基于冷轧机的多智能体差分进化算法的研究

基于多智能体与差分进化算法的各自优势,提出了多智能体差分进化算法。实验结果表明,该算法具有很强的全局寻优能力及快速搜索能力。基于冷轧机的控制,采用多智能体差分进化算法优化冷轧机的PID参数,比一般优化算法优化的冷轧机控制系统的响应速度要快很多。

基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

基于差分进化算法的智能化预制厂房设备资源配置优化

优化设备资源配置,有利于提高设备利用率,减少智能化预制厂房建造成本,进而提高企业效益。以大型混凝土构件智能化预制厂房为研究对象,基于智能优化算法,根据预制构件生产流程特点,考虑工人的工作时间及各工序的连续性,构建设备资源配置最优化模型,并在双变异策略的基础上结合自适应变异算子的差分进化算法(differential evolution, DE)对模型进行求解,从而得到混凝土构件智能化预制厂房设备资源配置的最佳方案。

多智能体差分进化算法

基于多智能体与差分进化算法的各自优势,充分地将对多智能体环境的感知和反作用于环境的能力与差分进化速度和全局寻优能力有机结合,提出一种多智能体差分进化算法.引入差分进化算子以提高智能体更新速度并保持群体多样性,同时应用正交交叉算子以改善智能体协作特性确保有效竞争,并通过局部寻优算子提高算法的寻优精度.对几种典型测试函数进行了测试,实验结果表明所提出的算法具有较强的全局寻优能力.

求解总拖期时间最小化流水车间调度问题的多智能体进化算法

针对总拖期时间最小化的置换流水车间调度问题(Total tardiness permutation flow-shop scheduling problem)提出了一种基于多智能体的进化搜索算法.在该算法中,采用基于延迟时间排序的学习搜索策略(Tardiness rank based learning),快速产生高质量的新个体,并根据概率更新模型进行智能体网格的更新进化.同时通过实验设计的方法探讨了算法参数设置对算法性能的影响.为了验证算法的性能,求解了Vallada标准测试集中540个测试问题,并将测试结果与一些代表算法进行比较,验证了该算法的有效性.

组合优化多智能体进化算法

提出了一种新的组合优化方法———组合优化多智能体进化算法 .该方法将智能体固定在网格上 ,而每个智能体为了增加自身能量将与其邻域展开竞争 ,同样智能体也可进行自学习来增加能量 .理论分析证明算法具有全局收敛性 .在实验中 ,作者分别用强联接、弱联接、重叠联接等各种类型的欺骗函数对算法的性能进行了全面的测试 ,并将算法用于解决具有树状等级结构的问题 .比较结果表明文中算法所需的计算量远远小于其它方法 ,具有较快的收敛速度 .为了测试算法解决大规模问题的能力 ,作者还将算法用于解决上千维的欺骗问题和等级问题 ,结果表明该文算法的计算复杂度与问题规模成多项式的关系 .此外 ,将算法用于上千维的欺骗问题和等级问题 ,在国内外还均未见报到 .

求解动态背包问题的多智能体进化算法

针对动态背包问题,提出了一种基于多智能体的进化算法(MAEA).通过智能体相互合作地模拟生物机制特征来寻求最优解.智能体生存于网格环境中,为了增加自身能量,智能体可以与其邻域展开竞争,并依据统计信息来获得知识进行学习.为了保持种群的多样性,在算法中引入了随机移民机制.通过对一系列动态背包问题的仿真实验可以看出,在离线性能指标下,这种引入了随机移民机制的基于多智能体的动态进化算法相比几类遗传算法可以获得更好的性能.

求解SAT问题的多智能体社会进化算法

基于Agent社会合作机制以及智能体对环境的感知和反作用能力提出了一种新的求解SAT问题的多智能体社会进化方法MASEA（Multi-AgentSocialEvolutionaryAlgorithm）。该方法在多智能体进化思想的基础上，引入人类社会“关系网模型”的概念来建立智能体所能感知的邻域环境；同时在保留原有的竞争算子和自学习算子前提下，根据智能体具有竞争协作的特性，设计了一个新的算子---协作算子来共同完成整个进化过程。以标准SATLIB库中变量个数从20～250的3700个不同规模的标准SAT问题以及基于RB模型所产生的随机实例对MASEA的性能进行了全面的测试，并与其他一些具有较高性能算法的结果进行了比较。结果表明，MASEA具有更高的成功率和更高的运算效率。

链式多种群多智能体进化算法

将多种群的进化方式和链式结构的动态邻域引入到多智能体进化算法中,提出了一种链式多种群多智能体进化算法.算法设置了多种群交互的演化结构.各种群中的智能体通过与其动态邻域智能体的竞争、合作及自学习操作来增加自身的能量;动态邻域的链式结构提高了算法的效率、降低了计算复杂度;多个种群之间的信息定期以一定的方式进行交互,增强了种群的多样性,减小了算法陷入局部最优的机率.理论分析和多个测试函数的仿真结果均表明:链式多种群多智能体进化算法在求解高维优化问题上具有很好的性能.

求解装配序列规划的一种多智能体进化算法

针对求解装配序列规划的进化类算法中个体智能性不足的问题,设计了求解装配序列规划的一种多智能体进化算法。携有装配序列规划信息的智能体不仅是竞争、变异等进化操作的基本单元,同时又具有"学习"、"协作"等智能行为。实验表明,与其他各类进化算法相比,多智能体进化算法具有明显的优越性。

基于多变异个体的多目标差分进化改进算法

针对多目标差分进化算法在高维函数下收敛速度慢和易早熟的问题,提出一种基于多变异个体的多目标差分进化改进算法。通过在多目标差分进化算法的个体变异及交叉操作中,引入多个变异个体,使得在高维多目标函数情况下,多目标差分进化算法种群可以更好地保持多样性,减少种群陷入局部最优解的可能性,从而提高该算法在高维多目标优化问题环境下,最优值解的搜索速度及全局最优值解的查找能力。实验结果表明,在高维多目标环境下,与标准多目标差分进化算法相比,该算法可以更快速地找到多个目标函数组的非劣最优值解集。

用于高维函数优化的多智能体量子进化算法

基于智能体的竞争和学习能力、量子计算理论及生物进化策略,提出了一种新的优化方法——多智能体量子进化算法.一个智能体代表优化问题的一个可能解,所有的智能体都以量子染色体表示.该算法将智能体分布于多智能体网络环境中,智能体之间通过量子进化来实现竞争及学习,以提高个体的竞争能力.理论证明该算法具有全局收敛性.实验结果表明,该算法具有强的全局寻优能力及快速搜索能力.

基于差分进化算法的智能组卷方法

如何从庞大试题库中自动生成符合教学和考试要求的一套试卷是目前我国利用计算机进行辅助教学的一个重要研究内容。通过分析用户对组卷的要求和试题结构特征,构建了一个智能优化组卷新模型,同时给出了求解的差分进化算法,数值试验结果表明,所给的方法在组卷效率和质量方面具有更好的性能。

基于改进混沌差分进化算法的机体损伤区域划分

为准确高效地为飞机智能维修提供支持,提出一种基于多维灰度熵理论和改进的混沌差分进化算法的机体损伤区域划分方法。通过分析多维灰度熵的阈值分割原理,将其定义为机体损伤区域划分的适应度函数。引入Logistic混沌模型,并采用循环映射将混沌变量的值域对应至优化变量,改进混沌差分进化算法的寻优过程,提高算法的遍历性。选用不同类型的飞机机体损伤图像进行划分实验。实验结果表明,该方法划分的损伤区域图像清晰有效,且误差率低,与灰度熵穷举法相比,运算速度有明显提升,有效解决了差分进化算法中后期收敛停滞、样本点分布不均匀等问题,能够更好地满足飞机智能维修技术的要求。

求解二元约束满足问题的多智能体进化算法

基于智能体对环境的感知与反作用的能力提出了一种新的求解二元约束满足问题的方法.该方法将多智能体系统与进化算法有机地结合起来,每个智能体固定在网格的一个格点上,而它为了增加自身能量将与其邻域展开竞争.同样,智能体也可利用自身的知识进行自学习来增加能量。根据二元约束满足问题的特点,设计了智能体的竞争行为9自学习行为。为了克服已有编码万式的缺点,为智能体设计了最小冲突编码.理论分析证明算法具有全局收敛性.实验中用250个不同难度的标准问题对算法的两个参数进行了系统的分析.结果表明该算法的性能非常稳定,参数少,易于使用。与4个著名方法的比较结果表明该方法获得的解的质量是最高的,其性能优于其他4种方法。

解排列优化的整数编码多智能体进化算法

为解排列优化问题,在多智能体进化算法的基础上,提出一种整数编码的多智能体进化算法。重新定义了竞争算子和自学习算子。在网格内,智能体与周围的8个智能体构成竞争域,优胜智能体将编码段植入失败智能体,只有优胜者能获得自学习机会,自学习算子中智能体通过两种编码段换位方式来提升能量。使用本算法在旅行商问题典型数据上进行测试,与现有文献比较,表明该算法具有更好的全局寻优能力而且收敛稳定性更好。

基于迁徙差分进化算法集成的模体识别

为了克服微分进化的局部收敛问题,通过模拟游牧民族的迁徙机制,提出一种迁徙策略,将其与差分进化算法相结合,得到一种迁徙差分进化算法新范式,利用集成技术,发挥各种差分进化算法的优点,提高算法的全局搜索能力。通过生物序列模体识别实验,验证了该算法的有效性。

基于非线性跨代差分进化的花授粉优化算法及其应用研究

针对高维度变量的优化问题,本文设计了一种基于非线性跨代差分进化的花授粉优化算法.该算法利用跨代差分进化引导个体逼近最优解,使算法的局部搜索过程具备导向性,并设置非线性惯性权重提升算法的搜索收敛速度.同时,通过参数自适应调整实现缩放因子和交叉概率的动态更新,从而提高种群丰富度、减少局部解的数量,再结合跨代赌轮盘方式以降低陷入局部最优解的概率.仿真验证表明,该算法能够在不同维度测试函数下保持较好的寻优特性和稳定性,尤其在高维度测试函数下的寻优性能更好.同时,本文以工业互联网中的无人机智能巡检的路径规划为例,评估了算法在实际应用中的性能.实验结果表明该算法可以满足巡检路径规划的低成本、高效率和规避外部攻击的需求.

基于亚群和差分进化的混合蜻蜓算法

针对蜻蜓算法(DA)存在开发能力弱、种群多样性低、易过早收敛至局部最优等问题,提出一种基于亚群和差分进化的混合蜻蜓算法(HDASDE)。首先,对基本蜻蜓算法进行改进:融入混沌因子和有目的的莱维飞行来提升蜻蜓算法的寻优能力,并提出混沌跃迁机制加强基本蜻蜓算法的勘探能力;其次,在差分进化(DE)算法的基础上引入反向学习加强DE算法的开发能力;再次,利用亚群策略提高算法跳出局部最优的能力,设计了一种动态双亚群策略将整个种群划分为动态变化的两个亚群;然后使用动态亚群结构将改进蜻蜓算法和改进DE算法进行融合,融合后的算法具有较好的全局勘探能力以及较强的局部开发能力。最后,将HDASDE应用于13个典型的复杂函数优化问题和三杆桁架的设计优化问题,并与原始的DA、DE算法以及其他元启发式优化算法进行对比。实验结果表明,HDASDE在所有13个测试函数中优于DA、DE、人工蜂群(ABC)算法;在12个测试函数中优于粒子群优化(PSO)算法;在10个测试函数中优于灰狼优化(GWO)算法。并且,在三杆桁架的设计优化问题中效果较好。

基于差分进化算法的英语考试智能组卷

为保证英语大规模标准化考试质量要求和信息化建设的需要,针对传统组卷算法存在的问题,基于差分进化算法展开研究。首先,在阐明影响试卷质量指标的基础上,构建了组卷算法数学模型;然后,研究差分进化算法模型,主要针对变异、交叉和选择三种操作;最后,以组卷算法和差分进化算法模型为基础,绘制了差分进化算法智能组卷程序流程图,并对主要步骤进行了说明。差分进化算法具有原理简单、受控参数少、鲁棒性强、收敛性和稳定性好等特点,依据文中研究内容可以快速构建适合于大学英语教学和考试的智能组卷系统。