求解批量流水线调度问题的离散差分进化算法

在研究机床加工的过程中,针对最小化E/T指标的批量流水线调度问题,为了提高工效,提出了一种离散差分进化算法。与传统的差分进化算法不同,离散差分进化算法采用基于工件排列的编码方式,并使用基于工件排列编码的变异和交叉操作。方法可以有效解决流水车间调度问题。为了进一步提高算法的优化性能,提出了一种自适应的多邻域局部搜索算法,并将其嵌入到离散差分进化算法中以增强其局部探测能力。仿真试验表明了所得算法在求解质量和求解效率两方面优于传统的研究成果。

基于邻域搜索JADE的二维Otsu多阈值图像分割

为进一步提高分割精度并加快分割速度,提出了一种基于邻域搜索可选外部存档自适应差分进行算法(简称为JADE-GL)的二维Otsu多阈值图像分割方案。首先,针对原始JADE算法精英突变策略收敛速度慢、容易陷入局部最优等问题,提出了基于邻域半径搜索的改进突变策略,以提升算法的全局探索和开发能力。然后,将所提算法与现有分割方法以及其他JADE变种算法进行二维Otsu多阈值分割对比实验。最后,通过函数收敛曲线、分割距离测度、峰值信噪比(peak signal to noise ratio,PSNR)等指标定量分析算法的性能。实验结果表明,随着阈值数增加,提出的算法无论在收敛速度、分割精度还是分割图像效果上都有显著提升。

不确定混沌系统的差分进化小波神经网络控制

提出一种基于小生境自适应差分进化小波神经网络(NADE-WNN)的方法对不确定混沌系统进行控制。该方法利用小波神经网络学习未知模型混沌系统的动态特性并实施控制,为提高神经网络的学习精度和收敛速度,采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和全局收敛性。仿真实验结果表明,在有外部干扰和参数摄动的情况下,NADE-WNN仍能对不确定混沌系统进行有效控制,且网络结构、控制精度和收敛速度都优于传统神经网络。

基于两阶段搜索算法的多峰函数优化

多峰优化问题需要搜索多个最优值(全局最优/局部最优),这给传统的优化算法带来很大程度上的挑战.本文提出了一种两阶段算法求解多峰优化问题.第一阶段采用带有邻域变异策略的排挤差分演化算法进行粗粒度搜索,在适应度景观上尽可能多的找到最优解的大概位置.搜索一定代数之后,调用DMC聚类方法把搜索种群划分成多个聚类,然后在每个聚类上调用协方差矩阵自适应演化策略算法进行精细搜索.另外,本文还提出搜索点补充策略用于平衡每个聚类的大小及增加算法初期的搜索能力.我们提出的方法和9个较新的经典算法在两个基准测试集上进行了大量对比测试,结果表明新算法是有效的,在大多数测试函数上都优于其它算法.

一种求解动态优化问题的改进自适应差分进化算法

针对原始动态自适应差分进化(SADE)算法局部搜索能力弱和寻优精度低的问题,提出一种求解动态优化问题的邻域搜索差分进化(NSDE)算法。通过引入邻域搜索机制,在划分种群最优个体的邻域空间范围内产生候选解,选取候选解集合中的最优解并对种群最优个体进行迭代,增强算法局部搜索能力。在传统基于距离的排斥方案中,引入hill-valley函数追踪邻近峰,提高算法寻优精度。实验结果表明,与SADE、人工免疫网络动态优化、多种群竞争差分进化和改进差分进化算法相比,NSDE算法在49个测试问题中分别有28、38、29和38个测试问题的平均误差更小,综合性能表现更好。

基于随机邻域策略和广义反向学习的自适应差分进化算法

全局探索和局部开发能力之间的平衡以及对控制参数的整定是影响差分进化(differential evolution,DE)算法性能的主要因素。针对这两个问题,提出一种基于随机邻域策略和广义反向学习的自适应DE算法。首先,在每一代进化过程中,算法从当前种群为每一个体随机选择相应的邻域,其中最优个体作为基向量执行变异操作,邻域中个体数量随进化动态更新。其次,采用基于历史存档的自适应参数整定方法,进化进程中根据“精英”信息动态更新算法各参数。最后,在初始化和每一代进化结束阶段,执行基于广义反向学习策略的种群初始化和种群“代跳”操作。通过基于27个标准测试函数的3组仿真实验,验证了所提算法具有寻优精度高、收敛速度快、鲁棒性强的优点。

改进差分进化算法及啤酒灌装机液位控制PID参数整定

目的针对啤酒液位控制系统存在PID参数整定难、非线性、滞后性问题,提出一种改进基于邻域的改进差分进化算法,应用于PID参数优化整定中,从而提高灌装机的工作效率和啤酒的质量。方法文中对差分进化算法进行改进,设计一种新型的变异策略,在变异环节引入邻域搜索操作;根据当前种群的分布情况,实时对邻域的个数进行自适应分配,以提升算法全局和局部搜索能力;与2种基本差分进化算法和4种改进差分进化算法对比,用18个测试函数验证文中所提出算法的性能。结果仿真结果表明,相较于基本差分进化算法,使用改进的差分进化算法整定的PID参数,调节时间减少0.22 s,上升时间减少0.04 s,超调量降低7.63%。结论通过改进的差分进化算法对啤酒灌装机液位PID参数的优化整定,可以显著改善控制系统的超调量、上升时间和稳态误差等性能,实现了液位的稳定控制。

求解旅行商问题的动态邻域差异演化算法改进研究

旅行商问题(Traveling Saleman Problem,TSP)是一个典型的组合优化问题,针对该问题主要采用动态规划和智能优化等算法。为了有效求解TSP问题,设计了一种带邻域操作的差异演化算法。为了克服差异演化算法容易收敛于局部最优的弱点,通过引入簇和邻域的概念,将种群中的个体归入距离其最近的子种群,用个体的当前邻域极值替换群体的当前最佳。同时,算法在进化过程中动态调整邻域大小。通过在多个TSP问题上的仿真实验表明,该算法在求解TSP问题时鲁棒性强,求解精度高。

面向主梁优化的改进人工蜂群算法

针对算法收敛速度慢、搜索盲目性大等不足,引入了自适应步长、路径交换邻域搜索和差分进化算法的变异策略,使得改进后的算法收敛性加强,收敛速度提高,改善了随机性,提高了寻优精度;算法到后期搜索平坦化,引入遗传算法中的交叉与变异行为,增加种群多样性,提高了算法的全局稳定性。将改进的算法运用到桥式起重机主梁中进行优化并运用ANSYS进行力学分析,实例检验了算法的可行性;最后通过对比优化前后的结果,得出优化后的主梁质量减重效果明显且符合设计要求,对实际工程结构的设计有指导意义。

城市路网系统大气污染物排放量计算方法

为解决城市复杂路网系统特定时期各路段机动车大气污染物排放量的精确计算问题,提出一种新的机动车污染物排放量计算方法.首先构建路网拓扑模型;其次利用复杂管网液体流动模拟路网机动车流动行为,根据流动规律构建机动车流计算模型,并给出其求解算法-邻域自适应差分进化(NADE,neighborhood adaptive differential evolution)算法;然后结合排放因子计算机动车污染物排放量,并揭示其排放特征;最后以大西安主城区路网为例对该方法进行实例验证.结果表明:该方法计算结果贴近各路段污染物实际排放情况,通用性强,适用于复杂路网机动车流量和污染物排放量的动态测算.