一种新的免疫克隆选择算法在多峰寻优中的应用

为了解决Castro克隆选择算法中存在的种群规模需根据经验确定、多峰搜索能力弱、训练时间长的问题,提出了一种新的免疫克隆选择算法,该算法基于一个压缩阈值和新的收敛标准,能够动态确定种群大小,具有很强的全局和局部搜索能力,可以搜索到全局最优点和尽可能多的局部极值点.与Castro克隆选择算法相比,多峰搜索的成功率提高了1.2倍、平均迭代次数减少了一半.仿真实验的结果也表明该算法在平均运行时间减少了56%的情况下多峰函数的优化效果得到了显著改善.

面向应用的快速多峰寻优算法

工程应用中的多峰寻优问题要求搜索目标函数的多个极值点,现有的多峰优化方法难以直接利用应用问题的先验知识引导算法过程,多峰寻优效率较低。基于粒子群优化算法设计一种面向应用的多峰寻优算法,能有效利用易于获得的先验参数,如峰间分辨率、峰位置精度、峰值个数等实现快速多峰搜索。该算法保持了粒子群算法的简单性并改善了搜索多样性,使其可控地收敛到多个峰值上。将该算法与几种典型的多峰寻优方法进行了对比测试和分析,结果表明,对复杂多峰函数,该算法能以最快的收敛速度实现多峰搜索。

基于多代竞争遗传的车辆配送路径多峰寻优研究

为了高效完成车辆配送路径多峰寻优任务,提出基于多代竞争遗传的车辆配送路径多峰寻优方法。设计车辆配送路径多峰寻优的目标函数与约束条件,构建开放式车辆路径优化模型,求解车辆路径优化的路径多峰寻优目标函数,引用多代竞争遗传方法,求解车辆配送路径多峰寻优模型,完成车辆配送路径多峰寻优。仿真实验结果显示:所提方法对模拟区域车辆配送路径实施多峰寻优时,4辆车的配送时间均值为47.43h、迭代次数均值为149次、寻优时间均值为2.40s,寻优时间较短,车辆配送成本较少,实际应用价值显著。

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法(QPSO)求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。

基于改进微粒群算法的快速山峰聚类法

依据样本密度使用高斯函数构造山峰函数时,削去对山峰函数贡献较小的大部分边缘,从而大大减少计算工作量;提出了一种改进的微粒群算法,使之具有多峰函数寻优能力,可以一次求出山峰函数的各个峰值,即基于改进微粒群算法的快速山峰聚类法,给出了算法的原理,步骤,快速山峰函数与常规山峰函数间的误差及计算工作量的比较.仿真结果表明,该算法计算简单快捷,可以一次求出所有的聚类中心,在满足精度要求的情况下,能够减少90%以上的计算工作量,有效地搜寻到数据样本空间的各个聚类中心,从而实现对数据样本的准确聚类.

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解,即求解多峰寻优问题,为了求解多峰优化问题,提出了改造的微粒群优化算法.尽量减少微粒群算法中的全局因素,从而增大其局部因素,同时采用变步长方法增加微粒的多样性.并给出了该算法的原理和步骤.仿真实验表明该算法概念清楚,计算简单,具有很好的局部寻优特性,可应用求解于多峰寻优问题.另外还给出了几个运算实例和与其它优化算法的比较.图表,表1,参9.

一种高性能直接型优化算法

针对边界约束函数全局最优化和多峰寻优问题,提出一种直接搜索算法。该算法通过构造一种具有特定空间结构的模式解,并设定运动规则使其具备较强的局部寻优能力,结合Monte Carlo方法用足量的模式解实现局部寻优和全局寻优。该算法对目标函数的解析特性没有特别要求,适合工程应用。与标准的遗传算法、模拟退火算法和粒子群优化算法进行了对比测试,结果表明本文算法在收敛速度和搜索精度上具有优势。

基于改进的微粒群优化算法的山峰聚类法

对微粒群算法进行改进,使之具有多峰寻优能力,并将其与山峰聚类法相结合,提出了基于改进的微粒群优化算法的山峰聚类算法(A Mountain Clustering Based on Improved PSO,MCBIPSO).文中给出了该方法的原理和计算步骤.仿真结果表明.该算法物理意义明确,用于基于密度的样本聚类时,计算简单快捷.能有效搜寻到数据样本空间的各个聚类中心.从而实现对数据样本的准确聚类.