多目标优化算法标准测试函数寻优研究

多目标优化问题在各种领域中日益展现出举足轻重的地位。该文对6种多目标优化算法进行了测试,选择了四种不同性质的测试函数,安排了12组实验,从实验数据可以得出,NSGA-III算法在多目标优化问题中具有很好的寻优效果,IBEA算法在单目标优化问题或者是多目标问题中需要观测单个变量时能起到很好的寻优效果,CMAES算法在高值域多目标优化中能起到很好的优化作用。

异构边缘云架构下的多任务卸载算法

为在资源有限的终端设备上运行计算密集型与时延敏感型应用,同时降低系统时延和能耗,构建边缘云异构网络模型。本文提出了一种H-PSOGA多任务卸载优化算法,并通过无人机、路边单元、车辆等边缘设备以及边缘云服务器进行多任务计算卸载。该算法以先串行再并行的方式将粒子群和遗传算法结合在一起,通过适应度值排序、种群选择、多点交叉、反向变异等操作,利用遗传算法对粒子群进行优选,弥补粒子群算法早熟收敛、陷入局部最优的缺陷。6种标准测试函数的测试分析以及与基线方案进行仿真对比的结果表明:在用户数较多时,混合优化算法的系统平均开销可降低26%~43%,可以有效提高收敛精度。

基于小波基函数的差分进化算法缩放因子改进方法及应用

针对差分进化(DE)算法在求解复杂优化问题时存在收敛性和搜索能力差以及控制参数难以确定的问题,引入小波基函数,提出一种基于小波基函数的差分进化算法缩放因子改进方法.该方法采用小波基函数来改进DE缩放因子F,以保证解的多样性、加速算法收敛和提高算法性能.选择5个标准测试函数来测试改进DE算法的有效性,实验结果表明,改进的DE算法能有效解决控制参数难以确定的问题,提高了其搜索能力,获得了较好的最优解.

基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法

针对蝴蝶优化算法(BOA)收敛速度较慢和过早收敛到局部解的问题,提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法(HSSBOA)。首先,将樽海鞘群算法(SSA)引入BOA中,使算法快速处理局部搜索阶段,并更新种群位置,从而更有效地完成寻优过程,避免算法陷入局部最优;然后,引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索,从而提高算法的精度;最后,引入动态切换概率以改善搜索中全局与局部的比重,从而加快算法的搜索速度。选取10个标准检测函数进行测试,将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差(MAE)五个方面进行对比分析。研究结果表明,相较于其他算法,HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法,在求解有约束的复杂问题时,HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势,并且能够求解复杂的现实问题。

基于选择策略的简化蝗虫优化算法

针对蝗虫优化算法(Grasshopper optimization algorithm,GOA)收敛速度慢、收敛精度不高的问题,提出基于选择策略的简化蝗虫优化算法(Simplified grasshopper optimization algorithm,SGOA)。首先运用选择策略处理初始种群,有助于快速缩小算法的搜索范围。其次通过选择策略将整个种群分为精英种群和一般种群,精英种群由当前最优蝗虫指导位置更新,有利于实现算法的趋优和加速;一般种群的位置更新取决于自身位置、精英种群及当前最优蝗虫位置,有利于保持算法的稳定。为验证SGOA求解高维复杂函数的广泛适用性,选取GOA、经典的粒子群优化算法(Particle swarm optimization,PSO)、高效的灰狼优化算法(Gray wolf optimization,GWO)以及鲸鱼优化算法(Whale optimization algorithm,WOA)作为SGOA的对比算法。以上5种算法求解9个标准测试函数的统计结果表明:SGOA的收敛精度、稳定性以及寻优成功率均显著高于其他算法。

精英粒子群优化算法及其在机器人路径规划中的应用

针对标准粒子群优化(PSO)算法容易陷入局部最优的缺点,提出了一种基于标准PSO算法的新算法。该算法通过引入新的更新函数和精英选择策略,可在保持较高收敛速度的同时,降低陷入局部最优的可能性。与标准PSO算法相比较,不仅扩大了搜索空间,并且复杂度也不高。研究结果证明该算法更容易引导,而且具有更高效的全局搜索能力,展示了较高的效率和鲁棒性。将该算法用于解决机器人路径规划问题并进行了仿真实验,结果显示,与传统的方法相比,新算法在机器人路径规划问题上能获得更加准确的路径,而且计算时间可以缩短15%,比其他算法更有效。

约束处理技术及应用

利用绝对值函数的性质给出了一种约束处理方法:将不等式约束转化为等式约束,该转化无需增加任何参数;进而通过构造静态罚函数将原问题转化为无约束优化,采用全局和声搜索算法求解。该算法模拟了音乐创作中乐师们凭借自己的记忆,通过反复调整乐队中各乐器的音调,最终达到一个美妙的和声状态的过程;全局和声搜索算法嵌入了位置更新和小概率变异策略。求解13个带有约束的非线性规划标准测试函数,结果表明该约束处理方法是有效的。最后将该算法应用于求解伸缩绳设计优化问题。

一种自适应步长布谷鸟搜索算法

针对布谷鸟搜索算法(CS)后期收敛速度慢、计算精度不高等不足,提出了一种自适应步长调整布谷鸟搜索算法,加快布谷鸟搜索算法的搜索速度,提高其计算精度。通过8个标准测试函数测试的结果表明,改进后的自适应步长布谷鸟搜索算法具有较快的收敛速度和较高的寻优精度。

一种基于生物趋化的改进粒子群算法

针对标准粒子群算法进行多极点函数优化时易导致早熟收敛及陷人局部最优的问题，把生物趋化原理引入到粒子群优化算法中，改变传统粒子群优化算法只存在吸引操作而没有排斥操作的单向性，提出一种保持种群多样性的改进算法，并对其关键参数的选择进行了研究。仿真实验结果表明，与传统粒子群优化算法相比，基于生物趋化的粒子群算法对于处理复杂的多峰函数或优化问题，可显著提高算法的全局寻优性能。

基于趋利避害原则的粒子群算法研究

针对标准粒子群算法进行多极点函数优化时易导致早熟收敛及陷入局部最优的问题,把生物学中昆虫生存的趋利避害原则引入到粒子群优化算法中,改变传统粒子群优化算法只存在趋利操作而没有避害操作的单向性,提出了两种不同的保持或增加种群多样性的改进算法。仿真实验结果表明,与传统粒子群优化算法相比,采用基于趋利避害原则的粒子群算法处理复杂的多峰函数可显著提高算法的全局寻优性能。

一种新的启发式优化算法——五行环优化算法研究与分析

借鉴中国古代哲学理论所描述的系统动态平衡方法,提出了解决连续函数优化问题的五行环优化算法.首先,分析了基于五行元素生克原理而建立的五行环模型,并在该模型基础上,构建了元素空间结构以及元素更新方法等关键环节,从而实现了五行环优化算法.随后,对五行环优化算法进行了性能分析和关键参数比较,针对标准测试函数,将五行环优化算法与其他17个机制各异的启发式优化算法进行了比较,实验结果验证了五行环优化算法的有效性和通用性,也表明了其在求解连续函数优化问题上具有较好的优化性能.

智能水滴算法与SQP相混合的电力环境经济调度

电力环境经济调度对于降低发电过程中煤耗成本和污染气体排放有着重要意义。本文给出一种智能水滴算法(intelligent water drops,IWD)和序列二次规划(sequential quadratic programming,SQP)相混合求解电力环境经济调度问题的方法 (IWD-SQP)。针对SQP全局搜索弱的缺点,将智能水滴算法应用于求解连续优化问题,同时将每次迭代过程中水滴所产生的解作为序列二次规划初始解进行微调以得到更好的解。将提出的方法应用于一个10机组测试系统进行实验,与其他方法求解考虑阀点效应的电力环境经济调度问题相比,验证了IWD-SQP的可行性和有效性。

基于MATLAB的遗传算法优化软件设计

优化设计理论使工程设计方法发生了变革。其中,遗传算法理论与传统优化算法相比,具有鲁棒性、自适应性、全局优化性和隐含并行性的特点。本文基于Matlab语言编程实现了遗传算法,并设计搭建了用户界面。通过标准测试函数对所开发软件优化功能进行了测试检验,优化结果准确,操作简单方便,系统设计满足预期要求。

一种改进的θ-PSO算法

基于相位角的粒子群优化算法θ-PSO在处理一些标准测试函数时比基本的PSO算法有着更好的寻优性能,但该算法在处理一些复杂函数时,也存在不易跳出局部最小的困惑。本文在基本θ-PSO的基础上改进了相位角的更新策略,当粒子相位在到达边界时进行反弹,而不是限制在边界。为进一步提高算法的性能,对改进的算法进行了变异扰动操作,使得该算法在处理一些复杂的测试函数时,有着更好的寻优性能,能在有限步的迭代过程中,克服局部最小,到达优化目标的设定值。

一种改进的粒子群优化算法研究

针对标准粒子群优化算法存在过早收敛的不足,在对算法全局寻优和局部寻优性能分析的基础上,本文对标准粒子群优化算法的惯性权重因子采用非线性自适应的策略进行更新,提出了一种非线性自适应粒子群优化算法(NLDPSO算法),实验中分别选择单模态S函数和复杂多模态G函数对本文所提出的算法精确性、稳定性、快速性进行验证,仿真结果表明NLDPSO算法的综合寻优性能远远优于改进前算法。

基于并行结构的多种群粒子群优化算法

针对粒子群优化(PSO)算法中存在的多样性差、易早熟收敛和鲁棒性不强等缺点,提出一种基于并行结构的多种群PSO算法。并行多种群算法在基本粒子群算法的基础上,增加了分别能加速和减缓粒子移动的两种更新公式,既改善了粒子群算法种群多样性差的缺陷,又能保证算法的计算精度。采用十种典型的标准测试函数对提出的算法进行了仿真实验。测试结果表明:与基本粒子群优化算法相比,并行多种群粒子群算法收敛速度更快,运算时间更短。

基于混合搜索策略的蝴蝶优化算法

蝴蝶优化算法一种模仿蝴蝶觅食行为群智能优化算法,充分利用蝴蝶的嗅觉来确定食物源的位置上,但是该算法与其他智能算法一样,也存在一些缺点和不足如收敛速度和求解精度等方面的问题,本文提出一种混合搜索策略蝴蝶优化算法,在搜索的过程引进柯西搜索算子项使算法的局部搜索能力有所改进,最后通过标准函数测试,结果表明收敛速度和求解精度都有所提高。

粒子群优化算法

粒子群优化算法具有参数设置少,搜索速度快,易于工程实现的优点,广泛应用于神经网络训练程应用领域和随机优化类型等问题的求解。本文通过改变维度,个体数量,迭代次数三个参数,结合4个标准测试函数进行优化实验。验证结果表明,维度,个体数量,迭代次数对粒子群优化算法的优化性能影响较大。

鸡群算法的收敛性分析

针对鸡群算法建立Markov链数学分析模型,分析此Markov链的一些性质,证明鸡群状态序列是有限齐次Markov链。结合随机算法收敛准则,证明鸡群算法能够满足随机算法全局收敛的2个准则,保证算法全局收敛。将算法应用于15个标准测试函数寻优问题,并同标准粒子群算法、蝙蝠算法进行比较。实验结果表明:该算法具有较好的全局收敛性和计算鲁棒性,尤其适合高维、多峰的复杂函数求解。

一种自适应寻优的社会蜘蛛优化算法(SA-SSA)

针对标准社会蜘蛛优化算法(SSA)全局搜索能力不足、收敛速度慢等问题。提出一种自适应寻优的社会蜘蛛优化算法(SA-SSA)。在蜘蛛振动更新公式中,引入权重思想来构成振动自适应函数,动态调节最优位置的影响力,提高算法收敛速度;引入最优领域扰动策略,避免算法早熟,解决算法易陷入局部最优解的问题。在6个测试函数中进行仿真实验,结果表明所改进的自适应寻优的社会蜘蛛优化算法(SA-SSA)相较于其他群优化算法,如蝙蝠优化算法(BA)、人工鱼群(AFA)以及标准社会蜘蛛优化算法(SSA),具有更高的寻优精度和收敛速度,证明了改进策略的有效性。