求解约束优化问题的中心引力优化算法及其工程应用

为了平衡算法的全局探测能力和局部搜索能力,提出一种基于交叉与变异的中心引力优化算法用于求解约束优化问题。该算法首先利用佳点集方法构造初始种群以保证粒子的多样性。以一定概率随机选择粒子与当前最优粒子进行算术交叉操作,引导粒子向全局最优解靠拢。对当前最优粒子进行多样性变异以避免算法陷入局部最优。标准测试函数和工程优化应用问题的实验结果表明,新算法能有效求解不同的约束优化问题。

自适应中心引力优化算法

针对函数全局优化问题,提出了一种自适应中心引力算法,以平衡全局探测能力和局部搜索能力。首先定义粒子的适应值函数,然后根据与平均适应值的比较,更新粒子运动时间,并引进交叉操作更新当前粒子位置,从而提高算法的收敛速度。最后选择8个典型测试函数进行测试,并与中心引力优化算法和其他粒子群优化算法进行比较。结果表明,该算法得到的结果十分精确,鲁棒性强,优于其他算法。

中心引力优化CFO算法研究

中心引力优化算法(Central Force Optimization,CFO)是一种新型的基于天体动力学的多维搜索优化算法.该算法是一种确定性的优化算法,利用一组质子在万有引力作用下的运动,搜索决定空间的最优值,而这组质子按照两个来源于天体力学的迭代方程在空间移动.本文利用天体力学理论对该算法中质子运动方程做了深入的研究,并利用天体力学中万有引力定理对质子运动方程做了推导,建立起天体力学与CFO算法之间的联系,通过天体力学中数学分析的方法对该算法中质子收敛性能进行了分析,最后通过严格的数学推导证明出无论初始时质子是何种分布,CFO算法中所有的质子始终都会收敛于CFO空间的确定最优解.本文结论为了进一步深入研究该算法提供了理论基础.

二进制中心引力优化算法及其在非线性0-1规划中的应用

为求解非线性0-1规划问题,提出了一种二进制中心引力优化算法。根据引力计算加速度,利用加速度更新位置,采用转换函数实现连续的位置变量到离散的0-1变量的变换。采用典型的非线性0-1规划测试问题进行数值实验,并将算法与二进制粒子群优化算法和二进制引力搜索算法进行比较。实验结果表明,在解的稳定性和计算精度两个方面给出的算法具有显著优势,为非线性0-1规划问题的求解提供了新方法。

置换流水车间调度问题的中心引力优化算法求解

目前求解置换流水车间调度问题的智能优化算法都是随机型优化方法,存在的一个问题是解的稳定性较差。针对该问题,本文给出一种确定型智能优化算法——中心引力优化算法的求解方法。为处理基本中心引力优化算法对初始解选择要求高的问题,利用低偏差序列生成初始解,提高初始解质量;利用加速度和位置迭代方程更新解的状态;利用两位置交换排序法进行局部搜索,提高算法的优化性能。采用置换流水车间调度问题标准测试算例进行数值实验,并和基本中心引力优化算法、NEH启发式算法、微粒群优化算法和萤火虫算法进行比较。结果表明该算法不仅具有更好的解的稳定性,而且具有更高的计算精度,为置换流水车间调度问题的求解提供了一种可行有效的方法。

改进型中心引力优化CFO算法研究

中心引力优化算法(Central Force Optimization)是一种新型的基于天体力学的多维搜索优化算法.这是一种确定性的优化算法,该算法利用一组"质子"在引力作用下的运动,搜索决策空间最优值.但该算法仍然有局部收敛的特点.本文对该算法中质子运动方程做了分析研究,利用天体力学中的摄动理论对算法进行了改进,给出了改进后的新的CFO算法的迭代公式,并且对新的公式进行了分析.最后实验结果表明针对CFO算法的摄动改进可以使得搜索质子跳过CFO空间中的局部解,使得算法收敛精度和速度都有了不同程度的提高.

基于均匀设计的中心引力优化算法

中心引力优化(Central Force Optimization,CFO)算法是一种新型多维搜索确定型启发式优化算法,但由于它的初始探测器(Probe)计算复杂而导致CFO算法运行时间过长。针对初始探测器计算复杂问题,提出一种均匀设计方法,依此方法提出了基于均匀设计的CFO算法。将提出的CFO算法应用到典型测试函数中,并与CFO算法进行比较。数值结果表明,该算法保证寻优能力同时减少了CFO算法的运行时间,从而提高了CFO算法的效率。

基于差分进化算子变异的中心引力优化算法

针对中心引力优化算法易陷入局部最优这一不足,加强算法的全局寻优能力,提出一种改进的中心引力优化算法,根据差分算法本身的固有特性,通过引入差分进化算子对当前粒子位置的分量进行变异,促使算法摆脱局部最优,增强算法的全局收敛性.最后选取5个经典函数对算法进行测试,并与其他算法进行比较分析,结果证明算法的精度得到了明显提高,从而验证了该算法的有效性和可行性.

中心引力优化算法

中心引力最优化是一种以物理运动学理论为基础的新的确定性群体搜索优化算法。在重力场中,物体的移动是由物体间的受力和加速度来制定,并把这种物体间的作用运用于粒子运动中。在中心引力优化算法中,通过加速度的更新来实现目标函数适应值的更新。基于这种思想,给出一种改进中心引力优化算法,并用几个典型的例子对算法进行了验证,结果表明算法是有效的。

种群规模自适应控制的中心引力优化

在中心引力算法的设计中,较大的种群规模能提高最优解的精度,但会降低个体的搜索空间.针对中心引力算法提出了一种自适应控制种群的中心引力算法,在算法的运行过程中,根据算法的表现使每一代增大或减小种群的规模.将聚类算法和佳点集算法融合到增加\删除算子中,使得算法可以自适应地兼顾有效性和多样性.数值结果表明,新算法在求解精度和收敛速度上不弱于对比算法.

求解最小比率旅行商问题的中心引力优化算法

最小比率旅行商问题是经典旅行商问题的扩展,不仅考虑路程,而且考虑收益,以路程和收益之比为目标函数。为求解该问题,给出了一种确定性的现代启发式算法——中心引力优化算法。针对算法依赖初始点敏感的问题,采用佳点集构造初始群体,使初始群体尽可能分布均匀;采用加速度和位置的计算模型,并给出基于随机键的编码方法,实现算法的搜索空间到问题解空间的转换。结合典型算例进行仿真和比较,实验结果表明本算法具有计算精度高和鲁棒性强等优点,为最小比率旅行商问题的求解提供了可行有效的方法。

动态分级中心引力约束优化算法及工程应用

结合非固定多段罚函数处理约束条件,提出一种动态分级中心引力优化算法用于求解约束优化问题。该算法利用佳点集初始化个体以保证种群的多样性。在每次迭代过程中将种群分为两个子种群,分别用于全局搜索和局部搜索,根据搜索阶段动态调整子种群个体数目。对几个标准的测试问题和工程优化问题进行数值实验,结果表明该算法能处理不同的约束优化问题。

中心引力算法收敛分析及在神经网络中的应用

中心引力优化算法(central force optimization,简称CFO)是一种新型的基于天体动力学的多维搜索优化算法.该算法是一种确定性的优化算法,利用一组质子在万有引力作用下的运动,搜索目标函数在决策空间上的最优值.利用天体力学理论对该算法中质子运动方程进行了深入的研究,并利用天体力学中万有引力定理对质子运动方程进行了推导,建立起天体力学与CFO算法之间的联系,通过天体力学中数学分析的方法对该算法中质子收敛性能进行了分析,最后,通过严格的数学推导证明出:无论初始时质子是何种分布,CFO算法中所有的质子始终都会收敛于CFO空间的确定最优解.作为测试效果,将CFO算法与常见的BP训练算法相结合,提出了CFO-BP训练算法,优化前馈型人工神经网络的权值和结构.实验结果表明,采用CFO-BP算法优化神经网络比其他常见优化算法有更好的收敛精度和收敛速度.

一种采用聚类单纯形搜索的引力算法

提出了一种基于聚类和单纯形法的中心引力优化算法,该算法引入了一种聚类单纯形算子,利用聚类方法选择合适的个体以构成单纯形的顶点,周期性地把单纯形算子搜索得到的最优个体迁移到中心引力算法的种群个体中.依靠聚类单纯形算子提高中心引力算法的局部搜索能力和收敛速度,聚类单纯形算子依靠中心引力算法跳出局部最优.实验结果表明,改进后的算法比其他常见优化算法有更好的收敛精度和收敛速度.

基于CFO的海上风电场微观选址优化算法研究

海上风电场用海面积有限,尾流影响比陆上大,微观选址是其规划设计的关键技术。传统优化算法大多采用离散化变量,使得潜在解空间减少到有限个,难以达到最优化的效果。为了提高海上风电场微观选址优化效率,文章提出了一种基于中心引力优化(CFO)算法的海上风电场微观选址方法。该算法使用实数编码,通过将微观选址优化的变量假设为天体,各个天体之间相互作用,达到平衡的原理,具有可能得到全局最优解和效率高的优点。使用该算法对海上风电场微观选址优化进行仿真,并与现有方法比较。结果表明,所提出的算法得到的排布方式发电量最高,并具有优化精度高、速度快和优化排布较为均匀的特点。该研究结果可以为实际工程应用提供参考。