求解多目标点路径规划问题的离散头脑风暴算法

为保证移动机器人以最短路径遍历多目标点,该文提出一种基于离散头脑风暴的多目标点路径规划算法。首先,考虑障碍物对路径规划的影响,将目标点间的最短避障距离作为评判依据,提高规划路径合理性。其次,针对传统离散头脑风暴算法在解决组合类优化问题时提前陷入局部最优的问题,提出一种启发式自适应路径优化策略,通过设计与迭代次数相关的适应度选择函数以及改进启发式交叉算子,增加路径多样性和提高算法收敛速度。基于栅格法建立地图模型,在不同环境地图中选取多个目标进行对比仿真,验证所提算法的有效性以及对不同环境的适应性。

求解0-1背包问题的萤火虫算法

将贪心策略和变异策略与萤火虫算法相结合,提出一种求解0-1背包问题的贪心萤火虫算法。通过增加贪心策略和变异策略,在一定程度上能使萤火虫跳出局部极值,提高算法的性能。通过对多个实例的仿真,将该算法与其它算法如贪心遗传算法、贪心微粒群算法进行对比,对比结果表明,该算法在求解0-1背包问题上具有更强约束处理能力和快速收敛效果。

求解子旅行商问题的改进蚁群算法

已有求解子旅行商问题的蚁群算法存在容易早熟、易于陷入局部最优的问题。为此,提出一种改进的蚁群算法。将拥挤因子嵌入到蚁群算法的状态转移和信息素更新过程中,增强全局搜索能力,设计邻域搜索技术和局部变异技术,以提高解的质量和加快收敛速度。实验结果表明,该算法的求解质量和稳定性较好。

基于自适应反向学习的多目标分布估计算法

针对基于规则模型的多目标分布估计算法全局收敛性较弱的缺陷,提出了一种基于自适应反向学习(OBL)的多目标分布估计算法。该算法根据函数变化率的大小来决定是否进行OBL:当函数变化率较小时,算法可能陷入局部最优,所以进行OBL以提高当前种群中个体的多样性;当函数变化率较大时,运行基于规则模型的多目标分布估计算法。所提算法通过适时地引入OBL策略,减小了种群多样性及个体的分布情况对优化算法整体收敛质量以及收敛速度的影响。为了验证改进算法的性能,选取基于规则模型的多目标分布估计算法(RM-MEDA)、摸石头过河算法与分布估计混合算法(HWSA-EDA)以及基于逆建模的多目标进化算法(IM-MOEA)作为对比算法与所提算法分别在ZDT和DTLZ测试函数上进行测试。测试结果表明,除了在DTLZ2函数上以外,所提算法不仅有良好的全局收敛性,而且解的分布性和均匀性都有所提高。

一种求解高维约束优化问题的γ-PSO算法

PSO算法是一种随机搜索的群体智能算法,在求解高维约束优化问题,尤其是在约束条件较多时,PSO算法易陷入局部极值且收敛速度慢。针对上述问题,对PSO算法进行了改进,提出了γ-PSO算法,把PSO算法的随机数由(0,1)扩展到(-1,1),这样加大了粒子飞行速度和飞行方向的多样性,从而使PSO算法具有摆脱局部极值的能力。对γ-PSO算法进行了求解高维约束优化问题的实验,实验结果表明γ-PSO算法能收敛到全局最优值,收敛性能明显优于其他改进的PSO算法和其他优化算法。

基于最优保留的CGA及其在TSP欺骗问题中的应用

本文在对CGA算法分析说明的基础上,运用改进CGA的方法来解决TSP欺骗问题。虽然CGA能够“快速、简单”的解决一些优化问题,但是由于其概率向量中基因的独立性,使得它在进化计算中会丢失基因之间的关联信息,从而可能无法解决如欺骗函数等复杂、困难问题。文中通过对CGA在TSP算法上的改进,以一定遗传尺度保留竞争最优个体,从而有效地解决TSP欺骗问题,并通过仿真结果验证了该算法,给出解决该类组合优化问题的一个有效例证。

基于跳跃基因的多目标差分进化算法

为解决现有多目标差分进化算法容易陷入局部最优的问题,引入跳跃基因算子,提出基于跳跃基因的多目标差分进化算法。改进现有的多目标差分算法,在传统交叉算子之后执行跳跃基因操作,以保持种群多样性。数值实验结果表明,该算法能较好地解决局部最优问题,在ZDT和DTLZ测试函数集上具有明显优于现有算法的收敛性能。

改进万有引力搜索算法在函数优化中的应用

为了克服标准的万有引力搜索算法在函数优化中迭代速度慢、易陷入局部最优等问题,基于加强算法的性能,研究了新的策略.结合粒子群算法的开采能力和万有引力搜索算法的勘察能力,得到了基本粒子群万有引力搜索混合算法.对混合算法中的加速因子进行改进并引入了动量因子,提出了一种改进的粒子群万有引力搜索混合算法(IPSOGSA).结果表明:与粒子群算法、万有引力搜索算法、基本粒子群万有引力搜索混合算法相比,改进的粒子群万有引力搜索混合算法在非线性的复杂函数优化中具有更好的寻优能力.

一种带粒子群记忆行为的蚂蚁算法

为了解决TSP问题,该文在蚂蚁算法的基础上借鉴粒子群的局部极值的概念,赋予每个寻路的蚂蚁记忆以前所搜寻到的最佳路径,从而使蚂蚁算法加快了算法的收敛能力。实验结果证明了算法的有效性。

人工智能

为更好的求解作业车间调度问题，针对基本蚁群算法求解作业车间调度问题容易进入局部最优问题的情况，提出了一种基于信息素调整的蚁群算法。该算法通过判断信息素矩阵中最大值与最小值之间的比值，当该比值达到算法设定的阀值时，根据相应策略对信息素矩阵进行调整，有效地缩小了信息素之间的差距，有利于跳出局部最优状态；给出了该算法实施的具体步骤。用该算法求解作业车间调度问题，仿真实验结果表明，该算法与基本蚁群算法相比在收敛速度和计算最优解方面都有了改进。

求解二层规划问题的萤火虫智能群优化算法

针对二层规划问题,给出二层决策问题数学模型的一种新的解法,二层规划萤火虫智能群优化算法:首先采用以原问题的下层问题的Kuhn-Tucker条件代替下层问题的思想,将二层规划问题转化为单层规划问题.其次为避免求解目标函数的梯度信息以及算法过早的陷入局部最优,利用基于Pareto最优解集的萤火虫智能群优化算法对其进行求解,并利用Matlab予以实现.利用5个具有代表性的标准测试实例对该算法予以测试,并与其他算法进行比较.结果表明,结合Kuhn-Tucker条件的萤火虫智能群优化算法在5个测试函数中均能寻找到最优Pareto解,并且在求解的上层目标函数值上均优于对比算法,表明新算法可行有效.

改进蚁群算法在TSP问题中的应用

针对蚁群算法求解TSP问题易陷入局部最优,求解结果精度低的问题,提出一种蚁群算法的改进方案以更有效地避免算法陷入局部最优,进而提高算法搜索最优路径的能力。将TSP问题中点与点之间的距离信息引入初始各路径信息素残留量的赋值中,使得算法迭代初期各路径信息素残留量对算法的收敛更具导向性;在算法收敛到一定程度时,加快路径残留信息素的挥发速度,并减小蚂蚁走过路径所留下的信息素量,从而提高算法整体的全局搜索能力,增加探寻到潜在更优路径的可能性;当算法收敛到可能陷入局部最优的情况时,重置各路径信息素残留量,重新探寻最优路径,减小算法陷入局部收敛的概率。通过MATLAB 2018b对多个TSP实例问题进行编程求解,最终的仿真实验结果表明改进后蚁群算法能有效提高算法的正确收敛率和求解结果精确度。