机械臂多目标最优轨迹的自适应惩罚MOEA/D规划

为了减少机械臂的工作时间和工作过程中的冲击量,提出了基于自适应惩罚MOEA/D算法的时间-冲击多目标规划方法。介绍了PUMA560机械臂结构,并建立了机械臂的连杆坐标系。建立了以减小机械臂工作时间和冲击为综合目标的优化模型,并分析了5次多项式插值函数。通过编码和建立适应度函数,将轨迹规划问题转化为最优基因搜索问题。根据邻域内解的密度设置了自适应惩罚因子,提出了机械臂轨迹的自适应惩罚MOEA/D规划方法。经仿真验证,自适应惩罚MOEA/D算法搜索的Pareto前沿解质量高于标准MOEA/D算法、文献[10]新型MOEA/D算法。且经过优化,机械臂工作时间减少了7.68%,冲击减少了17.32%。实验结果表明,自适应惩罚MOEA/D算法在机械臂轨迹规划中具有优越性。

基于自适应惩罚的潜变量高斯图模型结构学习

采用自适应惩罚似然方法解决含潜变量高斯图模型的结构学习问题.模拟结果表明,自适应惩罚显著优于非自适应惩罚,可有效降低估计偏差,更准确地估计给定潜变量时观测变量间的条件独立性关系.

一种新的自适应惩罚函数算法求解约束优化问题

提出一种新的自适应惩罚函数法,用来处理约束优化问题.这种方法根据当前群体中可行解的比例对目标函数和违反约束条件的程度作出合适的权衡,具有结构简单、参数少等优点.把它和一个简单的进化策略结合起来,得到了一种新的求解约束优化问题的进化算法.选取几个常见的测试函数对这种新方法进行了数值实验.结果表明,所提方法能够非常有效地处理各种约束优化问题,而且具有很强的稳健性;其性能优于或相似于一些尖端的算法.

基于AEA算法的自适应惩罚函数求解约束优化及其在丁烯烷化过程的应用

提出了一种基于AEA算法处理约束问题的自适应惩罚函数法。该算法通过统计迭代种群中个体对每个约束条件违反的次数,判定各约束的强弱地位,动态自适应地调整各个约束的惩罚系数,对于强约束给予较大的惩罚系数。同时对目标函数做出了相适应区分修改,使得可行解和不可行解的目标函数值出现一定的区分,目标函数项和惩罚项趋于平衡,避免了惩罚力度过大或过小,有利于算法前期快速进入可行解区域,后期寻找最满意解。通过标准测试函数试验结果与DE+AMP、SSaDE算法进行比较,表明了提出的方法具有良好的适用性以及全局优化性能,将该方法应用于丁烯烷化过程的约束优化,取得了令人满意的结果。

基于自适应惩罚遗传算法的给水管网优化设计

针对给水管网遗传优化设计中常规惩罚函数边界约束条件存在的问题,提出了一种能根据每代计算结果自适应调节惩罚因子的自适应惩罚遗传算法,并应用改进遗传算法寻求管网投资最小的设计方案.研究表明,应用该方法能够更有效地搜索最优解,可节约工程费用2.29%～12.01%,在工程优化设计中有一定的实用价值.

一种新的自适应惩罚函数在遗传算法中的应用

惩罚函数是遗传算法中解决非线性约束最优化问题最常用的方法之一.但传统的惩罚函数运用到遗传算法中往往难以控制惩罚因子,因此本文引进了一种结构简单、通用性强的新自适应惩罚函数,并证明了其收敛性.随后构建了基于新自适应惩罚函数的遗传算法,使得种群能快速进入可行域,并且提高了遗传算法的局部搜索能力.理论分析及仿真结果表明该算法具有参数少、稳定性强、收敛快等优点.

基于自适应惩罚策略的MOEA/D算法设计及应用

基于分解的多目标进化算法(Multiobjective evolutionary algorithm based on decomposition, MOEA/D)将一个多目标优化问题(multiobjective optimization problem, MOP)分解成一系列的单目标优化子问题,然后利用相互协作的进化方式优化这些子问题. MOEA/D利用独特的分解机制促进种群逼近Pareto最优前端(Pareto optimal front, POF),同时利用均匀分布的权重向量维护种群的多样性,在解决MOPs时具有较大的优势.但是,在实际工程中,大多数MOPs的POF具有复杂的特性.比如说POF可能具有长尾和顶点,这极大地降低了MOEA/D算法的性能.基于惩罚的边界交集法(penalty-based boundary intersection, PBI)是MOEA/D常用的分解方法之一.在PBI法中,惩罚因子起着平衡算法收敛性和多样性的关键作用.本文提出了一种自适应惩罚策略(adaptive penalty strategy, APS),能够在进化过程中自适应调整每个权重向量对应的惩罚因子值,有效地增强了近似Pareto前端的多样性.最后,利用六个具有复杂POF的基准MOPs和空间桁架结构多目标优化实验验证了所提MOEA/D-APS算法的有效性.

多目标优化与自适应惩罚的混合约束优化进化算法

提出一种多目标优化与自适应惩罚函数相结合的方法来处理约束优化问题.首先利用多目标优化方法提取当前群体中的主要信息;然后进一步用自适应惩罚函数选出最有价值的信息.将这种约束处理技术与一种基于群的算法生成器模型相结合,即可得到一种新的约束优化进化算法.选取10个标准测试函数对新算法的性能进行数值实验,结果表明了所提出方法的有效性和较强的稳健性,与其他尖端算法相比得到了相似或更优的结果.

基于自适应MOEA/D的柔性车间多目标联合优化调度

为了实现柔性作业车间完工时间、机器负荷、交货延期时间、车间能耗等多个目标的联合优化,提出了基于自适应惩罚MOEA/D(multi-objective evolutionary algorithm based on decomposition)的柔性车间多目标调度方法。对具有多个生产机床、多个加工任务、多道工序的柔性车间调度问题进行了描述并建立了优化模型。给出了基于MOEA/D算法的柔性车间调度方法,针对常值惩罚因子无法满足不同邻域对收敛性和染色体多样性不同调整需求的问题,提出了能够随邻域染色体密度自适应调整的惩罚因子,并制定了基于自适应惩罚MOEA/D算法的柔性车间调度流程。在具有8个机床、8个工件共28道工序的生产调度实验中,自适应MOEA/D算法搜索的Pareto前沿解能够支配标准MOEA/D和改进NSGA-Ⅱ算法的Pareto前沿解;在等权重最优解的生产实验中,自适应MOEA/D算法调度方案的完工时间、机器负荷、交货延期时间、车间能耗均小于标准MOEA/D算法和改进NSGA-Ⅱ算法。实验结果证明了自适应惩罚MOEA/D算法在柔性车间调度中的有效性和优越性。

动态面板数据的自适应惩罚分位回归方法研究

传统均值角度下研究的动态面板数据模型会受经典假设条件的约束,将动态面板数据与分位回归数模型相结合,不仅可以解决约束问题,而且能更加全面地描述响应变量条件分布的全貌.文章引入自适应惩罚项,并应用工具变量构造了自适应惩罚的动态面板分位回归方法,证明了该方法得到的估计量具有大样本性质.同时蒙特卡洛模拟结果表明自适应惩罚的方法相较于传统的方法更加有效.文章最后对中国大中城市商品房销售价格与各地人均国民生产总值的关系进行案例分析,发现两者之间存在正反馈机制.

自适应误差惩罚支撑向量回归机

该文提出一种支撑向量回归机AEPSVR。它首先用ε-SVR求得一个近似的支撑向量回归函数,在此基础上,引入一种新自适应误差惩罚函数,通过迭代,得到鲁棒的支撑向量回归机。该方法因以ε-SVR为基础,故可以应用各种求解SVR的优化算法。实验表明,该支撑向量回归机AEPSVR能显著地降低离群点的影响,具有良好的泛化性能。

基于自适应动态惩罚遗传算法的桥梁监测无线测点优化研究

针对桥梁监测的无线测点优化布置问题,提出一种基于自适应动态惩罚函数的改进广义遗传算法。首先针对无线传感器数量固定和通信距离有限的典型特征将桥梁监测无线测点优化布置表达为约束优化问题,无线传感器的数量和极限传输距离作为优化问题的约束;其次构建了一种能够根据解的偏离程度和种群中高适应度个体数量自动调整惩罚力度的自适应动态惩罚函数;然后采用精英保存机制和末位淘汰策略对基于二重结构编码的广义遗传算法进行了改进;最后利用一大跨悬索桥对该方法进行了验证,并进一步讨论了自适应动态惩罚函数对解的有效性和收敛速度的影响。结果表明:提出的自适应动态惩罚函数能够根据种群的特征自动改变惩罚尺度,保证无线传感器之间的距离小于极限通信距离,同时将无线数据传输距离对桥梁监测信息获取的影响降到最低;改进的广义遗传算法具有很强的全局快速寻优能力,能够快速搜索到全局最优解,优化结果不仅能够满足无线传感网络数据传输距离的要求,还能最大化无线测点的信息获取能力。

基于多目标进化的超限超重货物运输专列路径优化方法

针对超限超重货物运输专列路径优化问题,引入限界改造和桥梁加固要素,以铁路运能损失、运输时间和运输费用的最小化为优化目标,构建铁路超限超重货物运输专列路径优化模型;考虑专列同时运送多件超限超重货物的特点,设计货物综合投影算法,并以Pareto支配关系框架下的NSGA-Ⅱ多目标进化算法为基础,结合基于移动不可行解的自适应惩罚函数的约束处理技术及超限超重货物运输专列开行特征,提出一种基于多目标进化的铁路超限超重货物运输专列路径优化算法。实例分析结果表明:该方法能高效合理地处理路径优化任务中的多个目标;与常用的3种约束多目标算法相比,设计的优化算法能使计算耗时降低0.24%~29.94%、超体积指标值提高4.25%~13.11%,并得到一组收敛性和多样性更好的相对最优方案。该方法克服了传统专列路径优化中单纯依靠经验或从备选方案中择优的弊端,可为铁路超限超重货物运输专列路径决策提供技术支持。

基于机器视觉和改进支持向量机的苹果外观分级检测

针对传统苹果外观品质分级存在的低效率、低精度等问题,提出了基于机器视觉和改进支持向量机的苹果外观分级方法。通过视频图像方法建立苹果色泽分级图像数据库,采用数学形态学方法把苹果从背景中分离出来,提取苹果的色泽、大小、缺陷、纹理等外观特征向量作为支持向量机(SVM)的输入特征向量;针对噪声影响较大、数据不平衡等问题,采用改进的自适应惩罚支持向量机分类器(DCSVM)进行苹果外观品质分级检测。结果表明:该分类器具有良好的分级效果(分级准确率为93.56%),优于传统的支持向量机分级模型(FSVM),验证了分级模型应用于苹果外观品质分级的有效性。

变量惩罚效应在贝叶斯分位数回归模型的应用

尽管贝叶斯分位数回归方法能够有效克服经济金融数据的尖峰厚尾、结构突变等问题,充分借鉴已有研究成果信息,但是其并不能很好解决多维变量模型的维数灾难问题。为此,文章在贝叶斯分位数回归基础上,结合自适应Lasso变量惩罚作用,构建了基于MH抽样的自适应Lasso惩罚贝叶斯分位数回归模型。通过仿真模拟实验以及MCMC链条检验,证明上述模型具有优良拟合性质,尤其是在小样本情形下。

双目视觉图像边缘区域处理的精确立体匹配

立体匹配是双目视觉系统最关键一步,其处理图像的速度和精度直接影响系统结果。针对传统SAD(Sum of absolutedifferences)算法存在较多冗余计算问题,引入线性插值法降低算法复杂度;针对光照对算法干扰,提出一种融合算法策略避免光照影响;为了提高融合算法处理图像精度,引入Sobel边缘检测算子及自适应惩罚系数约束和保护图像边缘区域;为了获取边缘信息且抵御光照变化影响,采用基于结构森林快速边缘检测及大律法(OTSU)进行图像边缘和非边缘区域的分割;针对图像边缘出现的遮挡,采用左右一致性检测(Left-rightchecking)算法,并采用引导滤波器实现边缘优化。将该算法与传统SGM(Semi-global matching)算法在Middlebury测试集进行对比实验,平均误匹配率降到7.55%以下,平均运算时间较SGM算法缩短3.5s。

半连续Bernoulli-Normal两部回归模型及变量选择

对于半连续两部回归模型,考虑到每个回归部分都会遇到大量的候选变量,此时就会产生变量选择问题。文章主要研究Bernoulli-Normal两部回归模型的变量选择问题。先提出一种基于Lasso惩罚函数的变量选择方法,但考虑到Lasso估计量不具有Oracle性质,又提出一种基于自适应Lasso惩罚函数的变量选择方法。模拟结果表明:两种方法都能够对Bernoulli-Normal回归模型进行变量选择,且自适应Lasso方法的变量选择性能往往优于Lasso方法。

基于改进粒子群优化算法的约束多目标优化

针对约束多目标优化问题,提出一种改进的粒子群优化算法,采用距离量度和自适应惩罚函数相结合的约束处理技术,通过可行解比例有效均衡目标函数和约束条件,提高算法的边界搜索能力。定义新的k最近邻聚集密度,保持解集分布性,并将聚集密度和轮盘赌选择相结合选取全局最优粒子。仿真结果表明,该算法在Pareto解集均匀性及逼近性方面均具有优势。

基于改进遗传算法的土钉支护结构优化设计

为了在保证基坑稳定性和正常使用的条件下提高土钉支护结构经济性,建立土钉支护的优化模型,并对土钉道数、土钉长度、土钉入射角、土钉间距以及土钉直径和孔径等设计参数进行敏感性分析,在此基础上合理选择各个设计参数的取值范围,为土钉支护优化提供约束条件。针对传统的遗传算法在迭代过程中出现的适应度值标定方式复杂、过早的收敛到局部最优解和在最优值附近收敛速度慢等缺点,提出采用动态自适应技术和非标准的遗传操作算子改进遗传算法的新算法。通过实例分析表明,采用改进遗传算法进行优化不仅可以大大节省求解时间,而且能够得到满意的结果。

求解非线性规划问题的一种新的通用演化算法

提出了一种新的求解非线性规划问题的算法。它是在郭涛算法的基础上提出来的 ,新算法的主要特点是引入了变维子空间 ,加入了子空间搜索过程和规范化约束条件 ,采用了自适应惩罚因子以及增加了处理带等式约束的实数规划、整数规划、0 - 1规划和混合整数规划问题的功能 ,使之成为一种真正坚韧的求解非线性规划 (NLP)问题的通用算法。数值实验表明 ,新算法不仅是一种坚韧而又通用的算法 ,而且与已有算法的计算结果相比 ,其性能也最优。