基于改进型蚁群算法的图像分割系统研究

提出了一种基于改进蚁群算法的图像分割算法,该算法利用蚁群算法在约束区域内搜索最佳路径.通过构造代价函数、解空间、信息素模型和启发式信息,将图像边缘检测问题(即图像分割问题)转化为蚁群搜索问题.实验结果表明,与现有方法相比,改进后的蚁群算法在3种图像分割指标以及与手工标注对比方面具有较好的性能.     

求解DNA杂交测序的改进最大最小蚂蚁算法

根据DNA杂交测序的特点,设计了一个改进的最大最小蚂蚁算法.首先,对问题进行预处理,将其转化为有约束的非对称旅行商问题;然后,对状态转移规则和全局更新规则进行改进,并运用变量邻域搜索思想,设计了一种简单高效的局部搜索技术.最后,采用后处理技术来解决长度约束问题.实验结果表明:该算法提高了DNA杂交测序的求解精度.     

界约束非线性方程组的非单调线搜索法

提出一种用非单调线搜索方法求解简单界约束非线性方程组,算法采用不精确线搜索技巧,并使用非单调结构,将当前函数最大值的下降改进为函数平均值的下降,推广了算法的适用范围.进行了数值试验,结果表明算法十分有效.     

基于粒子群优化算法的生物组织杨氏模量的重构

为了定量求解生物病变组织的杨氏模量,提出了一种基于边缘提取技术和图像配准技术的杨氏模量反演方法.在已知生物组织边缘位移及病变边缘的基础上,根据力的分布,构造单元系统,运用有限元反演方法(IFEM),计算出组织的杨氏模量.在此基础上估计全局杨氏模量范围,采用改进粒子群优化算法(PSO),计算出生物组织整体的杨氏模量分布.该算法克服了其他杨氏模量重建算法的限制,放松了对位移和边界力的要求.通过多次数值实验得出算法对存在误差的边缘位移同样有效;改进的PSO算法在较大范围内叠代搜索,总能向理论值靠近,并得到可行解.     

引入云模型的改进人口迁移算法

针对人口迁移算法搜索速度较慢,易陷入局部最优的缺点,改进了算法思想,简化了算法步骤,并利用云模型云滴的随机性和稳定倾向性的特点,由基本云发生器实现人口流动操作,提出了一种云人口迁移算法,用于求解具有变量边界约束的非线性的复杂函数最优化问题。实验仿真结果表明,云人口迁移算法具有计算精度较高,搜索速度较快等特点。     

一种基于Logistic混沌映射的骨干粒子群改进算法

针对骨干粒子群算法因受初始化位置分布不均影响,易陷入局部最优的问题,提出一种基于Logistic混沌映射的改进算法,改进算法通过采用Logistic混沌映射控制来保证粒子初始化位置在搜索空间内保持随机分布,从而有效提升算法的搜索能力.仿真实验表明:与经典骨干粒子群算法相比,改进算法搜索能力有所增强,问题求解精度有明显提升.     

求解0-1背包问题的遗传算法

提出了一种求解0-1背包问题的遗传算法,该算法首先设计出基于适应度的自适应变异策略,提高了变异的科学性和新算法的搜索能力;然后提出了基于单位价值信息和满足约束最大化的双优化策略,提高了求解的质量.3个0-1背包问题的仿真实验表明:与已有的HGA算法和GGA算法相比,新算法在求解质量上具有一定优势.     

基于粒子群算法的排课系统设计

排课问题是一个有约束的、多目标的组合优化问题.在针对遗传算法在求解该问题时搜索效率较低的情况下,提出了一个基于粒子群的排课算法.在算法设计过程中,考虑排课过程中所出现的各种时间、空间资源的冲突情况,设计了一种基于粒子群优化算法来实现时间和空间两种资源的优化.利用C#程序设计语言实现了基于粒子群算法的排课系统,实验和测试结果也验证了其有效性和系统的可用性.     

一个求解约束优化问题的异步并行算法

对Fukushima于1998年提出的求解无约束并行变量转换算法(PVT)向约束优化问题进行推广,给出了一个异步并行求解边界约束最优化问题的可行算法,在一定的条件下,证明了算法的收敛性.     

多资源约束作业车间调度问题的模型研究

在柔性作业车间调度问题模型的基础上,针对资源约束作业车间调度问题及多目标柔性作业车间调度结合的问题,建立了资源约束下多目标柔性作业车间调度问题的数学模型,提出了启发式活动调度算法与遗传算法结合来对模型进行求解。选择操作采用轮盘赌选择方式;交叉操作采用基于活动启发式算法的交叉算子;变异操作采用基于领域搜索的变异。最后分析了一个具体调度结果实例。     

Multiobjective extremal optimization with applications to engineering design

In this paper, we extend a novel unconstrained multiobjective optimization algorithm, so-called multiobjective extremal optimization (MOEO), to solve the constrained multiobjective optimization problems (MOPs). The proposed approach is validated by three constrained benchmark problems and successfully applied to handling three multiobjective engineering design problems reported in literature. Simulation results indicate that the proposed approach is highly competitive with three state-of-the-art multiobjective evolutionary algorithms, i.e., NSGA-II, SPEA2 and PAES. Thus MOEO can be considered a good alternative to solve constrained multiobjective optimization problems.     

一种改进的粒子群优化算法

为了克服传统粒子群算法（Pso）的早熟和局部最优问题,通过分析基于惯性权重的粒子群优化在粒子寻优过程中的可行性,提出了一种变惯性权重的改进PSo算法,并对经典的测试函数进行TN试。实验结果证明,与传统PSO算法以及基于惯性权重的PSO相比,改进算法的寻优效果较好,全局搜索能力有显著提高,并能有效地避免早熟收敛问题。     

一种间接求解约束优化问题的遗传算法

传统的遗传算法在求解带约束的数值优化问题时,主要采用罚函数法。文章针对罚函数法在实际应用中的不足,提出了一种将约束优化问题转化为双目标优化问题,然后使用双目标遗传算法进行求解的方法。仿真结果表明该方法是一种有效的约束问题寻优方法。     

一种基于精英策略的蚁群优化QoS单播路由算法

指出传统蚁群算法在解决QoS单播路由选择问题时,受到时延和带宽的约束,为降低路由费用,容易出现陷入局部最优且收敛速度慢的现象。针对上述问题,提出一种基于精英策略的蚁群优化QoS单播路由算法,该算法利用蚁群算法原理,并引入精英策略。通过仿真模拟一个20节点的计算机网络QoS单播路由选择实例,并与传统蚁群优化(ACO)算法进行对比,仿真结果表明该算法是有效的。     

Fast multi-swarm optimization based-on Cauchy mutation and crossover operation

The standard particle swarm optimization （PSO） algorithm is a novel evolutionary algorithm in which each particle studies its own previous best solution and the group＇s previous best solutions to optimization problems. One problem in PSO is its tendency of trapping into local optima. In this paper, a multi-swarm technique based on fast particle swarm optimization（FPSO） algorithm is proposed by introducing crossover operation. FPSO is global search algorithm which can prevent PSO from trapping into local optima in light of Cauchy mutation. Though it can get high optimizing precision, the convergence rate is not satisfactory. FMSO can not only find satisfying solutions, but also speed up the search.     

求有约束总极值的水平值估计方法

The penalty method is a popular method for solving constrained optimization problems,which can change the constrained optimization to the unconstrained optimization.With the integral-level set method,a new approach was proposed,which i sbriefer than the penalty method,to achivev the unconstrained optimization and a nonlinear equality.By studying the properties of the function.a level-value estimate algorithm and an implementation algorithm were given by means of the uniform distribution of the good point set.     

基于细胞自动机演化算法求解无约束函数优化问题

在最优化领域目前广泛应用的智能优化算法有遗传算法、模拟退火算法、神经网络算法等。但这些算法的实现模式都还是基于串行模式。利用细胞自动机来解决优化问题,也就意味着能够建立极度并行的解决最优化问题的程序。提出了一种基于细胞自动机的演化算法,以求解无约束函数优化问题,并用实验分析了此算法的性能。     

贝叶斯网络结构粒子群优化学习算法

提出一种信息论结合粒子群优化的贝叶斯网络结构学习算法,将约束最大信息熵作为最高评分函数,对网络结构进行复杂度约束,设计了粒子位置和速度向量的操作方法,解决单纯利用KL距离进行搜索的缺陷。在网络结构的搜索空间相对较大的情况下,该优化算法能在较短的时间内收敛,获得更准确的网络结构。仿真实验结果表明,该算法在时间和精度上都具有较好的效果。     

离散多因素投资组合最优化模型的分枝定界算法

In this paper, a new branch-and-bound algorithm based on the Lagrangian dual relaxation and continuous relaxation is proposed for discrete multi-factor portfolio selection model with roundlot restriction in financial optimization. This discrete portfolio model is of integer quadratic programming problems. The separable structure of the model is investigated by using Lagrangian relaxation and dual search. Computational results show that the algorithm is capable of solving real-world portfolio problems with data from US stock market and randomly generated test problems with up to 120 securities.     

线性约束凸规划的一个新原-对偶路径-跟踪内点算法

In this paper, a primal-dual path-following interior-point algorithm for linearly constrained convex optimization （LCCO） is presented. The algorithm is based on a new technique for finding a class of search directions and the strategy of the central path. At each iteration, only full-Newton steps are used. Finally, the favorable polynomial complexity bound for the algorithm with the small-update method is deserved, namely, O（√nlog n/ε）.