求解多目标规划问题的一种新的群体搜索算法

针对带有边界变量的多目标优化问题,提出一个新的随机群体搜索算法,该方法在可行域内随机选取N个样本点,把每个样本点看成带电粒子,根据不同目标函数,分别定义其电荷,针对每个样本点根据不同目标函数按照电磁学原理计算出合力,然后把各个合力线性加权作为该点搜索方向,以便求得新的群体.最后,把给出的算法应用到两个实例中,并与遗传算法、蚁群算法进行比较,数值结果表明算法是可行的和有效的.

基于群体搜索的串行蒙特卡罗反演方法的并行算法(英文)

随着并行计算技术的发展,非线性反演计算效率在不断提高,但对于基于单点搜索的非线性反演方法,其并行算法的实现则是一个难题。本文将群体搜索的思想引入到基于单点搜索的非线性反演方法,构建了并行算法,以量子蒙特卡罗方法为例进行了二维地震波速度反演及实际资料波阻抗反演,并测试了使用不同节点数进行计算的效率。计算结果表明:该并行算法在理论和实际资料反演中是可行的和有效的,具有很好的通用性;算法计算效率随着使用节点数的增加而提高,但算法计算效率的提高幅度随着使用节点数的增加逐渐减小。

基于社会群体搜索算法的机器人路径规划

机器人学是现在及未来科技发展的重点,路径规划是机器人学中的一个重要课题.生物界一些群居动物有严格的等级制度和职责分工,受社会群居动物行为启发,提出社会群体搜索算法(social group search algorithm,SGSO).社会群体搜索算法对群体的分类及信息反馈机制——领导-追随机制的制定,降低了早熟的概率,交叉变异和淘汰机制的引入增加了搜索范围,减少了陷入局部最优的可能.同时,对提出的社会群体搜索算法进行了分析,从理论上证明了算法的收敛性;将社会群体搜索算法应用于机器人路径规划进行仿真,从实验中验证了算法的有效性,并与遗传算法和粒子群算法比较,进一步证明了社会群体搜索算法在机器人路径规划问题中的有效性和高效性.

动态区域性多群体搜索的遗传算法(英文)

提出了一种新的动态区域性多群体搜索的遗传算法 .该方法的各个遗传群体所占据的搜索空间由自适应模糊Hamming神经网络的决定 ,此神经网络通过对遗传个体分类和学习 ,将不同的遗传群体分配在搜索空间的不同位置 ,并可以动态地调整遗传群体的搜索区域或建立新的遗传群体 ,从而确保了遗传群体的个体多样性 ,有效地抑制了可能发生的早熟收敛现象 ,而且使得遗传算法具有较强的全局寻优能力和快速局部寻优能力 .本文的实验通过对典型的复杂多模函数的优化计算 。

求解能耗成本平衡的分布式阻塞流水线调度群体迭代贪婪算法

在经典分布式流水车间调度问题基础上,本文构建了具有序列相关准备时间的分布式阻塞流水线调度问题(DBFSP SDST)的混合线性整数规划模型(MILP),以均衡各工厂能耗成本为优化目标,提出了基于群体优化的迭代贪婪算法(PEIG).该算法针对零缓冲区和多工厂生产模式,设计了问题特性的启发式方法;针对迭代贪婪算法(IGA)的优势和不足,提出了基于群体的局部搜索策略、多邻域搜索结构和增强的跨工厂破坏重构方法,以进一步平衡所提算法的全局探索和局部搜索能力.通过270个测试算例的数值仿真,以及与最新4种代表算法的统计比较,本文验证了所提PEIG算法的优越性,能为中大规模的DBFSP SDST提供更优的调度方案.

求解模糊作业车间调度问题的群体邻域搜索算法

本文提出一种群体邻域搜索算法(Swarm-based Neighborhood Search,SNS),用于最小化模糊作业车间调度问题(Fuzzy Job Shop Scheduling Problem,FJSSP)的模糊makespan.该算法使用基于有序工序的编码,通过锦标赛选择和概率为1的动态调整互换操作更新群体.对调度结果的理论分析表明,模糊makespan能反映解的优劣.理论分析及大量实验证明,SNS具有较强的全局和局部优化能力,以及较快的收敛速度,在求解FJSSP方面具有较强的优势.

带局部搜索的动态多群体自适应差分进化算法及函数优化

提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.

基于一般反向学习的群体随机搜索算法框架

通过研究群体随机搜索算法解的迭代过程机制,提出区域变换搜索模型.结合反向学习(OBL)概念,提出了一般反向学习(GOBL)策略,并构造了基于一般反向学习的群体随机搜索算法的框架.理论分析证明,当父体算法收敛时,基于该算法和一般反向学习策略构造的算法也是收敛的.

基于群组的个性化搜索算法研究

个性化搜索力求为用户提供最贴切的搜索结果,当前个性化搜索的挑战在于无法搜集足够的用户信息.对于用户信息不足的问题,一个有效的方法是利用具有相同搜索目的的其他用户的数据.通过挖掘搜狗提供的搜索日志,研究各种群组.提出了一种基于对IP地址聚类来扩充目的用户信息的个性化搜索算法,在提高搜索体验方面做了有效的工作.对应于传统的"个性化搜索",称之为"群体搜索".通过对用户的搜索行为进行分析验证,本算法在提高个性化搜索的效果方面是可行的、高效的.

基于深度学习的螺旋桨水动力性能快速预报方法

为实现螺旋桨水动力性能的快速、精确预报,基于改进的残差连接神经网络建立了一套螺旋桨水动力性能预报模型.残差连接方式大幅提高了模型深度,结合Inception结构从不同尺度同时提取数据特征,利用深度可分离式卷积减少模型参数,基于螺旋桨几何参数和模型试验结果构建训练深度神经网络所需的样本空间;提出一种改进的群体天牛须算法对模型的初始权重与阈值进行优化,进一步提高其预报精度.研究结果表明:改进的群体天牛须算法显著提高预报模型的精度并解决了过拟合问题,预报结果与试验值吻合良好,对数据集外螺旋桨的预测性能与CFD法基本一致.模型的普适性极佳且计算周期极短、效率高,满足实时、准确预报螺旋桨敞水性能的要求.

园区综合能源系统多时间尺度优化

园区综合能源系统(PIES)是生产、传输、储存和消耗过程中耦合多种能源的一体化能源系统,能够提高一次能源利用率,具有节能、环保、高能效的显著优势,是早日实现“碳达峰、碳中和”目标的重要途径。基于此,文中建立一种基于需求侧响应的园区综合能源系统的多时间尺度分层优化模型,考虑负荷与可再生能源的不确定性,采用蒙特卡洛方法处理不确定性优化问题。通过引入自适应参数设置和改进群体搜索算法(GSO)的领头者搜索策略,提高GSO算法的性能,使其能适用于PIES的大规模非凸的非线性优化问题。算例结果表明:改进的GSO算法能够提高搜索效率并有效避免陷入局部最优解,具有良好的全局求解性能;在不确定性情况下,采用蒙特卡洛方法,基于综合能源需求侧响应技术的多时间尺度优化可以有效降低PIES成本,降低系统能源损耗,且所提优化策略具有一定的随机性抵抗能力。

多目标演化算法的收敛性研究

基于群体搜索的演化算法求解多目标优化问题有独特的优势 ,多目标演化算法已有的研究大多为算法的设计和数值试验效果的比较 ,理论研究往往被忽视 .该文讨论了多目标演化算法的收敛性问题 ,针对一种网格化的简单易于实现的多目标演化算法模型定义了多目标演化算法强收敛和弱收敛等概念 ,给出了判断算法收敛性的一般性条件 ;在变异算子为高斯变异、目标函数连续的条件下 ,证明了提出的算法强收敛 .数值实验验证了算法的可行性和有效性 .

基于遗传算法的高压长线路双端故障测距研究

为提高高压长线路故障定位的准确度,提出了一种基于遗传算法的故障定位新方法。该方法基于线路分布参数模型,按照故障线路两端沿线向对端推得的故障点电压幅值相等的原则列写故障测距方程,并通过相量法对电压分布函数的单调性进行分析,得到伪根判别法则的数学表达式;引入遗传算法求解故障测距方程,采用群体搜索和多父体重组策略,自适应和容错能力强且能够保证解群搜索的遍历性和快速性;在一次搜索中算法可求得故障距离的多个解,有利于伪根的判别。ATP仿真结果和实际应用证明了该方法不受过渡阻抗、故障类型及不同步角的影响,计算速度快且精确度高。

遗传算法对约束优化问题的研究综述

1引言 工程、数学等领域经常遇到大量的约束优化(或非线性规划)问题,需要对约束条件进行处理.目前,还没有一种通用的传统优化方法,能够处理各种类型的约束.相比,遗传算法(GA)在这一领域,比其它方法更有巨大优势和应用潜力.遗传算法的群体搜索策略和不依赖梯度信息的计算方式,使得它在处理约束优化问题时比传统搜索算法通用和有效[1].

AI优化模糊核聚类算法的变压器DGA分析

针对模糊聚类及核聚类算法在电力变压器DGA分析中存在的初值敏感及易陷入局部极值点的问题,提出了一种人工免疫优化模糊核聚类的新算法。该算法将基于克隆选择原理和亲和力成熟的免疫克隆算法与模糊核聚类算法相结合,采用群体搜索策略,将待分类的数据对象视为抗原(Ag),把聚类中心看作抗体(Ab),通过免疫系统不断产生抗体,识别抗原来优化FKCM的目标函数,能快速地获得全局最优解。仿真结果证明了该算法在变压器故障诊断上的可行性和有效性。

细菌觅食算法求解二次分配问题

为有效解决二次分配问题,提出了一种基于群体搜索的群智能优化算法—细菌觅食算法。算法模拟了细菌觅食全过程,并将细菌个体信息与探索细菌群体信息进行结合,采用了群体搜索策略进行局部寻优。该策略有效的避免了算法陷入局部最优,而算法中采用的自适应搜索步长,进一步提高了优化的收敛速度。实验结果表明,用细菌觅食算法解决二次分配问题,并将仿真结果与其他算法进行比较,表明了该算法的搜索质量优于其他算法。

区间粒子算法与线源反问题求解

目前国内外对线源反问题数值求解尚没有一种成熟有效的算法。本文在研究区间搜索算法基础上,提出了一种新的求解算法—区间粒子算法(Range Particle Algorithm)来求解线源反问题。首先简要介绍了线源反问题的求解特点,并根据线源方程建立了反问题求解的目标函数;其次基于该目标函数,设计了区间粒子算法来求解,探讨了算法实现的基本步骤和参数调整问题;最后通过模拟数据和实测数据分别检验了该算法求解的效果,结果表明区间粒子算法求解精度高、收敛速度快和计算稳定,在线源反问题数值求解中是适用的。

求解函数优化问题的两种异步并行算法

对子空间搜索法 (一类多父体重组搜索策略 )与群体爬山法相结合的一种随机搜索新算法即郭涛算法的特点进行了分析与实例验证 ,并在此基础上提出两种异步并行算法 ,以适应各种类型的并行与分布计算环境 .以Bum p函数的优化问题为例在超级并行计算机上作了并行数值试验 。

群体区域搜索算法

借鉴自然界群居生物的搜索行为模式,提出一种群体区域搜索算法.该算法在优化过程中逐步收缩个体搜索半径并进行适度随机调整,引入巡游追随机制,以一种简单而自然的方式有效地实现了算法广域探索能力与局部开发能力之间的平衡.算法结构简单、易实现,易与其他算法相结合.通过6个典型测试函数的实验结果表明,该算法全局优化能力强、收敛精度高、稳定性好、总体性能优,适用于复杂函数优化问题的处理.

自适应果蝇优化算法

为了进一步提高果蝇优化算法(FOA)的性能,提出了一种自适应果蝇优化算法(SAFOA),设计了果蝇搜索群体模型,给出了一种自适应搜索步长搜索算法。仿真结果表明,相比FOA算法和递减步长果蝇优化算法(DS-FOA),SAFOA收敛速度较快,全局搜索与局部寻优能力强,并能到达高的收敛精确度。