NIV)更新式来引导粒子飞行轨迹,从而有效加快算法的收敛过程。同时,为避免早熟现象的发生,引入了自适应精英变异策略(AEM),该策略在扩大种群搜索范围的同时,帮助粒子跳出局部最优。NIV与AEM这2种机制的结合,有效增加了种群多样性,平衡了反向粒子群算法中探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

基于LM算法的双隐含层BP神经网络的水位预测

为获得更精确的径流水位预测效果,文章提出了基于Levenberg Marquardt(LM)算法的BP双隐含层神经网络模型(BPDHLM)。LM算法是梯度下降法与高斯-牛顿法的结合,能缩短BP网络的收敛时间,改善网络的收敛性能;相对单隐层而言,双隐含层BP网络则能改善网络的性能误差,误差梯度,从而提高模型预测精度并改善网络性能。研究结果表明:该模型预报稳定性好,预报准确率高,为径流-水位时间序列预测提供一个有效建模方法。

求解带容量约束的车辆路径问题的改进伊藤算法

针对车辆路径问题中路径选择未能确定的缺陷,引入蚁群算法对客户点选取规则进行决策。此外,采用冷却进度表作为控制温度变化的参数,将漂移和波动过程同步进行来改进根据伊藤随机过程而设计的伊藤算法,并将改进后的算法应用于CVRP的求解。实验结果表明,改进后的算法能有效求解带容量约束的车辆路径问题,取得了理想的结果。

一种基于粒子优势分析的异步混合粒子群算法

针对标准粒子群算法收敛速度较慢、求解精度不高等缺陷,引入了均值漂移与球隙迁移算法的思想,提出一种混合算法.该算法结合最优粒子与自己的祖先粒子来对粒子进行优势分析,根据其优势分析结果确定粒子的更新速度级别,将速度进行分解,分配到粒子的不同维中以达到异步更新的目的;为每个粒子设置一个淘汰概率的属性,当粒子被淘汰时会被自动替换;算法还引入了扰动机制和随机重启策略.显然,改进后的算法增加了粒子搜索的多样性和明智性,从而加快了收敛速度.最后,将混合算法用于求解高维TSP问题,实验结果表明改进后的算法是可行的、有效的.

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。

基于改进小生境演化算法的多峰函数优化算法

传统演化算法在求解复杂多峰函数优化问题时经常会出现早熟、收敛速度慢等问题,特别是对于有多个最优解的函数,往往只能找到个别的最优解。针对这些问题,提出了一种基于隔离机制与排挤机制相结合的小生境演化算法。利用隔离机制增强引导进化能力,利用排挤机制保证种群的多样性,同时,采用反序交叉算子进一步加强局部寻优能力。实验表明,使用该改进小生境演化算法求解函数优化问题能更有效地克服传统演化算法存在的收敛速度慢和容易陷入局部最优解等缺点。

混合算法求解着色瓶颈旅行商问题

基于着色旅行商问题(colored traveling salesman problem,CTSP),给出了一种适用性更加宽泛的组合优化问题模型:着色瓶颈旅行商问题(colored bottleneck traveling salesman problem,CBTSP).CBTSP可建模含有部分重合工作区域的规划问题,譬如有合作任务和单独任务的人员与车辆的路线规划,此类问题由于目标函数与旅行商问题不一样,因此不能够用CTSP模型来建模.由于CBTSP属于NP难问题,对于规模大的此类问题,自然启发式算法是个合适的选择.基于此,提出了一种自然启发式算法求解CBTSP,该算法是基于伊藤过程的粒子群算法(particle swarm optimization,PSO)、模拟退火算法(simulated annealing,SA)和遗传算法(genetic algorithm,GA)的混合算法(PSGA).PSGA首先用二重染色体编码来构建问题的解,然后运用遗传算法的交叉操作进行更新,其中交叉长度由伊藤过程的活动强度来控制,而活动强度由粒子半径和环境温度来决定.为了充分验证算法的有效性,使用小尺度到大尺度不同规模的数据进行实验,通过广泛的实验与分析表明:PSGA求解CBTSP问题的求解质量要优于对比算法.