混合策略的沙猫算法求解化工动态优化问题

化工动态优化问题的求解是实现化工过程自动控制的基础,对环保与经济效益方面均有理论和实际意义。提出一种ISCSO(混合策略的沙猫优化算法)来达到反应器高效优化的目的。首先,针对SCSO(沙猫算法)种群初始化缺乏多样性、容易聚集的问题,引入Circle混沌映射初始化种群,提高多样性。其次,针对沙猫算法在迭代后期收敛速度较慢、容易陷入局部最优的问题,引入随机游走策略。同时,采用柯西变异策略扰动全局最优解,生成新解,避免陷入局部最优,增强局部搜索能力。最后将其应用于3个具有挑战性的化学动态优化工程问题上,并与其他方法进行对比分析。结果表明,改进后的算法具有更强的寻优和求解能力,证明了其有效性和优越性。

基于改进ADMM的含分布式光伏的配电网电压无功优化方法

由于所建立含分布式光伏(PV)的有源配电网电压无功优化模型是一个典型的非凸混合整数非线性优化模型,提出一种改进交替方向乘子法(ADMM)来求解含分布式光伏的配电网电压无功优化问题。首先以有载调压变压器和投切电容器组为例,建立一种新的广义可分解有源配电网电压无功优化模型,然后根据ADMM算法将有源配电网电压无功优化模型分解为2个子问题求解,并设计惩罚参数的自适应调节机制以加速收敛。在3个不同规模有源配电网算例上进行仿真测试,结果表明,所提出改进ADMM方法具有较好的收敛性和最优解。

融合混沌灰狼优化算法的K-均值聚类算法

针对K-均值聚类(K-means)算法对初始聚类中心位置敏感、容易陷入局部最优的缺点,提出一种融合混沌灰狼优化算法的K-means算法。算法利用混沌系统的随机性和遍历性产生分布较均匀的Tent混沌序列来初始化灰狼种群,获得分布较均匀且多样性较高的初始解,提高了算法的全局搜索能力;在搜索全局最优聚类中心的过程中引入基于精英个体的变异操作,维持种群的多样性,提高了算法的的局部搜索能力,避免算法陷入局部最优。实验结果表明,与基本K-means、基于粒子群算法(PSO)改进的K-means、传统灰狼优化算法(GWO)改进的K-means相比,以上算法具有更优的聚类效果,更强的寻优能力。

基于改进麻雀搜索算法优化SVM的恶意程序检测

在网络技术快速发展的同时,恶意程序也随之不断进化,其种类和数量不断增多,攻击目标和攻击领域越发广泛,成为当前互联网面临的主要安全威胁之一。犯罪分子利用恶意程序实施远程控制、窃取私密信息、攻击网络基础设施等犯罪行为,给网络安全带来了严峻挑战。本文基于Tent-Logistic混沌映射和线性微分递减策略改进麻雀搜索算法,提高算法的搜索速度和稳定性。再将改进麻雀搜索算法用于获取SVM最优参数c和g,建立TLCSSA-SVM恶意程序检测模型。最后采用CIC-InvesAndMal2019等数据集进行检测,实验结果表明与SSA、PSO相比,TLCSSA优化后SVM的恶意程序检测能力更强。

全局求解线性比式和问题的迭代算法

本文针对一类线性比式和问题(SLR)提出一种迭代算法.首先将问题(SLR)转化为等价问题,然后通过提出的松弛技术将等价问题松弛为线性规划问题,并利用区域缩减技术加速算法的迭代.最后给出算法的收敛性以及复杂度,数值实验表明了算法的有效性.

全局求解一类线性比式和问题的分支定界算法

针对一类线性比式和规划问题(SLR)提出一种新的分支定界算法.首先通过Charnes-Cooper变换和引进新的变量将该问题转化为等价非线性规划问题(EP).其次在给定子盒子上对问题(EP)非凸约束的凹部分进行线性近似,得到一个凸二次规划问题(SOCR).然后用所提出的算法求问题(SLR)的全局最优解.最后从理论上证明了算法的收敛性和计算复杂度,数值实验表明该算法是可行有效的.

基于改进人工蜂群算法优化支持向量机的设备故障诊断方法

为了对煤矿井下带式输送机的核心部件滚动轴承的运行状态进行精确诊断,针对故障分类方法中支持向量机存在的惩罚因子确定困难的问题,引入交叉操作和全局最优解结合的改进人工蜂群算法,构建了故障诊断模型,通过仿真分析对比了改进模型与传统模型之间的差异性,仿真结果表明,改进的诊断模型能够快速精准地识别设备故障的类型,缩短了设备故障的诊断时间,提高了井下设备故障诊断的工作效率。

基于非均衡变异离散粒子群算法的QoS全局最优Web服务选择方法

QoS全局最优的Web服务选择是NP完全问题.针对现有解决方案的不足,提出了一种改进的离散粒子群算法.该算法首先根据问题模型重新定义了粒子群算法中的位置、速度和算子操作,然后对最优粒子进行非均衡变异,并设计了非均衡变异概率函数,同时在速度和位置更新中分别采用自适应权重调整机制和局部适应优先策略.通过实验仿真,与他人工作对比结果表明,提出的算法在降低服务选择时间的同时,提高了服务选择的质量.

利用混沌搜索全局最优的一种混合算法

把共轭梯度法与混沌优化方法相结合，提出了一种混合优化算法．该算法能使共轭梯度法跳出局部最优，最终获得全局最优．算法的收敛性也进行了证明，仿真表明算法是有效的．

求解多峰性函数全局最优解的进化算法及其应用研究

本又针对简单遗传算法（SGA）在解决多峰性函数最优化问题存在的不足，提出了一种分配区间型进化算法，能够求出多峰性函数所有全局最优解及多个局部最优解。通过十几个多峰性函数与工程实例的数值实验，验证了算法的正确性。对简易海洋平台进行了疲劳可靠性优化设计为算例，取得了满意的结果。

基于全局最优的被动多传感器多目标轨迹关联算法

多目标轨迹关联问题是天基光学跟踪系统的核心和难点之一。传统的分布式轨迹关联方法基于目标的3维轨迹信息,不适用于被动传感器的2维轨迹关联问题。为此,该文以倾角差为统计检验量,建立轨迹统计检验模型,提出基于全局最优思想的轨迹关联算法,并用密集多目标场景进行算法的蒙特卡罗仿真。结果表明,该轨迹关联算法性能优良,可以有效完成密集目标环境下的被动多传感器多目标轨迹关联任务。

基于序贯修正灰关联度的全局最优航迹关联算法

航迹关联是分布式多传感器航迹融合的前提。针对融合中心无法获得目标状态估计协方差的情形,该文提出一种基于序贯修正灰关联度的全局最优航迹关联算法。该算法取消数据列的区间值化,对数据列指标绝对差进行序贯积累,对灰关联系数计算式进行可交换性修正,得到各传感器航迹间的序贯修正灰关联度,以此关联度为全局统计量进行全局最优的航迹关联判决。仿真结果表明,在密集平行编队、随机交叉目标和存在非共同观测目标环境下,该算法的性能和稳健性明显优于传统方法。

基于全局最优的快速一致性点漂移算法

目前受到广泛关注和研究的一致性点漂移(CPD)算法是一种基于高斯混合模型的点模式匹配算法,虽然该算法具有较强的鲁棒性,但其存在局部最优性和收敛速度随点集大小增加而下降等问题。针对上述问题,该文提出了一种新的基于全局最优的快速一致性点漂移算法。该算法首先将点集进行正交标准形约简,利用约简后点集的重要性质,推导出不完全观测数据的对数似然函数在全局最优解附近凸函数区域的边界值,再以该边界值为基础,采用多重初始化策略来实现全局最优。最后,提出了基于置信域的全局收敛二次平方迭代期望最大化算法,实现了全局优化算法的超线性收敛。模拟仿真与真实数据实验验证了该文算法是有效的、快速的以及鲁棒性较强的。

一个新的非圆弧滑动全局最优化算法

提出了一种新的非圆弧滑动边坡稳定分析算法,该算法直接建立在条分法的基础上。滑坡体被离散成一系列的土条之后,滑动面变成由这些土条的节点来控制。该算法的实质是随机移动这些节点,用非数值的方法如模拟退火法使滑动面的移动向潜在的最危险滑动面移动。该算法不需要设定搜索范围,不需要假定滑面形状,能够自然算出复杂几何特征和材料特性真实边坡下最危险滑动面的形状。同时由于变换过程的局部性,计算效率大为提高。计算结果表明,该算法准确找到了全局最优解,并验证了在某些情况下滑动面为圆弧状或分段直线状,或其组合形式。

基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

针对多目标粒子群优化算法全局最优位置选取存在的缺陷和局部搜索能力弱的缺点,提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进,引入拥挤距离机制,不再是粒子从档案中选择全局最优位置,而是档案成员从种群中选择合适的被引导粒子,引导种群均匀快速地向Pareto前沿飞行,提高了Pareto解的收敛性和多样性;其次当种群寻优能力减弱时,引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索,以提高算法的收敛性;最后通过与其他多目标优化算法的比较,结果表明MOPSO-GL具有更好的收敛性和分布性。

基于全局最优的生产全过程分布式预测控制

改进了基于纳什最优的分布式预测控制算法,提出了一种基于全局最优的分布式预测控制.在优化求解时考虑了各子过程间的协调.结合线性系统的动态矩阵控制(DMC)分析了算法的迭代收敛性,并与基于纳什优化的分布式预测控制算法进行了比较.仿真结果表明,算法迭代收敛于全局最优解,而不是纳什优化解.

利用偏振信息的雾天图像全局最优重构

针对雾、霾等强散射环境下相机拍摄图像严重退化的问题,提出了一种降低雾霾环境对图像质量影响的图像去雾重构方法。基于雾天偏振成像模型,分别估计图像每个区域的重构参数,获取全局最优的重构参数。利用偏振滤波的方法估计雾天大气散射光的偏振度分布,利用自适应亮通道方法计算无穷远处大气散射光的强度分布,从而重构出去雾图像。最后,利用偏振度的纹理信息对重构图像进行增强。该方法考虑了图像中不同位置大气杂散光参数的不一致性,对图像每一区域的重构参数分别运算,从而获得全局最优的重构参数图像。该方法还不要求图像必须包含天空区域,并且具有对灰度图像的处理效果较好的优点。

BP网络的全局最优学习算法

一、概述自从1985年。

全局最优引导的差分演化二进制人工蜂群算法

针对基本二进制人工蜂群算法开采能力弱、收敛速度慢的缺点,提出一种全局最优引导的差分二进制人工蜂群算法。算法仿照粒子群优化,将全局最优参数引入二进制人工蜂群算法中以提高开采能力;同时受差分演化算法中"交叉"操作的启发,提出多维邻域搜索方式,加快收敛速度。采用0-1背包问题进行仿真,实验结果表明与传统算法相比,提出算法不仅寻优能力增强且收敛速度明显提高。对于10维背包问题,提出算法的收敛速度比基本二进制人工蜂群算法提高近10倍。

一种可寻得全局最优解的改进变异算子

文献 [1]分析了典型遗传算法不成熟收敛的起因 ,据此提出了一种改进的遗传变异算子 ,计算机仿真实验证明改进后的遗传算法能有效地克服不成熟收敛 ,进而搜索到全局最优解 .