基于多指标精英个体博弈机制的多目标优化算法

为了改善多目标优化算法的收敛性与优化解集的多样性,缓解种群在目标空间中的坍缩,提出一种基于多指标精英个体博弈机制的多目标优化算法。利用Pareto支配关系与多指标综合筛选精英个体。将带有K-means聚类的精英个体博弈机制与交叉变异策略融合,有效提升了算法的收敛性与多样性。对算法进行了详细的收敛性分析,证明了算法的收敛性。将8个代表性的比较算法在标准测试函数上进行解集指标对比并解决实际水泵调度问题,本文算法在收敛性与多样性上优于或持平其他比较算法,验证了本文算法的有效性,在一定程度上减小了种群在目标空间中坍缩的概率。

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。

基于精英多策略的货位分配优化方法

针对智能立体仓库货位分配问题,提出一种基于精英多策略的货位分配优化方法。首先,考虑货物重量、出入库频率和出入库时间等因素,以货架重心低、出入库频率高、货物离出入库口近等为原则建立货位分配优化模型;然后,提出一种精英多策略差分进化算法,通过提取部分精英个体的信息指导变异,并根据精英个体的拥挤度变化对不同的阶段使用不同的策略,从而产生高质量的解,同时加快算法的收敛速度;最后,通过10个经典测试函数验证了所提算法的有效性,并基于该方法对某智能制造企业的成品库进行了优化,得到了满意的货位分配方案。

一种精英反向学习的花授粉算法

针对花授粉算法(Flower Pollination Algorithm,FPA)在处理高维优化问题时收敛精度低、速度慢等缺陷,提出一种基于精英反向学习的花授粉算法(Elite Opposition-Based Learning Flower Pollination Algorithm,EOBLFPA).改进的算法使用全局最优花朵的反向解更新花朵个体的位置,引导花朵个体向最优解靠近.在10个经典测试函数上做仿真实验,结果表明,EOBLFPA算法在收敛精度和收敛速度上有显著提升,寻优性能优于FPA算法和相关对比算法,并验证了其改进策略的有效性.

基于混沌权重和精英引导的鲸鱼优化算法

针对鲸鱼优化算法(WOA)存在收敛精度低和收敛速度慢的问题,提出基于混沌权重和精英引导的先进鲸鱼优化算法(AWOA)。考虑算法前期搜索的随机性对收敛速度的影响,引入精英个体引导机制,利用精英个体的进化反馈信息及时调整种群的搜索方向,加强算法的全局搜索能力。在算法后期引入混沌动态权重因子加强算法的局部搜索能力,提高算法的收敛精度,对多个基准测试函数进行对比仿真实验,结果表明:改进的鲸鱼算法具有更高的寻优性能。

基于精英学习的多路径覆盖测试数据进化生成

针对多路径覆盖测试数据的进化生成问题,提出一种基于精英学习的自适应遗传算法.进化生成测试数据的过程中,对每一个目标路径,都选出当前种群中穿越路径最接近该路径的个体作为精英个体,将选中参与交叉的个体与该个体穿越路径最接近的目标路径的精英个体进行交叉操作,有效保证子代种群性能优于父代,加快了遗传算法的寻优速度,提高了多路径覆盖测试数据生成效率.在基准测试程序中的实验结果验证了本文方法的有效性.

基于精英反向学习的改进BAS算法

针对标准天牛须算法(BAS)收敛精度不高、容易陷入局部最优值的问题,提出一种基于精英反向学习的改进BAS算法(IBAS)。首先采用天牛种群代替单一天牛个体,通过种群的精英个体指引天牛个体的搜索路径,提高种群搜索效率;然后引入精英反向学习策略增加种群的多样性,改善算法的全局寻优能力。基于8个基准函数分别在低维与高维进行仿真实验,相较于其他比较算法,IBAS算法取得了更优的寻优精度与鲁棒性。

基于多策略改进北方苍鹰算法的无人机路径规划

为实现在复杂地域和障碍环境下无人机高效、安全飞行路径规划问题,以飞行距离、转向角度、飞行高度为性能指标,以地形、空域中的障碍为约束建立了无人机三维路径规划模型.智能算法在解决高维多约束情况下无人机路径规划问题时,存在初始种群多样性差且分布不均、容易陷入局部最优解等局限性,对此提出了一种多策略改进的北方苍鹰算法(MINGO).该算法在初始化时借助Piecewise混沌映射有效地增强了初始种群的分布均匀性,借助Levy游走和随机扰动策略增强了种群的多样性和个体的质量,使算法快速且高精度的收敛,使用非线性收敛因子策略来有效平衡算法的全局和局部搜索能力,通过精英个体引导策略有效提升了算法的寻优效率.比较性的数值实验和仿真实验表明,MINGO具有更快的收敛速度和更高的寻优精度,处理复杂障碍环境下无人机三维路径规划问题具有非常明显的优势.

基于多策略改进人工蜂群算法的投资组合优化应用

投资组合问题主要侧重风险与收益的平衡,是多维优化问题,需要寻优能力强且具稳定性的算法。人工蜂群算法以其强大的寻优能力和对参数不敏感的优点而著称,因此适用于解决投资组合问题。本文结合反向学习策略、精英策略和Metropolis算法策略三种策略,对参数较少的人工蜂群算法进行改进,以解决投资组合的风险与收益平衡问题。在初始化阶段,利用Logistic映射和反向解来提高收敛速度和精度;在雇佣蜂和跟随蜂工作过程中,利用上一代精英个体的位置信息,让蜂群更好地靠近最优蜜源;最后借鉴模拟退火中Metropolis算法,重新设计侦察蜂机制,提高算法的寻优能力。实验表明,本文提出的人工蜂群EABC算法(Elite Artificial Bee Colony),具有较强的寻优能力和较高的稳定性。不管是在30维还是100维中,EABC算法对6个测试函数的测试都可以取得较高的收敛精度。最后,EABC算法在投资组合夏普比率模型的优化中,可以得到可靠的方案,较高的夏普比率。

基于改进蝙蝠算法的柔性流水车间排产优化问题研究

为解决柔性流水车间调度问题(flexible flow shop scheduling problem,FFSP),提出了一种基于精英个体集的自适应蝙蝠算法(self-adaptive elite bat algorithm,SEBA)。针对蝙蝠算法存在求解离散问题具有局限性、易陷入局部极值、优化结果精度低等问题,该算法采用ROV(ranked order value)编码方式,使算法适用于求解离散型的FFSP;提出基于汉明距离的精英个体集,由多个适应度高但相似度低的精英个体轮流引导种群进化,增强种群进化活力,避免寻优过程陷入局部极值;提出自适应位置更新机制,提高算法优化精度。最后采用不同规模的标准实例对改进算法进行测试,与已有算法进行对比,实验结果验证了改进蝙蝠算法求解FFSP问题的有效性。

基于适应度分组的多策略人工蜂群算法

多策略机制是改进人工蜂群算法的有效手段,但是现有的很多相关工作未考虑种群中不同个体的特点,一视同仁地分配解搜索方程,导致多策略机制的有效性受到限制.为此,文中提出基于适应度分组的多策略人工蜂群算法,既考虑种群中的优秀个体,又照顾较差个体.首先,根据个体适应度把种群划分为三组,每组个体都有自己的特点,能在勘探和开采之间有所侧重.然后,为每组设计具备不同搜索能力的解搜索方程,使各组能相互分工与合作,更好地平衡整体种群的勘探和开采能力.最后,为了继续维持观察蜂阶段的原有作用,设计融合全局最优个体和精英个体的解搜索方程,充分发挥优秀个体在搜索过程中的引导作用.在CEC2013、CEC2015测试集上的实验表明文中算法竞争力较强.

动态搜索协同进化的果蝇优化算法

针对基本果蝇优化算法(FOA)求解高维复杂问题时求解精度低,收敛速度慢等问题,提出一种动态搜索协同进化的果蝇优化算法(DCFOA).通过加入精英个体提高种群多样性并以一个线性递减的牵引因子诱导精英个体从算法初期就协同寻优,扩大其全局其搜索能力.当算法后期个体聚集度变大果蝇个体多样性变低,引入搜索空间压缩的搜寻策略,将目标问题的空间域动态变化为一种自适应步长,帮助算法跳出局部最优而进行深度寻优.对6个经典测试函数的实验证明,该算法可以有效避免早熟收敛,改善收敛速度,提高求解精度.

求解资源受限项目调度问题的改进布谷鸟搜索算法

针对资源受限项目调度问题(RCPSP),提出一种基于改进布谷鸟搜索(ICS)算法的高效求解方法。ICS算法设计如下:在解空间表示方面提出一种适应莱维飞行特点的任务调度顺序优先级编码方案,并采用串行调度求解该问题;为提高算法收敛速度、避免陷入局部最优解,对CS的局部搜索机制进行改进,即引入对精英个体的局部搜索策略及对首领的寿命衰老机制。最后,通过PSPLIB基准测试问题J30、J60和J90对算法性能进行测试,并与CPLEX优化结果及参考值进行比较,结果表明ICS算法较CS算法收敛更快、结果更优,调度结果理想。

基于改进DE的非等间距线阵综合

针对非等间距直线天线阵列的方向图综合问题,由于系统非线性较强,提出一种改进差分进化(DE)算法。改进DE算法的变异算子引入精英个体以加速收敛,精英个体的产生采用了随机化思想以保持种群多样性。此外,改进DE算法采用参数自适应策略来避免控制参数的调整。将改进DE算法应用到几个具有不同阵元间距约束的位置-相位综合实例中。综合的目标是降低旁瓣电平和控制给定方向的零陷。仿真结果表明,与经典的DE算法相比,改进DE算法具有较快的收敛速度,能够得到更好的综合结果。

鱼雷全弹道仿真系统性能最优设计

为了提高鱼雷摧毁水下或水面目标的效率,需解决系统中存在的强非线性、大计算量黑盒系统的优化问题,改进鱼雷性能,减少工作量。为此提出基于精英个体保留选择的CGA(Compact Genetic Algorithm)算法,并对算法中的参数设置进行了理论分析。以航程最短和脱靶量最小为目标,实现了鱼雷全弹道仿真系统性能最优设计。与传统的遗传算法相比,新算法不仅简单易实现,而且仅用不到原来一半的时间就能得到满意的结果,实现了复杂系统的快速优化。

一种基于入侵杂草算法改进的差分进化算法

差分进化算法(Differential Evolution, DE)的DE/rand/1/bin模式具有良好的全局性能,但其收敛速度慢,针对此,应用入侵杂草算法(Invasive Weed Optimization, IWO)的设计思想,研究提出一种改进的差分进化算法(Modified Differential Evolution Algorithm based on Invasive Weed Optimization, IWOMDE)。该算法依据IWO算法思想,以群体平均适应度为划分依据,将群体中的个体划分为优秀个体与较差个体,对优秀个体使其能够多进化,而较差个体少进化或者“停滞”以维持种群的多样性。仿真实验结果表明,IWOMDE算法对多峰多模态函数具有优化效率高、优化精度高的特性。

一种基于自适应模糊支配的高维多目标粒子群算法

高维多目标优化问题由于具有巨大的目标空间使得一些经典的多目标优化算法面临挑战.提出一种基于自适应模糊支配的高维多目标粒子群算法MAPSOAF,该算法定义了一种自适应的模糊支配关系,通过对模糊支配的阈值自适应变化若干步长,在加强个体间支配能力的同时实现对种群选择压力的精细化控制,以改善算法的收敛性;其次,通过从外部档案集中选取扰动粒子,并在粒子速度更新公式中新增一扰动项以克服粒子群早熟收敛并改善个体分布的均匀性;另外,算法利用简化的Harmonic归一化距离评估个体的密度,在改善种群分布性的同时降低算法的计算代价.该算法与另外五种高性能的多目标进化算法在标准测试函数集DTLZ{1, 2, 4, 5}上进行对比实验,结果表明该算法在收敛性和多样性方面总体上具有较显著的性能优势.

基于混合策略改进的社会群体优化算法

针对社会群体优化算法在函数优化问题中存在的求解精度不高和易陷入局部最优等问题,提出一种基于混合策略改进的社会群体优化算法。加入随机搅动变量,扩大搜索范围,增加种群多样性,以避免陷入局部最优。利用精英个体对全局最优解进行逐维改进,进一步提高算法的收敛速度和求解精度。仿真实验结果表明,改进算法在8个基准测试函数中比其他4种算法的求解精度更高,收敛速度更快,稳定性更强。

基于两层知识迁移的多代理多任务优化方法

进化多任务优化是计算智能领域一个新兴的研究方向,它致力于研究通过进化算法如何同时、有效地求解多个优化问题,从而提高单独求解每个任务的性能。基于此,提出了一种基于两层知识迁移的多代理多任务优化算法(AMS-MTO),其通过在代理间和代理内同时进行知识迁移来达到跨域优化的目的。具体来讲,代理内的知识迁移是通过差分进化实现决策变量信息的跨维迁移,从而避免算法陷入局部最优;代理间的学习采用了隐式知识迁移和显式知识迁移两种策略。隐式知识迁移利用种群的选择性交叉来产生后代,促进遗传信息的交流;显式知识迁移是对精英个体的迁移,可以弥补隐式迁移随机性很强的缺点。为了评估两层知识迁移的多代理多任务优化方法的有效性,在8个高达100维的基准问题上进行了实证研究,同时给出了收敛证明,并将其与现有的算法进行了对比。实验结果表明,在求解单目标优化的昂贵问题时,AMS-MTO算法效率更高,性能更好,收敛速度更快。

基于反向学习的布谷鸟算法优化搜索仿真

针对布谷鸟算法求解复杂的问题时收敛速度过低、全局效果不理想等问题,提出基于反向学习的布谷鸟算法优化搜索方法。对当前布谷鸟群体加入反向学习策略,从全局中找出精英个体,并对个体求反向解,在所得的可行解与反向解中找出最优个体作为下一次迭代的个体。将混沌扰动策略引入鸟巢位置的确定过程,扩大布谷鸟种群的多样性,提高算法整体的收敛精度和搜索能力。最后进行仿真,运用不同方法对四个函数测试的结果中可以看出,所提方法具有更优的搜索能力和收敛速度。