基于变异操作的蚁群算法用于连续函数优化

介绍了基本蚁群算法的数学模型,在一种新的连续空间分解方法的基础上,对信息素更新方式进行了改进,采用信息素局部更新和自适应的信息素全局更新相结合的方式,以提高算法的收敛速度。引入了进化算法中的变异操作,对寻优过程中每次迭代的最优解进行变异,增加了种群的多样性,避免算法的早熟,以提高改进后蚁群算法的全局收敛性能。实验结果表明,提出的基于变异操作的蚁群算法在连续函数寻优上有更好的收敛速度和收敛性能。

基于改进遗传算法的连续函数优化

为了进一步避免连续函数优化过程中的"早熟收敛"和"搜索迟钝",在简单遗传算法基础上提出了划分寻优区间、基于排序和最佳保留的轮盘赌选择算子,可以用来提高遗传算法的运行效率和收敛速度,达到了既能够选出最好个体又能够保证种群多样性的效果;同时采用择优交叉算子和二元变异算子,这样既保证了种群的收敛性,又可在陷入局部最优时为种群引入新基因。仿真实验表明,与简单遗传算法相比,改进后的遗传算法能有效地提高遗传算法的收敛速度和避免陷入局部最优。

连续函数优化的一种新方法-蚁群算法

针对连续函数优化问题, 给出了一种基于蚂蚁群体智能搜索的随机搜索算法, 对目标函数没有可微的要求, 可有效克服经典算法易于陷入局部最优解的常见弊病。对基本的蚁群算法做了一定的改进, 通过几个函数寻优的结果表明, 算法具有良好的效果。同时, 运用遗传算法对蚁群算法中的一些重要参数进行了寻优, 提高了蚁群算法的收敛速度。

用于连续函数优化的蚁群算法

为了用蚁群算法来解决连续优化问题,该算法将函数优化问题中生成解的过程转化为蚁群每前进一步就选择一个十进制数字并以此来生成一个十进制串的过程。与普通蚁群算法相同,蚁群在选择数字的过程中将一定量的信息记录在每条选择的路径上以改变下一次蚁群选择各个数字的概率。实验数据表明,文中的函数优化算法能比遗传算法以及其他用于连续优化的蚁群算法更快地找到更好的解。这种算法为蚁群算法求解连续优化问题提供了一种新的方法。

解复杂连续函数优化问题的动态量子遗传算法

研究了一种解复杂连续函数优化的动态量子遗传算法(DQGA)。设计一种动态量子旋转角的更新策略及量子门调整策略,以加快算法收敛速度,同时为淘汰适应度差的个体,量子旋转策略表中动态地嵌入了变异算子。在算法进化后期引入灾变算子使算法及时跳出局部最优,避免早熟收敛。五个复杂连续函数的测试实验表明:所提算法对复杂连续函数优化问题的寻优能力较QGA更强,算法的稳定性更高,算法的迭代次数亦优于传统量子遗传算法。

MEMETIC算法在多峰连续函数优化问题中的应用

根据多峰连续函数优化问题的特点,在Memetic算法的框架下,采用了爬山局部搜索与自适应多点交叉、随机变异相结合的策略对染色体群体进行优化,有效避免算法陷入局部最优,提高了算法的效率。数值计算表明Memetic算法在求解多峰连续函数优化问题上具有很好的效果。

改进和声搜索算法及其在连续函数优化中的应用

针对一般和声搜索(HS)算法在求解连续函数优化问题时存在的困难,提出一种改进的多样化和声搜索(IDHS)算法。该算法借鉴模拟退火算法的思想对参数的更新方式作出调整,并且限制保存在和声记忆矩阵中的一致和声的数量以增加解的多样性。数值仿真结果表明,与其他几种传统的和声搜索算法相比,该方法进一步提高了计算精度和收敛速度,以及全局寻优能力。

改进的蚁群算法求解连续性空间优化问题

为了克服基本蚁群算法搜索时间过长,易陷于局部最优等缺点。引入了随机算法,并提出了一种采用随机模式调整信息素的改进蚁群算法RACA(Randomized Ant Colony Algorithm)。采用随机地计算部分点的函数值,并对当前最优、次优解的部分解启用新的信息素调整规则。该算法保持了解的多样性,增强了全局搜索的能力。运算结果表明新的蚁群算法对求解连续函数优化问题有较好的改进效果。

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。

粒子群优化算法在求解平面选址问题中的应用研究

平面选址问题实质上是带约束的非线性连续函数优化问题。给出了用粒子群优化算法求解平面选址问题的过程描述,分析了算法的时间复杂度。该算法具有易克服局部最优和容易处理约束等优点,不需要进行特殊的编码和译码设计,算法实现简单。应用算例表明该算法是有效的,可以应用于类似优化问题的求解。

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.

融合粒子群优化算法与蚁群算法的随机搜索算法

针对PSO算法与蚁群算法的优缺点,提出一种融合PSO算法与蚁群算法的混合随机搜索算法。该算法充分利用PSO算法的快速、全局收敛性和蚁群算法的信息素正反馈机制,达到优势互补,将这种优化方法拓展到求解连续空间问题,并通过实例来验证该算法对于单峰、多峰函数都能取得较好的优化效果。

遗传算法计算效率的改进

根据适应值的分布 ,采用缩小、移动搜索区间的方法 ,将整体和局部寻优能力有机地结合起来 ,明显地提高了遗传算法的收敛速度和解的精度 .本文提出的方法对大范围、高精度寻优尤其适合 .最后以连续函数为例 ,说明了算法的有效性 .

结合变尺度法的改进类电磁机制算法

标准类电磁机制算法处理连续函数优化问题时存在最优参数选取和收敛速度问题.数值实验研究表明类电磁算法不具备初值敏感性,并在搜索后期算法收敛速度缓慢甚至可能出现停滞.数值实验分析指出粒子之间达成动态力平衡状态是造成算法停滞的可能原因之一,提出一种解决策略是摒弃EM算法后期搜索过程,结合变尺度法对EM算法前期搜索到的近似最优值进行二次优化.该混合计算方法将二者的优势相结合,实验结果表明新方法在保证计算实时性的同时,取得了较高的计算精度.最后,对EM算法本身构造提出一些改进意见,并初步建立用于连续函数优化的EM算法计算框架,为后续更深入的研究EM算法提供参考.

一种改进的量子遗传算法研究

针对量子遗传算法容易早熟收敛和陷入局部最优的问题,提出了一种均衡收敛性和多样性的改进量子遗传算法(IQGA),可结合小生境技术,通过使用惩罚函数修正个体的适应度来淘汰相似性高的个体,使种群具有良好的多样性,避免局部最优,同时,在进化过程中采用动态调整量子旋转角θ的更新策略,加快算法的收敛速度。实验结果表明,IQGA算法可以有效避免传统量子遗传算法早熟收敛,具有寻优能力强、收敛快等优点,适合于一般连续函数优化问题。

一种高速收敛粒子群优化算法

针对粒子群优化算法早熟问题,提出一种克服早熟的高速收敛粒子群算法.该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性;其次,在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,便随机地选择最优解任意一维的分量值,用一个随机值取代它,以扰乱粒子的当前搜索轨迹,使其跳出局部最优.大量仿真实验表明,大多数连续函数的寻优过程只需用几个粒子、迭代几十次便能完成,可实现全局寻优过程的高速收敛.

多感官群集智能算法及其在前向神经网络训练方面的应用

针对连续域函数优化问题,提出了一种新的全局极大值搜索方法———多感官群集智能算法(multi-sense swarmintelli-gence algorithm,MSA).受鱼群算法(artificial fish-swarmalgorithm,AFA)和FS算法(free search algorithm,FSA)的启发,MSA的搜索机制将大范围勘察和小范围精确搜索相结合,个体在使用视觉信息快速逼近局部较优解的同时,利用嗅觉信息避免群体过于集中并引导个体向全局较优解方向移动.仿真结果证明:MSA鲁棒性较强,全局收敛性好,收敛速度较快,收敛精度较高.最后,将该方法应用于前向神经网络训练,结果表明满足应用要求.

一种改进的多种群量子遗传算法

针对常规量子遗传算法(Quantum genetic algorithm,QGA)在求解连续函数优化问题时容易陷入局部极值,提出了一种改进的多种群量子遗传算法(Improved multi-population quantum genetic algorithm,IMPQGA).该算法将初始化种群划分成N个子种群,每个子种群按不同的量子旋转门策略更新,然后相互交换子种群最优个体,同时在算法进化中引入一种新的量子旋转门,随进化代数增加动态地调整染色体个体进化方向,使算法及时跳出局部最优,避免早熟收敛.仿真结果表明,该算法相比常规量子遗传算法和多种群遗传算法(Multi-population quantum genetic algorithm,MPQGA)具有更好的优化性能.