基于均匀局部搜索和可变步长的萤火虫算法

针对萤火虫算法(FA)收敛速度慢和求解精度不高的问题,提出一种基于均匀局部搜索和可变步长策略的萤火虫优化算法(UVFA)。首先,根据均匀设计理论建立局部搜索算子,对FA的搜索过程进行改进,以提升算法的局部开采能力和收敛速度;其次,利用可变步长策略,动态地调整算法搜索步长,以平衡全局和局部的勘探能力和开采能力;最后将均匀局部搜索算子和可变步长进行融合。通过对12个标准测试函数进行仿真实验,结果表明,UVFA的目标函数均值均明显优于FA、明智步长策略的萤火虫算法(WSSFA)、可变步长萤火虫算法(VSSFA)和基于均匀局部搜索的萤火虫优化算法(UFA),并且时间复杂度明显降低,并且在低维和高维问题中均显示出了较好的质量,具有良好的鲁棒性。

均匀局部搜索和高斯变异的布谷鸟搜索算法

布谷鸟搜索(Cuckoo Search,CS)算法是一种简单易实现的全局优化算法,但也存在局部搜索能力弱,求解精度不高的问题.为了克服这些问题,提出一种新的均匀局部搜索和高斯变异的布谷鸟搜索算法.该算法在基于Levy飞行产生新解后执行均匀局部搜索,从而提高算法的局部开采能力,并对被宿主发现的鸟巢采用高斯变异进行重新更新,从而提高算法的寻优精度以及收敛能力.通过对包括单峰函数、多峰函数的13个基准测试函数的仿真实验和分析,验证了新算法的有效性和可靠性,实验结果表明新算法具有较好的收敛速度和收敛精度,是一种具有竞争力的算法.

基于改进NSGA2算法的给水管网多目标优化设计

针对非支配排序遗传算法(NSGA2)在求解管网多目标优化问题时容易陷入局部最优,最终导致难以求得分布均匀的Pareto最优解,提出了一种改进的INSGA2算法。该改进的算法引进了差分变异算子,抽取其中的差分向量与NSGA2算法结合以避免算法陷入局部最优,从而改善种群的分布性。通过4个国际标准的测试函数来对算法进行测试,并与原NSGA2算法进行对比,测试结果表明INSGA2算法能求得分布较均匀的最优解。最后,利用改进的算法对双环管网进行多目标优化设计,研究结果也验证了该算法的有效性。

局部网格生成中初始探索圆半径的搜索算法

无网格不一致性的基于节点的局部网格生成(NLMG)算法是基于节点的局部有限元方法(NLFEM)实现无缝连接的核心算法之一,而快速合理的确定中心节点的初始探索圆半径是降低NLMG算法计算量和确保其可靠性的关键一步。本文提出了基于均匀桶的快速局部搜索算法(UBFLSM),并将其成功应用于NLMG算法,解决了初始探索圆半径和探索圆半径优化后候选卫星点集的确定这两个难点,确保NLMG算法无网格不一致性。并/串行数值试验(实现从网格生成到总刚度矩阵生成之间的无缝连接)均表明,该算法是快速及可靠的。

强化局部搜索能力的遗传算法

把均匀设计法用于构造带自适应性的变异算子,使每代种群中的最好个体参与均匀设计的杂交,增强了遗传算法的局部搜索能力.数值实验表明该算法十分有效.

一种改进的基于分解的多目标进化算法

利用基于分解的多目标进化算法框架(MOEA/D),将混合策略的进化算法用于求解分解后的若干单目标优化子问题,提出了一种带局部搜索的基于分解的多目标混合策略进化算法(LMS-MOEA/D)。算法利用均匀设计产生子问题的聚合权重向量,混合交叉策略能够充分利用不同交叉算子的优势;同时算法针对演化过程收敛的特点,结合局部搜索策略,获得逼近Pareto前沿的最优解集。最后通过实验验证算法在多样性和收敛性方面的有效性。

基于KPCA及改进蚁群遗传算法的齿轮箱故障诊断

鉴于齿轮箱系统的复杂性和齿轮箱故障信号的多样性,提出一种基于KPCA和改进蚁群遗传算法(LACG)相结合的齿轮箱故障诊断新方法。通过KPCA去掉原始故障参数集中的冗余信息,再利用IACG算法找出降维后参数的最优解。IACG算法改进了传统蚁群算法中的概率转移公式,通过增加区域目标函数值,提高了转移运算的效率和准确率;LACG算法增加了局部搜索功能,计算得到的蚂蚁解与遗传算法的均匀两点交叉算子相结合,减少了算法的搜索时间,扩大了搜索空间,使得收敛效果更趋近最优解。实验结果表明,KPCA与IACG相结合的算法可以有效识别齿轮箱故障,相对于传统的蚁群算法,其运算效率和准确率有很大提高。

基于均匀设计的免疫克隆多峰函数优化

为了尽可能多地求得多峰函数的全部最优解,提出了基于均匀设计的免疫克隆多峰函数优化。算法采用均匀设计初始化种群,保证初始抗体群体分布的均匀性和多样性。采用Larmark学习策略对群体进行局部搜索,以增强算法的收敛速度和搜索精度。在免疫克隆参数设置上,将参数设定问题描述成多因素多水平的均匀设计问题,减少设置参数所需的实验次数。实验结果表明,该算法寻优能力较强。

求解航天器最优交会问题的改进和声搜索算法

针对航天器最优交会问题,基于C-W模型建立一种燃料时间混合指标,并提出一种改进和声搜索(AHS)算法进行求解.在AHS算法中,提出一种全局均匀学习操作,利用了当前全局最优和声的指导作用,取代了原始和声搜索算法的基音调整操作,增强全局搜索和局部搜索的平衡,并对参数PAR进行了有效的动态调整,以更好适应算法的搜索进程.利用几个最优交会实例对AHS算法的有效性进行了测试,数值结果表明AHS算法能够取得满意的结果,并且优于其他算法.

一种改进学习因子的粒子群算法

针对高维复杂函数的标准粒子群算法常存在早熟收敛问题,提出一种让初始化粒子群的位置"相对均匀"并且随着搜索阶段不同而改变认知学习因子和社会学习因子的算法。该算法可以在搜索前期增强全局搜索,使之不陷入局部最优,而到搜索后期增强局部搜索能力,使之得到更精确全局最优解。通过五个典型测试函数的实验结果对比,可以清楚地表明改进后的算法得到的最优解更加接近真实的最优解。

基于区域失衡子空间的领先NSGAII算法

针对传统进化算法求解多目标优化问题时存在计算量大、难以平衡收敛速度和种群分布均匀性的问题,本文提出了一种基于区域失衡子空间的领先NSGAII算法(NSGAII-URS).首先,基于NSGAII算法,结合局部搜索算法,在每次遗传过程中添加种群领先解解集,引导种群快速收敛;然后,将非支配解所在的目标空间均匀划分,提出稀疏子空间和空闲子空间的概念,通过基于稀疏度的局部搜索策略对失衡子空间优化,进一步提升种群分布的均匀性.我们将本文方法与其他5种先进的多目标进化算法比较,通过基准测试函数进行验证,并采用反世代距离(IGD)和超体积(HV)两个通用指标进行性能评价.实验结果表明,该算法在解的分布性和收敛性方面明显优于对比的其他多目标优化算法.

带惩罚的相同容量k-均值问题的局部搜索算法

经典k-均值问题是一类应用广泛的聚类问题,它是指给定R^(d)中观测点集合D和整数k,目的是在空间中寻找k个点作为中心集合S,使得集合D中的每个观测点到S中离它最近的中心的距离平方求和最小。这是个NP-难问题。经典k-均值问题有很多推广,本文研究的带惩罚的相同容量k-均值问题就是其中之一。与经典k-均值问题相比,惩罚性质是指每个观测点都给定惩罚费用,当某个观测点到最近中心的距离大于惩罚费用时,其对目标函数的贡献就用该观测点的惩罚费用来代替最近的距离的平方,相同容量约束要求每个中心至多连接U个观测点。针对这种问题,我们设计了局部搜索算法,该算法在至多选取(3+α)k个中心的情况下,可以达到β-近似,其中,参数α>34,β>α+34/α-34。