组织进化数值优化算法

基于经济学中“组织”的概念 ,该文提出一种新的进化算法———组织进化算法 ,来解决无约束和有约束的数值优化问题 .该算法与传统遗传算法、进化规划、进化策略的运行机制完全不同 ,其进化操作不直接作用于个体上 ,而作用在组织上 ,为此 ,该文定义了三种组织进化算子———分裂算子、吞并算子和合作算子来引导种群进化 .理论分析证明组织进化算法具有全局收敛性 .实验中 ,用 4个无约束和 6个有约束标准函数对算法进行了测试 ,与 3个新算法作了比较 ,并对组织进化算法的性能作了深入分析 .结果表明 ,该文算法无论在解的质量上还是在计算复杂度上都优于其它算法 .对于有约束问题 ,只用了简单的静态罚函数就得到了良好的效果 ,这表明该文算法的搜索机制非常有效 ,不易陷入局部最优 .最后 ,参数分析的结果表明该文算法具有性能稳定、成功率高。

一种变异的改进粒子群优化算法

为了解决粒子群优化算法容易陷入局部最优和后期搜索精度不高的问题,提出了带有合作算子的改进粒子群算法。合作算子和粒子运动公式的动态调整改善种群的多样性并且提高了搜索精度。从算法的收敛性、准确性和稳定性等方面对这种改进算法进行分析和实验,发现均优于标准粒子群优化(PSO)算法。

多智能体入侵杂草算法

针对标准入侵杂草算法缺乏信息共享机制的缺陷,将多智能体系统融入标准入侵杂草算法,提出了一种新的多智能体入侵杂草算法。该算法通过多智能体系统中改进的邻域竞争合作算子实现个体间信息的交流,提高收敛速率;利用多智能体系统中的自学习算子增强算法求解精度。五个基准函数测试对比分析结果表明,多智能体入侵杂草算法的求解精度、收敛速度和稳定性优于标准入侵杂草算法、粒子群算法和差分进化算法。

多智能体布谷鸟算法的网络计划资源均衡优化

网络计划资源均衡属于组合优化问题,为了能快速有效地求解此类问题,提出了一种多智能体布谷鸟算法。针对标准布谷鸟算法缺乏信息共享的缺陷,将多智能体系统引入布谷鸟算法中。多智能体的邻域竞争合作算子实现智能体间信息的交流,加快算法收敛速度;变异算子扩大搜索范围增加种群多样性;自学习算子提高局部寻优的能力;布谷鸟算法的Levy飞行进化机制能有效地跳出局部最优实现全局收敛。实例仿真结果证实了,与其他算法相比多智能体布谷鸟算法能更有效地求解网络计划资源均衡优化问题。

结合协同机制与动态调控策略的双蚁群算法

针对蚁群算法在求解旅行商问题(TSP)时出现的收敛速度慢和多样性较差的问题,提出结合协同机制与动态调控策略的双蚁群算法。首先,将蚁群根据适应度值动态地划分为导向蚁和合作蚁,从而构成异构双蚁群。其次,异构双蚁群采用协同机制平衡算法多样性和收敛速度:导向蚁在路径构建时引入传播因子,增大蚂蚁选择新路径的概率,扩大搜索范围,提高算法多样性;合作蚁受导向蚁中最优路径的引导,当路径相似度达到阈值时,启动合作算子,加快算法收敛速度。最后,引入动态调控策略,在全局信息素更新时引入自适应调控算子,对全局最优路径的信息素进行正向激励或反向惩戒,加快收敛速度的同时避免算法陷入局部最优。求解TSP测试集的实验结果表明,该算法不仅提高了解的质量,保证了算法多样性,而且加快了算法收敛速度,尤其在大规模城市问题中效果更为明显。