应用离散粒子群-郭涛算法分配多无人机协同任务

针对以往考虑时间窗约束的多无人机协同任务分配问题模型不能反映在有效时间窗内,任务执行时间对任务收益的影响及求解算法效率较低的问题。建立了将任务收益和任务执行时间直接联系起来的任务分配模型和可行解到粒子整数编码方式的映射,设计了混合离散粒子群-郭涛算法的组合优化问题求解策略。借助粒子群算法利用粒子自身信息和种群有用信息指导种群进化的本质特点,优化郭涛算法的适应性序列倒置操作;设计了可变的学习选择概率来选择个体的学习粒子,改进了序列倒置算子。仿真实验验证了该方法处理复杂任务分配问题的有效性。

一种基于全局劣汰策略的混合粒子群优化算法

提出一种改进的粒子群优化算法——基于全局劣汰策略的混合粒子群优化算法(GTPSO)。GTPSO在保持PSO算法快速收敛的基础上,以郭涛算法(GuoA)的寻优机制确保种群的多样性和算法的坚韧性。数值计算结果表明,对于高维(维数≥10)复杂非凸多峰函数的数值优化问题,GTPSO算法的计算结果均优于GuoA算法和粒子群优化算法。

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。

一种结合粒子群优化理论改进的郭涛算法及其应用

郭涛算法是目前求解TSP(traveling salesman problem)问题最为高效的进化算法之一。算法中提出一种求解TSP旅行商问题的高效Inver-over算子,该算子使基因序列以一定概率进行自适应的序列倒置,同时具有遗传算法中的变异算子以及杂交算子的特性。对Inver-over算子进行改进,使粒子编码得到更加充分的序列倒置;并引入粒子群优化算法的思想以加快算法收敛速度,提高了郭涛算法求解效率。将改进后的郭涛算法应用于钢卷自动优化组合堆垛问题,实验验证了改进郭涛算法的有效性。

一个求解n皇后问题的演化策略

基于郭涛算法多目标优化思想 ,采用分解多目标和二次演化的方法 ,对具有离散性的n皇后问题进行求解。测试表明 ,该算法对搜索空间不具有局域性的离散问题 。

基于CCEA和改进郭涛算法的函数优化问题求解

在合作式协同演化(CCEA)的基础上,引入了使用高斯变异算子的郭涛算法,设计了一种求解函数优化问题的高效混合演化算法。通过求解复杂高维的函数优化问题的多个实例,并将该算法和CCEA与基本郭涛算法结合的方法——CCGT进行了对比。实验结果表明,新算法是高效的,其结果优于现存文献中的其它模型,但不及CCGT优秀。证明在该算法中引入的高斯变异算子的作用不大。

基于改进郭涛算法的TSP问题求解

郭涛算法可能是目前求解TSP问题最快的演化算法[1],其算法的核心在于Inver-over算子的设计,但在城市规模超过80时,该算子寻找全局最优解的能力就会下降。将原Inver-over算子的线性逆转改为环形逆转,改进逆转方式后,被逆转的基因片段可以包括整个染色体,这样能有效地防止解的早熟。同时,在原算法的基础上,引入了映射模块,能使父代中好的基因片段得到遗传,使好的基因片段能让更多的染色体所享有,不会因为父代被替代而让好的基因模式丢失。实验表明:改进后的算法增强了原Inver-over算子对最优解的搜索能力,并且对TSPLIB中大部分实例均可搜索到最优解。

一种新的混合遗传算法求解旅行商问题

提出一种改进的混合遗传算法来求解TSP问题。在传统遗传算法基础上,杂交算子部分引入郭涛算法,使得算法保持较好的多样性和全局搜索能力,从而克服了传统遗传算法过早收敛的缺陷;变异算子引入粒子群算法,以加速算法收敛速度并提高求解精度,使其更快地找到最优解。通过TSPLIB大量经典实例验证,该算法均能快速找到比现有最优结果更好的解。

一种求解旅行商问题的演化算法研究

旅行商(TSP)问题是一个被证明具有NP计算复杂性的组合优化问题.郭涛算法在求解TSP问题的高效率是得到广泛认可的,其算法的核心在于Inver-over算子的设计.当节点数量较多时,该算法在寻找近似最优解仍然有很好的表现,但其寻找全局最优解的能力却会下降.提出的基于基因片段插入的演化算法,它能以较高的概率找到TSP问题的最优解.文中提出一种新的演化算法,将基于基因片段插入与Inver-over算子进行融合.实验证明:新算法可有效防止解的早熟,增强了算法的全局搜索能力,使算法获得全局最优解的概率大大提高,同时仍然具备高效率的特性.

基于柯尔—柯尔模型的一维视复电阻率真参数反演

在求取多层极化介质模型的真柯尔—柯尔参数时,需要以多层极化介质为正演模型,以视复电阻率的振幅或相位为响应进行反演。若直接对振幅谱或相位谱反演计算,反演参数过多将导致反演失败。本文利用振幅与极距相关的曲线(本文称为"振幅测深曲线")可以确定多层极化介质层数和层厚的特点,将真参数的求取过程分为两步。第一步采用一维自动迭代法反演振幅测深曲线,求取层状介质的层数和层厚;第二步采用郭涛演化算法反演振幅谱或相位谱,求取层状介质的其他参数(零频电阻率、极化率、时间常数和频率相关系数)。整体反演结果较好,求取的真参数与理论值相同,证明两步法的可行性。并得出了两个结论:一是振幅测深曲线含有多层极化介质模型的分层信息;二是振幅谱比相位谱包含更多零频电阻率的信息。

An Improved GT Algorithm for Solving Complicated Dynamic Function Optimization Problems

An improved Guo Tao algorithm （IGT algorithm） is proposed for solving complicated dynamic function optimization problems, and a function optimization benchmark problem with constrained condition and two dynamic parameters has been designed. The results achieved by IGT algorithm have been compared with the results from the Guo Tao algorithm （GT algorithm）. It is shown that the new algorithm （IGT algorithm） provides better results. This preliminarily demonstrates the efficiency of the new algorithm in complicated dynamic environments.

基于Inver-Over算子的改进离散粒子群优化算法

离散粒子群算法能充分利用粒子的局部极值和全局极值信息,但收敛速度慢、精度低;Inver-Over算子收敛速度快、精度高,但学习具有盲目性.结合二者优点,文中提出一种基于Inver-Over算子的改进离散粒子群优化算法.为防止早熟收敛,引入局部最优子群的概念,使粒子向局部最优子群中粒子学习而不是向个体局部最优学习.引入3个参数:学习选择概率用以确定粒子的学习对象,代数阈值确定何时向全局最优粒子学习,局部最优子群比决定最优子群的规模.讨论这些参数的选择原则,并给出相应参考选择范围.研究表明,文中算法与普通离散粒子群优化算法和郭涛算法相比,收敛速度和求解精度都有较大提高.