融合反向学习与Metropolis准则求解TSP的遗传算法

针对传统遗传算法(GA)在求解巡回旅行商(TSP)问题时,因种群多样性、后期局部搜索寻优能力不足所导致全局搜索范围受限、易陷入早熟现象与收敛速度较慢的问题,基于种群逆转遗传算法(EROGA)融合反向学习(OBL)思想,模拟退火算法(SA)的Metropolis准则与现实精英学习理念,提出一种改进的遗传算法OBLGSAA。首先在生成初始种群环节采用反向学习方式,以提升最优解的精度与收敛速度;然后采用Metropolis准则改进交叉、变异算子,以提升算法的局部搜索能力;最后引入现实精英学习理念,通过贪心轮转学习机制进一步提升GA的局部搜索能力。在多种巡回旅行商数据集的仿真实验结果表明,OBLGSAA能有效改善GA种群的多样性,使算法不易陷入早熟收敛,并在收敛性能与求解精度上相较于原始EROGA更优,验证了算法的有效性与优越性。

基于Metropolis准则的Q-学习算法研究

探索与扩张是Q-学习算法中动作选取的关键问题,一味地扩张将使智能体很快地陷入局部最优,虽然探索可以跳出局部最优并加速学习,而过多的探索将影响算法的性能.通过把Q-学习中寻求最优策略表示为组合优化问题中最优解的搜索,将模拟退火算法的Metropolis准则用于Q-学习中探索和扩张之间的折衷处理,提出基于Metropolis准则的Q-学习算法SA-Q-learning.通过实验比较,它具有更快的收敛速度,而且避免了过多探索引起的算法性能下降.

基于Metropolis判别准则的遗传算法

针对遗传算法在应用过程中出现的过早收敛问题，引入Ｍｅｔｒｏｐｏｌｉｓ判别准则对复制算子加以改进，并从理论上对遗传算法的收敛性进行分析。仿真结果证明了该算法解决过早收敛问题的有效性。

基于Metropolis遗传算法的并联机器人结构优化设计

以六自由度Stewart并联机器人的灵巧度为目标函数,以设计空间、每条支腿的最大最小长度之比和虎克铰、球铰的极限摆角为约束条件建立了结构优化模型.将模拟退火算法中的M etropolis准则引入到实值编码遗传算法的选择操作中,产生了M etropolis遗传算法,采用该算法进行了并联机器人结构优化问题的求解.通过与采用标准遗传算法得出的结果比较,证实了M etropolis遗传算法在并联机器人结构优化设计中的有效性和优越性.

基于自适应Metropolis算法的α稳定分布参数估计

基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵,使其不断地逼近目标分布,从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数,而且具有良好的鲁棒性和灵活性。

基于Metropolis-SA算法的脑部磁共振血管造影图像分割

目的利用三维Markov随机场(MRF)模型分割脑部磁共振血管造影(MRA)。方法 MRF的似然概率采用了瑞利分布和高斯混合分布函数,并利用最大期望(EM)算法精确估计出混合参数;先验概率采用Ising-MRF模型,并利用误差试探法估计出正则化参数。为避免利用迭代条件模式(ICM)进行图像分割时常陷入局部最优解,实验提出了基于Metropolis采样算法的模拟退火(SA)技术。结果实现了三维MRF的全局最优解,分割模型可分辨3个体素的细小血管。临床数据采用南方医院影像中心提供的患者TOF-MRA数据(1.5TGEMRIscanner),空间分辨率0.43mm×0.43mm×0.50mm;原始数据的像素空间大小为512×512×128;实际采用的空间大小和分辨率分别为256×256×64和0.80mm×0.80mm×1.20mm。实验对每一套临床数据采用SA、ICM、MSA算法分别进行分割比较,分割结果存在有限差异,采用15步迭代计算的时间消耗分别为1 029 s、463 s、560 s。结论实验通过三维仿真数据分割结果表明,Metropolis-SA迭代求解算法能够实现更低的全局误差,并且实际脑部MRA数据的分割与最大密度投影相比较,反映出较好效果。

联合Metropolis算法和MDL准则的密集多目标分辨算法

针对单脉冲雷达处理同一分辨单元内密集多目标回波时收敛较慢的问题,提出了一种将Metropolis算法和最小描述长度(MDL)准则相结合的密集多目标分辨算法.构建Metropolis算法中的更新函数和迭代规则,促使待估参数的不同马尔可夫链间的融合;根据融合判定规则选取抽样样本,估计出对应的目标参数;利用MDL准则实现密集目标的准确分辨.该算法不仅提升了收敛速度,而且具有较高的参数估计精度,提高了算法在多目标下的分辨性能.仿真结果验证了所提算法的有效性和可行性.

基于方差过滤的改进多通路Metropolis光线传输算法

为了解决多通路Metropolis光线传输算法启动偏差的问题,使其快速从任意分布到达稳定分布,提出一种方差过滤的改进算法.首先存储预采样阶段得到的高贡献样本;其次对样本进行方差判断;最后保留贡献高且方差小的一定数量的样本作为种子样本进入正式采样.采用不同算法在不同场景下进行实验,结果表明,在直接光照和混合光照的场景下,该算法可以更快的速度产生噪声更少的结果.

基于Metropolis准则遗传算法的企业动态联盟生成模型

为了提高动态联盟中企业选择联盟伙伴和优化过程中的效率,提出一种基于Metropolis准则遗传算法的企业动态联盟生成模型.将模拟退火算法中的Metropolis准则与遗传算法相结合,提高企业选择联盟伙伴和优化过程中的效率.1 000次仿真实验表明,标准遗传算法SGA平均需要166次才能找到最优解,而基于Metropolis准则遗传算法(MGA)平均仅需要149次就可以找到最优解.企业选择联盟伙伴和优化时,基于Metropolis准则遗传算法(MGA)可以使企业高效找到最优联盟伙伴.

一种基于Metropolis准则遗传算法的多边多议题协商

为了使得基于智能体电子商务中协商智能体最大限度地达到协商的满意解,甚至最优解,并且提高协商的效率,提出将基于Metropolis准则的遗传算法应用于基于智能体电子商务的多边多议题同时出价的协商当中.经过1000次的实验数据表明,简单遗传算法平均需要155次才能达到协商的最优解,而基于Metropolis准则的遗传算法平均需要76次就达到协商的最优解.这个结果表明,基于Metropolis准则的遗传算法可以使得多边多议题协商中的智能体高效达到协商的最优解.

基于Metropolis准则的BP神经网络学习算法研究

本文针对BP神经网络训练学习过程中 ,连接权在调整时容易陷入局部极小使得进一步调整失去作用的问题 ,提出了一种有助于提高BP神经网络逼近精度的方法———基于Metropolis准则的神经网络学习算法。该算法整体采用传统的BP算法 ,但在一定条件下依据概率进行连接权的调整 ,使权值以一定的概率跳跃 ,跳出局部极小区 ,最终达到全局极小。

一种基于Metropolis抽样准则的蚁群算法的信息素更新策略

针对蚁群优化算法的关键步骤——信息素轨迹更新过程进行了分析。在理论证明和实验验证的基础上,针对此过程提出一种基于Metropolis接受准则的信息素更新策略,并通过引入一种非齐次的模拟退火方法有效地减少算法在早期落入较差解的可能性。在系统温度较高时,算法将以较大的概率接受不同的解,进行广泛的试探,能够有效地避免算法初期陷入较差解的状况;当系统温度较低时,将以小概率接受不同的解,在算法的后期将搜索集中到迄今最优解的邻域中,保证了算法收敛的同时减少了算法的收敛时间。同时将基于Metropolis接受准则的信息素更新策略和已有的信息素更新策略在4个不同规模的TSP问题上进行对比实验,试验结果也证明了本文策略的有效性。

基于优化算法量子动力学框架的势垒估计准则

量子动力学框架(QDF)是在优化算法量子动力学模型下得到的具有代表性和普遍意义的优化算法的基本迭代过程,差解接受是避免优化算法陷入局部最优、解决算法早熟问题的一种重要机制。为了在QDF中引入差解接受机制,以量子动力学模型为基础将差解视为粒子运动过程中遇到的势垒,利用量子隧道效应中的透射系数计算粒子穿透该势垒的概率,从而得到量子动力学模型下的差解接受准则:势垒估计准则(PBEC)。PBEC与势垒高度和宽度、粒子的质量均有关系,比经典的Metropolis接受准则更能全面地估计优化算法采样时遇到差解时的行为。实验结果表明,基于PBEC的QDF算法相较于基于Metropolis接受准则的QDF算法,在求解函数过程中算法跳出局部最优的能力更强、搜索效率更高,表明PBEC在量子优化算法中是一种可行且有效的差解接受机制。

改进蚁群算法的森林防火移动机器人路径规划

为解决森林防火移动机器人在森林地形条件的最优路径规划问题,提出一种基于拓展邻域的改进蚁群算法。首先引入定向邻域拓展策略,并将搜索邻域从8个拓展至10个拓展,以求扩大搜索效率与范围;然后综合考虑影响移动机器人的多种因素,利用路径长度和能耗改进启发函数;接着通过位置信息改进初始信息素;最后结合最大-最小蚂蚁系统(MMAS)和精英蚂蚁等算法模型的优点,改进信息素更新规则。结果表明,所提出的改进蚁群算法与传统蚁群算法、基于多启发因素的改进蚁群算法相比,路径长度分别缩短7.66%、6.53%,能耗指标分别下降62.2%、49.3%,综合指标分别下降32.6%、23.1%。研究显示所提出的改进蚁群算法具有更强的全局搜索能力和较好的应用价值。

基于多重尝试Metropolis算法的非线性DSGE模型贝叶斯推断

本文提出一种改进的多重尝试Metropolis算法,用于非线性动态随机一般均衡模型的贝叶斯参数估计和模型选择。多重尝试策略通过每次迭代抽取多个尝试点的方法来提高算法的混合速率,新方法中提出使用近似的方法提高计算速度,并通过接收概率调整偏差。数值实验表明新方法在相同的计算时间内具有更高的估计效率。最后,本文比较了具有不同货币政策设定的模型对中国经济数据的拟合效果,发现中国数据更加支持具有时变通胀目标的模型。

铝合金铸造工艺的Metropolis准则蜂群算法优化

为了提高铝合金铸件质量和铸造效率,提出了基于Metropolis准则蜂群算法的参数智能优化方法。分析了铝合金低压铸造原理,使用Anycasting有限元分析法模拟了铸造过程,获得了不同实验条件下的仿真值。使用单隐藏层神经网络分别拟合凝固时间、缩松面积与工艺参数间的非线性关系,得到了拟合精度较高的网络模型。以减少铸件的凝固时间和缩松面积为目标,建立了工艺参数优化模型。以传统蜂群算法为基础,提出了观察蜂对蜜源的动态选择策略和蜜源的Metropolis准则评价策略,使蜜蜂不仅选择最优蜜源,同时保留有潜力蜜源,从而给出了基于Metropolis准则蜂群算法的参数优化方法和步骤。经验证,Metropolis准则蜂群算法优化的铸件缩松面积比传统蜂群算法优化结果减少了24.16%,凝固时间缩短了3.32%,说明铸件质量和铸造效率得到了提高。经实际加工验证,Metropolis准则蜂群算法优化后的铸件显微组织分布均匀,硬度满足性能要求,可以应用于实际生产。

基于S-RRT算法的机械臂全局轨迹规划研究

针对传统快速拓展随机树(RRT)算法在全局轨迹规划中存在的冗余节点、随机性强、收敛速度慢、探索路径不平滑等问题,提出一种S-RRT算法。S-RRT算法引入人工势场法中的势场思想,对快速拓展随机树算法与人工势场法进行融合。利用快速拓展随机树算法的随机抽样属性解决人工势场法中存在的局部最小问题,同时避免快速拓展随机树算法的复杂度和路径搜索随机性问题。改进空间采样范围,防止快速拓展随机树算法的随机采样点频繁出现在已经探索的路径上,提高空间搜索效率。优化搜索步长,在探索初期能迅速收敛到目标点,并根据迭代次数不断减小探索点到目标点的步长。对规划的路径进行平滑处理,减少不必要的路径和节点,减小节点与节点之间因角度过大对机械臂关节造成的影响。基于S-RRT算法对机械臂全局轨迹规划进行研究,在多个障碍物的环境中进行仿真验证,S-RRT算法的搜索效率显著提升,节点的利用率也明显提高。

基于AGD-RRT算法的机械臂路径规划

针对RRT(rapidly-exploring random tree)算法在进行机械臂路径规划过程中存在的拓展导向性差、冗余节点多、路径质量差等问题,提出了一种基于AGD-RRT(adaptive goal-directed RRT)的算法。首先,该算法构建了一种动态的目标偏向概率函数,实时调整对目标点进行采样的概率以达到自适应目标导向的效果,减少了无用节点的生成,提高了收敛速度。其次,采用贪婪收敛策略,防止了随机树在目标周围时的盲目扩张。搜索结束后,采用节点剔除法剔除路径中的冗余节点,并用B样条曲线对轨迹进行平滑处理,提高了路径质量。然后在二维、三维环境中进行了对比仿真实验,验证了该算法的可行性与优越性。最后进行了样机实验,验证了所提算法在机械臂关节空间进行路径规划的可行性。

对模拟退火算法的衰减函数T和MetrOPolis准则的改进

首先简单介绍了模拟退火算法的基本原理及其优点,然后详细描述了退火过程算法和MetroPolis准则,最后给出对MetroPolis准则和衰减函数T的改进方法.

Monte-Carlo法模拟二维Ising模型——Metropolis、Swendsen-Wang与Wolff算法的对比

Ising模型是一种应用广泛的磁自旋相互作用模型,其二维情况严格求解极为复杂,实际应用中通常利用Wolff算法进行模拟.Wolff算法目前被认为是最好的聚类翻转Monte-Carlo算法.Metropolis和Swendsen-Wang算法同Wolff算法类似,理论上也适用于Ising模型的模拟,却未有文章将三者系统对比来说明Wolff算法的优越性,本科课程对于Monte-Carlo算法的介绍也较少.本文分别利用三种算法模拟了二维Ising模型,介绍了其算法原理、参数选择及实现方式,分析对比了三种算法的模拟效果和适用范围,从而总结说明在二维Ising模型的模拟中Wolff算法效果更好的原因.