基于多种群协作混沌智能算法的舰载机出动调度

为了提高舰载机的出动效率,有必要对舰载机出动调度问题进行研究,为此提出了利用多种群协作混沌智能算法求解舰载机出动调度问题。首先对舰载机出动调度问题进行数学建模,将其转换为带有约束条件的多目标函数求最优解的问题;其次建立舰载机出动调度所需基础模型,以库兹涅佐夫号航母某一典型的出动任务为例,分别利用以融合多种群和混沌局部搜索后所改进的粒子群算法(HPSO)及普通粒子群算法(PSO)为核心的方法对该调度问题进行求解;最后进行了仿真实验,结果表明,HPSO算法在收敛性、平稳性及所求解结果质量等方面都优于PSO,其求解时间和所求解结果也基本满足实际使用的需要。因此,可以利用HPSO算法对舰载机出动调度问题进行求解。

一种基于多种群协作进化的自适应差分进化算法研究

针对差分进化算法求解高维复杂优化问题存在的全局搜索能力和收敛速度不足,论文充分利用局部搜索策略、协同进化机制以及多种群进化模式,提出一种改进的多种群协作自适应差分进化(MSDPIDE)算法。MSDPIDE算法按照个体适应度的差异将个体分成不同的子种群,在多种群协同进化过程中采用局部搜索策略和协同进化机制来提高个体多样性来避免早熟收敛,保证个体之间能够进行充分高效的信息交换,以平衡局部搜索能力与全局搜索能力。通过对9个典型的Benchmarks复杂函数进行了测试,并和DE、和CADE算法进行比较,实验结果表明MSDPIDE算法能有效地避免早熟收敛,具有较高的收敛速率、较高的计算精度、较好的稳定性和较强的全局搜索能力。

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。

基于自适应分解的多任务协作型昂贵多目标优化算法

现实世界的工程优化问题通常需要同时优化多个冲突的目标,且这些目标函数的评估由于依赖仿真、物理实验而十分昂贵,这类问题被称为昂贵多目标优化问题.使用机器学习方法建立代理模型用于估计候选解的目标函数值是求解此类问题的一种有效手段.高斯代理模型适用于训练样本数较少的中小规模问题,且能提供评估的不确定性,因此常作为代理模型被应用于昂贵优化.分解是处理多目标优化问题的一种有效手段.一个多目标优化问题可被分解为多个单目标优化子问题,且多个子问题可被进一步划分为代理模型学习的一个目标任务.现有基于分解的昂贵多目标优化算法大多将固定数量的子问题静态地划分到同一任务,从而构造多个固定任务并对其建立多任务高斯代理模型进行求解.这未能充分利用数据的相关信息动态反映出任务间的相关性,限制了多任务高斯过程模型的预测精度以及优化算法的最终性能.为此,本文提出了一种自适应多任务多种群协作搜索算法(AMMCS).AMMCS使用相似性指标实时度量已评估的解集,获得子问题间的相关性,从而自适应地划分任务,提升多任务模型的预测质量.此外,AMMCS使用一个解集(种群)优化一个任务,并通过多种群的协作搜索实现多任务高斯模型的批量优化,提高了采样效率,提升了算法的收敛效率.通过AMMCS与六个代理辅助进化算法进行多组实验对比和分析,显示了AMMCS具有良好的性能.我们同时也设计实验验证了算法中自适应分解以及多种群协作搜索的有效性.

一类扩展的协作竞争模型及其定性分析

将已有文献中一类特殊的两种群协作竞争模型扩展到一般的多种群协作竞争模型。证明在一般的两种群协作竞争模型中,竞争种群在低密度时的相互协作能促进双方的共生,并能提高其环境容纳量,从而证明并拓展了已有结论;同时,完整分析一类具体的两种群协作竞争模型,证明该系统不存在周期解,并从定性与定量两方面揭示了协作关系在促进竞争者共生及环境容纳量提升方面的内在机理,深化了已有结论。

多约束非均匀线阵天线的粒子群布阵优化算法

为了有效解决孔径约束的非均匀线阵天线优化问题,提出一种动态边界计算的粒子群算法,并在优化过程中利用多种群协作提高优化稳定性。实验仿真显示,该算法可以快速得到满意解,有效地解决非线性优化中的约束问题,提高算法收敛速度和解的质量。