基于遗传算法的Rosenbrock函数优化问题的研究

本文利用遗传算法研究了极小化Rosenbrock函数的问题．较多的计算机模拟实验结果表明，遗传算法可以有效地解决这一问题．文中还分析了一些改进的遗传算法对于该问题搜索速度的影响，得到了适于解决此问题的合理的遗传操作，从而为有效地解决最速下降法所不能实现的某一类函数代化问题提供了一种新的途径．

融合Rosenbrock搜索法的混合粒子群算法

为克服粒子群算法在处理复杂高维问题时易陷入局部最优及寻优精度低等缺陷,提出一种融合Rosen⁃brock搜索法的混合粒子群算法。首先,利用Tent混沌序列进行种群初始化;其次,采用去速度项的简化粒子群公式提高收敛速度并对个体极值加入扰动,增强粒子种群多样性;最后,当全局最优个体更新停滞时,利用Rosenbrock搜索法对全局最优个体进行局部搜索,提高解的精度。利用8个常用基准测试函数分别对30维和50维问题进行实验,证实该算法可寻到病态函数Rosenbrock全局最优值,且比其它7个函数的寻优精度提高10-2数量级。实验证明该算法收敛速度快,解的精度高,全局搜索能力强,寻优能力明显提高。

基于混合优化算法的工业机器人逆运动学求解

为简化工业机器人逆运动学求解过程,提高求解精度,增强求解算法通用性,提出一种计算工业机器人逆运动学问题的混合优化算法(hybrid optimization algorithm,HOA)。该方法基于冯诺依曼邻域和差分进化算法对标准灰狼优化算法(grey wolf optimize,GWO)的种群个体进行重新构造,得到一种改进的GWO;在Rosenbrock搜索法中引入柯西变异改善劣质解;将改进的GWO的解作为Rosenbrock搜索法的初值计算运动学逆解,以六自由度和七自由度工业机器人为测试对象进行仿真实验。结果表明,混合优化算法相较于对比算法具有更高的精度,更好的稳定性和通用性,证明了算法的有效性。

求解约束化工优化问题的混合布谷鸟搜索算法

针对布谷鸟搜索算法存在收敛速度慢和易陷入局部最优等缺陷,提出一种基于Rosenbrock搜索和柯西变异的混合布谷鸟搜索算法用于求解约束化工优化问题。该算法首先采用佳点集方法对鸟窝位置进行初始化,为全局搜索的多样性奠定基础;然后利用Rosenbrock搜索算法对当前最优位置进行局部搜索,以提高算法的收敛速度;最后对当前最优解进行柯西变异以避免算法陷入局部最优。两个约束化工优化问题的实验结果表明了该混合算法的有效性。

融合对立学习的混合灰狼优化算法

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法。该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高。

精英区域学习的转轴人工蜂群算法

针对人工蜂群(ABC)算法在解决复杂优化问题时容易出现收敛速度慢、开采能力不足的问题,提出了一种精英区域学习的转轴人工蜂群(ERABC)算法。在ERABC算法中,通过执行区域学习方法构建精英池,并利用精英池改进其搜索策略,同时在每一代中以一定的频率对最优解执行转轴法(RM)局部搜索。在20个包含单峰、多峰和偏移函数的基准测试函数上,分析了ERABC算法中改进策略的有效性,并与多种新近的改进ABC算法和演化算法进行了比较实验。实验结果表明,提出的算法在保证精英池中个体多样性的同时加快了算法的收敛速度,RM有效地提高了算法的开采能力。

基于转轴法的导向人工蜂群算法

针对人工蜂群算法在求解复杂多峰问题时容易出现收敛速度慢、开采能力不足的问题,提出了基于转轴法的导向人工蜂群算法(RDABC).在RDABC算法的搜索过程中,利用方向引导信息来指导个体朝更优方向搜索,并对当前最优解执行转轴法局部搜索,以加快收敛速度.在8个标准测试函数上进行了比较实验,实验结果表明RDABC算法的求解精度更高,收敛速度更快.

改进粒子群算法的啤酒灌装机液位控制PID参数整定

目的整定最优的PID控制参数,对啤酒灌装机中贮液罐液位进行控制,以保证PID控制器能满足啤酒生产中的控制要求。方法结合Rosenbrock搜索法和个体扰动策略来改进粒子群算法,并利用改进算法整定PID参数,最后将整定好参数的PID控制器用于控制液位对象;基于Matlab进行仿真实验,利用粒子群算法与文中方法做比较。结果通过Matlab仿真验证,改进了粒子群算法整定的PID参数,其跟踪特性的调节时间为16.18 s,超调量为10.20%,IAE性能指标约为6.09;粒子群算法整定结果表明,跟踪特性的调节时间为27.72 s,超调量为26.90%,IAE性能指标约为7.23。结论与原始粒子群算法相比,文中算法整定的3个PID参数在控制液位对象时综合性能评价指标更好,且能使系统平稳过渡,超调较小,响应速度快,调节时间快,其控制器性能能满足啤酒灌装机的生产要求。

一种转轴人工蜂群算法

为了提高人工蜂群(ABC)算法的局部搜索能力,加快其收敛速度,将Rosenbrock转轴搜索的方法引入ABC算法,提出了一种转轴ABC算法。该算法每隔一定的迭代次数,就在ABC算法找到的当前极值的邻域内用Rosenbrock方法进行一次转轴搜索,以引导算法找到函数值下降最快的方向。此外,新算法利用对立策略对算法随机产生的初始种群进行调整,得到了质量较高的初始种群。通过对几个标准测试函数的性能测试,验证了算法的快速收敛性和稳定性,说明对其的改进是可行且有效的。

Rosenbrock搜索与动态惯性权重粒子群混合优化算法

为了提高复杂优化问题的优化精度和鲁棒性能,提出两种将Rosenbrock搜索与动态惯性权重粒子群(DIPSO)相结合的混合算法,即"协同"与"接力"混合算法.两种算法充分利用了Rosenbrock搜索算法强大的局部搜索能力和DIPSO算法的全局寻优能力,很好地平衡了算法的全局"探索"与局部"开发".通过4个典型基准函数的实验研究,表明了所提出的算法具有优化精度高、鲁棒性强等特点,适合于对高维多峰函数进行优化.