一种弹性粒子群优化算法

当某个粒子与最优粒子很接近时,其飞行速度将趋于零,这是粒子群优化算法容易陷入局部极小的主要原因.为此,提出一种弹性粒子群优化算法.算法中,粒子速度不依赖其与最优粒子之间距离的大小,而仅依赖于其方向信息,并采用一种自适应策略弹性地修正粒子速度的幅值.将弹性粒子群优化算法应用于几种典型测试函数的优化,数值仿真结果表明,弹性粒子群优化算法能有效地找出全局最优点.

斐波那契树优化算法求解多峰函数全局最优解的可达性分析

为分析和验证斐波那契树优化算法(Fibonacci tree optimization algorithm,FTO)求解多峰函数全局最优解的算法性能,对算法的可达性问题进行研究.本文基于斐波那契法构造一个斐波那契树结构,在搜索空间中进行全局、局部交替搜索,不易陷入局部最优解.对斐波那契树优化算法基于该结构的可达性进行分析和证明.通过跟踪算法求解过程中坐标点的累积分布仿真实验和到达率的对比实验,分析和验证了算法求解多峰函数全局最优解的可达性.

应用遗传算法原理确定函数的最优解

本文主要介绍了一种新型的、随机性的全局优化方法即遗传算法。一般应用于在一个问题的解集中查找最优解情况,如是一个问题有多个答案,但是想查找一个最优答案的话,那么使用遗传算法可以达到更快更好的效果。即在浮点编码遗传算法中加入一个函数,构成适于不可微函数全局优化的遗传算法。该算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率。

用Powell方法求解不可微函数

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法.混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率.由于只利用函数值信息,混合算法是一种求解可微和不可微函数全局优化问题的通用方法.

自适应邻域真空法

针对遗传算法的会聚问题,特别对于改进的遗传算法——邻域真空法进行了进一步讨论,提出了具有ε值自动选择的郜域真空法——自适应邻域真空法,对该方法的有效应用具有相当的意义。

基于樽海鞘群算法的图像匹配方法

针对传统群智能优化图像匹配算法存在参数调节多、匹配精度低等问题,文中提出一种新的樽海鞘群算法图像匹配方法。分析了樽海鞘群算法基本原理;将图像匹配过程转化为求解组合优化问题;利用HOG特征提取图像的特征块,计算相似度量,实现了目标的全局性快速稳定特征匹配。实验结果验证了匹配精度和匹配效率,证明了新方法的有效性。

关于优化的一种算法

在浮点编码遗传算法中加入Powell方法,构成适于不可微函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率。由于只利用函数值信息,混合算法是一种求解可微和不可微函数全局优化问题的通用方法。

一种求解函数优化的混合遗传算法

在浮点编码遗传算法中加入最速下降法,构成适于函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率。由于只利用函数值信息,混合算法是一种求解函数全局优化问题的通用方法。

基于果蝇优化算法的月球车全局路径规划

基于月球车全局路径规划的任务要求,采用果蝇优化算法应用于全局路径的规划。针对果蝇优化算法在路径规划中容易形成局部最优的问题,对算法进行了修改,将果蝇与原点的距离直接带入味道浓度判定函数,从而不易陷入局部最优,提高了算法的稳定性,并可使果蝇群体向已知食物源飞行。通过仿真表明该算法具有计算简单、全局寻优能力强等特点,能够快速地找到优化的全局路径。

基于概率评估差分进化的多峰值优化

多峰值优化问题要求算法同时找到一个问题的多个全局最优解。近年来,演化算法已被广泛用于求解多峰值优化问题。然而,如何在极其有限的适应值评估次数内找到问题的多个全局最优解依然为演化算法带来了巨大的挑战。通过分析个体的历史更新经验,为每个个体赋予双层适应值评估概率,对个体进行选择性评估,从而减少算法运行过程中无效或低效的适应值评估,提出了一种基于概率评估差分进化的多峰值优化算法。实验结果显示,概率评估机制可以为算法节省更多的适应值评估次数,增加迭代过程,效果远好于其他主流的多峰值优化算法。

基于CMVO的涡扇发动机加速过程优化控制

针对涡扇发动机加速过程控制寻优难的问题,提出了一种混沌多元宇宙优化算法。在多元宇宙优化算法的基础上加入混沌初始化和混沌搜索,增强了全局搜索能力。采用算法进行涡扇发动机加速过程优化控制仿真,并与可行序列二次规划算法、粒子群算法和多元宇宙优化算法进行对比验证。结果表明:算法能够实现加速过程的优化控制,发动机紧贴喘振边界加速,且满足各个约束条件。对燃油流量、喷口面积、风扇和压气机导叶角度四控制量同时进行优化时,其加速时间为3.8 s,优于其他三种算法。验证了算法具有较强的全局搜索能力,在涡扇发动机加速过程优化控制问题中具有一定的优势。

基于DMOM算法的航空发动机性能寻优控制

提出一种分散迁移优化算法(DMOM),可实现多峰值优化问题的全局最优解搜索.该算法通过随机选择参考粒子,不断迁移搜索自身所处区域峰值点,再通过分散操作排除局部最优点,重新生成新个体,可快速搜索到全局最优区域.将DMOM应用于航空发动机性能寻优控制仿真,结果表明:在最小油耗和最低涡轮温度模式下,DMOM的寻优速度相比遗传算法(GA)和粒子群算法(PSO)提高了2倍以上;同时DMOM的优化精度相比自组织迁移算法(SOMA)提高了60%以上,相比可行性序列二次规划(FSQP)算法提高了20%以上.验证了DMOM相比其他优化算法有更强的跳出局部最优的能力,在航空发动机最小油耗和最低涡轮温度这类多峰值寻优问题中具有明显的优势.

Modified constriction particle swarm optimization algorithm

To deal with the demerits of constriction particle swarm optimization(CPSO), such as relapsing into local optima, slow convergence velocity, a modified CPSO algorithm is proposed by improving the velocity update formula of CPSO. The random velocity operator from local optima to global optima is added into the velocity update formula of CPSO to accelerate the convergence speed of the particles to the global optima and reduce the likelihood of being trapped into local optima. Finally the convergence of the algorithm is verified by calculation examples.