PSO的向量整体修订策略和局部跳出策略

针对传统PSO方法对CEC2005(The 2005 IEEE Congress on evolutionary computation)中的25个benchmark函数搜索效果较差的问题,提出了'向量整体修订'和'局部跳出'两种改进策略。改变PSO方法中粒子在每一维上的修订相互独立的传统机制,按某一概率将粒子作为整体进行修正,当群体最优长时间不变或变化值小于一定阈值时,为跳出局部最优,按某一概率重新定义群体最优或初始化群体。通过实验证明了改进后的PSO方法对CEC2005中的测试问题的有效性。

改进灰狼优化算法的研究

针对原始灰狼优化(Grey Wolf Optimization,GWO)算法在寻优过程中存在求解精度欠佳,后期极易陷入局部最优和收敛速度下降等多种问题,文章研究了改进的灰狼优化(Improve Grey Wolf Optimization,IGWO)算法。改进算法从改变参数和搜寻机制入手,采用对灰狼当前最优个体进行混沌扰动的初始化策略和随机控制当前不处于最优解范围个体的跳出局部最优策略,以提高其收敛速度和寻优精度。为验证算法实用性,文章采取9种基准函数测试IGWO算法的可行性,数据结果分析表明,该算法能够明显提高收敛速度和收敛精度,且效果均显著优于其他元启发式算法以及原始的GWO算法,可见在求解最优参数方面,IGWO算法具有较高的应用价值。

面向异构多背包问题的多级二进制帝国竞争算法

在传统多背包问题的基础上,从典型物流服务场景中共性抽象出异构多背包问题(HMKP),并设计和定制了一种帝国竞争算法(ICA)对HMKP进行求解和评估。针对原始ICA易陷入局部最优以及0-1背包问题最优解往往在约束边界周围的特点,设计了双点自变异策略(TPAS)和跳出局部最优算法(JLOA)对ICA进行改进,提出面向0-1背包问题的二进制帝国竞争算法(BICA)。BICA在求解35个0-1背包问题算例时展现出了全面、高效的寻优能力,基于最佳匹配值法(BMV)的BICA在第一组测试集的20个算例上能对19个算例100%找到理想最优值,在第二组测试集的15个算例上能对12个算例100%找到理想最优值,在所有对比算法中表现最优。数值结果分析表明,BICA在寻优演化中维持多极发展策略,并依托独特的种群进化方式在解空间中高效搜索理想解。在此基础上,针对HMKP强约束性和高复杂度的特性,基于BICA设计了求解HMKP的多级二进制帝国竞争算法(MLB-ICA)。分别在多个典型0-1背包问题算例组合构建的HMKP高维测试集上进行了MLB-ICA的数值实验和性能评估,结果表明虽然MLB-ICA的求解时间比Gurobi长,但求解精度提高了28%。可见,MLB-ICA能以较低的计算代价在可接受的时间范围内高效求解高维复杂的HMKP,为ICA在超大规模组合优化问题中的求解提出了可行的算法设计方案。

基于人类社交行为的动态多目标优化

为了提高多目标微粒群优化算法处理多目标优化问题的性能,降低计算复杂度,改善算法的收敛性,提出了一种基于人类社交行为的多目标动态微粒群优化算法。考虑到粒子寻优过程受到环境中精英粒子与平庸粒子的影响,分别对自身产生推力与阻力作用,并引入局部跳出策略,使算法具有很强的全局搜索能力和较好的鲁棒性能。通过典型的多目标优化函数对算法进行了测试验证,结果表明提出的多目标算法具有较快的收敛速度和较强的跳出局部最优能力,性能优越,可供许多领域优化问题求解借鉴。

面向带时间窗车辆路径问题的PGSA算法优化

VRPTW问题是带时间窗约束的车辆路径问题,该问题的求解通常被应用到物流的路径规划环节,现实意义突出,属于NP难题,计算量随问题规模增大呈指数增长。PGSA算法是模拟植物生长信息和分支模式的启发式算法,被用于求解组合优化问题。本文以配送总路程最短为目标构建VRPTW问题的约束模型,在原始PGSA算法的基础上,使用双阶段的搜索方案,提高初始解的质量,设计有向生长机制和局部解跳出机制更改原算法生长点的生长策略,提高了PGSA算法的搜索效率。通过在标准数据集上的实验分析,改进后的PGSA算法相比原始PGSA算法,能达到更好的收敛结果,求解效率更高,是一种有效的求解方法。

受春秋战国史实启发的帝国竞争改进算法

针对帝国竞争算法过早收敛导致的求解高维函数时易陷入维数灾难的问题,受我国春秋战国时期诸侯国争雄称霸史实启发,提出了一种改进的帝国竞争算法。首先,在初始化国家阶段引入“合纵连横”竞争机制,以增强信息交互,保留较优种群;其次,在帝国同化过程中借鉴由国家各层面逐步渗透同化的殖民统治策略,以提升算法的开发能力;最后,加入判断并跳出局部最优的机制,避免“早熟”影响寻优性能。仿真实验中,利用8个经典标准函数验证改进算法的寻优能力、收敛速度及高维函数适用性,并对比分析三种跳出局部最优的方案;此外进行CEC2017测试函数实验,选取近年来在算法改进研究领域具有代表性的5种先进算法和所提改进算法进行比较,结果显示改进算法的寻优精度较高并且稳定性较强;而经Kendall相关系数分析可知,改进算法与原始算法在寻优性能上具有显著差异并且同化改进措施在性能提高中的贡献度最大。

一种随机可达的变异搜索机制

一些经典随机优化算法如遗传算法、差分算法等变异机制存在不足,导致算法全局搜索能力不高,迭代次数、运行时间等指标数值较大。为此,提出一种有效的变异设计机制,即持续存在满足变异概率下子代个体在给定搜索空间内随机可达,进而提高搜索能力和优化精度。通过对比实验得出,该机制可有效提高算法的稳定性,改善搜索能力,同时增加找到最优解的机会,即在后期种群趋同后仍具有跳出局部的能力。