基于动态分级策略的改进正余弦算法

针对正余弦算法存在易陷入局部最优、求解精度不高、收敛速度较慢等问题,提出一种基于动态分级策略的改进正余弦算法。首先,引入拉丁超立方抽样法,将搜索空间均匀划分,使初始种群覆盖整个搜索空间,以保持初始种群的多样性。其次,采用动态分级策略,根据适应度值的排序情况,将种群动态划分为好中差3个等级,并应用破坏策略与精英引导方法对其进行扰动,以提高算法的收敛精度,增强跳出局部最优的能力。最后,引入反向学习方法,设计了动态反向学习全局搜索策略,以提高算法的收敛速度,同时对改进算法在复杂度、收敛性和稳定性方面进行性能测试,选取15个标准测试函数在低维和高维状态下进行仿真实验分析,并与粒子群算法、回溯搜索算法和其他改进正余弦算法进行比较。仿真分析结果表明,所提算法有效地提高了算法的收敛性和稳定性。

仿生策略优化的鲸鱼算法研究

通过对混沌映射初始化种群和自适应调整搜索策略对鲸鱼优化算法(WOA)改进,提出了仿生策略优化的鲸鱼算法(BWOA),实现了对算法的全局优化能力和收敛速度的改进。通过基准测试函数的仿真,BWOA与标准WOA及高效的WOA(EWOA)对比分析,证明了BWOA的有效性。

基于维度学习狩猎搜索策略的改进灰狼算法

针对基本GWO存在的早熟收敛、精度低等问题,提出了一种维度学习狩猎搜索策略的改进灰狼算法。首先,引入PWLCM映射—准反向学习策略对种群进行初始化,增强个体对解空间的搜索能力;其次,通过改变收敛因子和变权重的搜索方式求出第一候选个体位置,最后引入维度学习狩猎搜索策略寻找第二候选个体,通过比较选择最优的灰狼位置。为验证该算法的优异性,选取9个测试函数进行仿真实验,结果表明,提出的改进灰狼算法具有很好的稳定性和收敛精度。

基于人工智能的医疗物资调度优化决策方法

为了快速、合理地完成医疗物资的分配,并有效地提升医疗物资调度效率,提出了一种基于增强型鲸鱼算法的医疗物资调度优化方法。该方法通过改进种群初始化、位置更新策略以及预防陷入局部最优等方面,有效提高了搜索效率和全局搜索能力。在实例应用中,将该算法与粒子群算法、遗传算法以及鲸鱼算法进行了比较。实验结果表明,增强型鲸鱼算法在不同优化目标下表现优异,总成本最低达到33.02万元,总耗时最少为85.67 h。

改进灰狼优化算法的研究

针对原始灰狼优化(Grey Wolf Optimization,GWO)算法在寻优过程中存在求解精度欠佳,后期极易陷入局部最优和收敛速度下降等多种问题,文章研究了改进的灰狼优化(Improve Grey Wolf Optimization,IGWO)算法。改进算法从改变参数和搜寻机制入手,采用对灰狼当前最优个体进行混沌扰动的初始化策略和随机控制当前不处于最优解范围个体的跳出局部最优策略,以提高其收敛速度和寻优精度。为验证算法实用性,文章采取9种基准函数测试IGWO算法的可行性,数据结果分析表明,该算法能够明显提高收敛速度和收敛精度,且效果均显著优于其他元启发式算法以及原始的GWO算法,可见在求解最优参数方面,IGWO算法具有较高的应用价值。

基于改进的NSGA-II纺织生产车间柔性作业车间调度问题算法的研究

在纺织生产线调度领域,传统的人工调度方式已难以满足当前对高效利用机器和提升生产效率的迫切需求。鉴于此,本文建立了以最小化最大完工时间和机器总负载为优化目标的多目标柔性作业车间调度问题(flexible job shop scheduling problem,FJSP)数学模型,并提出了一种改进的NSGA-II算法(INSGA-II)用于求解。本文的主要特点是:(1)该算法采用基于工序和机器的两层编码方法;(2)采用混合种群初始化策略,目的是提高种群的初始质量;(3)设计了一种基于迭代次数的变领域搜索策略,在减少无效搜索的同时提高了局部搜索能力。本文在MK01-MK09和abz05-abz09的测试集上,将所提出的算法与其他算法(MOEA/D、MOEA/DD和NSGA-II)进行对比,并通过对14个标准算例的分析,证明了改进个NSGA-II算法在求解FJSP问题中的有效性。

改进粒子群算法的移动机器人平滑路径规划

针对粒子群(PSO)算法在解决移动机器人平滑路径规划问题中出现的早熟现象,本文提出了一种基于种群进化状态的自适应粒子群算法(ES-PSO).本方法在不损害PSO算法快速收敛特性的前提下,通过粒子当前位置来判定种群动态进化状态,从而合理有效地评估种群进化能力.最后,根据具体应用场景,提出粒子初始化策略和带有惩罚函数的适应值函数优化策略,并应用所提改进粒子群算法和Bezier曲线方法解决移动机器人平滑路径规划问题.实验结果表明,该算法与传统算法相比较能够快速准确地寻找到机器人的平滑最优路径.

基于改进遗传算法的ROV推进器伺服系统辨识

针对ROV变量液压推进器伺服控制系统的控制模型,提出了采用改进遗传算法进行控制模型参数辨识。为解决遗传算法易早熟,难以找到精确解等问题,采用一种基于均匀设计的种群初始化方法和一种改进变异方式的深度捕食策略,有效提高了ROV变量液压推进器伺服控制模型辨识算法的全局收敛性和搜索效率。同时,利用液压试验平台搭建液压回路模拟液压推进器伺服控制系统,采集试验数据辨识得到了ROV变量液压推进器的精确控制模型,仿真和实验结果证明了辨识算法的可行性和模型的正确性。

基于自适应樽海鞘群算法的移动机器人路径规划

针对移动机器人运用传统樽海鞘群算法进行路径规划时存在运行时间长、收敛速度慢、路径不平滑等问题,提出自适应樽海鞘群算法。首先提出了伪随机初始化种群策略,解决算法运行时间长的问题。其次引入自适应领导樽海鞘,通过迭代次数改变领导樽海鞘的数目,解决算法收敛速度慢的问题。再次运用三次样条插值法,解决路径不平滑的问题。最后把自适应樽海鞘群算法与传统樽海鞘群算法、粒子群算法进行对比仿真实验,实验结果验证了该算法的可行性和优越性。

基于超球面扰动的指导粒子群算法

粒子群算法(PSO)借助其原理简单、易于实现的特点,已被应用在诸多领域。为了改进基本PSO算法收敛精度低,易陷入局部最优的缺点,提出了一种改进的PSO算法。在种群迭代更新中,引入精英指导策略加快粒子的收敛速度;引入超球面扰动策略,加强种群摆脱局部最优的能力。通过高维多峰测试函数进行测试比较,验证了该算法的优越性和有效性。

具有人工蜂群搜索策略的差分进化算法

针对差分进化算法易出现早熟现象和收敛速度慢等问题,提出一种具有人工蜂群搜索策略的差分进化算法.利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.此外,为了提高算法的全局收敛速度,采用一种基于反学习的初始化方法.通过对12个标准测试函数进行仿真实验并与其他算法相比较,表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.

基于改进混合遗传算法的齿轮轴柔性车间调度问题研究

针对柔性作业车间调度复杂的问题,为缩短完工时间,课题组提出了一种基于模拟退火算法(simulated annealing,SA)的改进混合遗传算法。该算法进行搜索时,利用全局、局部和随机(global local random,GLR)种群初始化策略来优化初始解,再基于工序顺序和机器分配2种交叉变异策略扩展种群内优质解的数量,最后在模拟退火操作中加入邻域结构进行优化,在避免传统遗传算法易陷入局部最优的同时,提高了寻优速度。应用课题组提出的改进混合遗传算法对某齿轮轴加工车间加工数据进行仿真对比实验,与传统遗传算法相比,生产效率提高了8.43%,证明了该改进混合遗传算法的有效性。