共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
将非线性方程组问题转化为多目标函数优化问题,利用NSGA-Ⅱ的非支配集的构造方案和基于拥挤距离排序方法产生子代种群,依适应度排序选择子代个体进行下一代优化.本文将NSGA-Ⅱ中遗传算法GA替换为进化策略ES,通过非支配集的调整与拥挤距离重新排序可以进一步提升收敛速度,同时避免种群的早熟,保证初始种群个体的优良性能得以继承.仿真实验表明,本文算法可以进一步提高非线性方程组解的精确性和求解效率,从另一个角度为非线性方程求解提供了一中新的途径. 相似文献
3.
图像阈值分割算法中,如何确定最优阈值是关键.使用传统多阈值法对较复杂图像进行分割,存在计算复杂度高、分割速度慢等问题.文章将细菌群体趋药性优化算法和阈值分割算法相结合,并且对细菌群体趋药性算法进行改进,提出了基于改进细菌群体趋药性优化算法的多阈值图像分割算法.实验结果证明,文章提出的算法具有很好的收敛性和稳定性,得到了较好的图像分割效果和图像分割速度. 相似文献
4.
建立了供水调度模型,利用基于分解的多目标进化算法,首先将供水调度问题分解为若干单目标,然后根据分布估计的思想对各个单目标建立概率模型,通过采样产生新的个体。利用非支配排序法进行选择,得到最优解。实验表明,该算法对求解供水调度优化问题具有较好的多样性和均匀性,并且降低了算法的计算复杂度。 相似文献
5.
针对现有的多目标粒子群算法易陷入局部最优、难以平衡收敛性和多样性等方面的问题,提出一种协同控制多目标粒子群算法(CCMOPSO)。首先,算法脱离Pareto支配关系采用成就标量函数更新pbest。其次,提出了一种平均角度和最低距离相结合的协同策略,以删除外部存档中性能不好的非劣解。从而对存档进行维护,平衡收敛性和多样性,有利于非支配解逼近Pareto前沿。最后,将CCMOPSO算法与几个多目标优化算法在15个测试问题上进行仿真实验。实验结果分析表明CCMOPSO算法的有效性可以很好地平衡收敛性和多样性,避免陷入局部最优。从而说明CCMOPSO算法在处理多目标优化问题表现出较强的竞争力。 相似文献
6.
认知无线电是指能够感知周围频谱环境并动态使用频谱资源的智能无线通信系统。认知无线电的多目标优化问题是一个典型的动态参数优化问题。以传输能量、数据率以及误比特率等多个参数为目标,采用一种基于DNA计算的非支配排序多目标遗传算法(DNA-GA)来对其进行优化。将CR可调参数进行编码作为染色体,产生大小为N的初始化种群,并根据CR目标函数计算个体适应度,再结合克隆操作使算法收敛于全局最优,最终得到CR系统的最优操作参数。仿真结果表明,DNA-GA可以在不同用户需求情况下获得较好的性能优化。 相似文献
7.
多目标粒子群算法具有收敛速度快、原理简单和易于实现等优点,被广泛应用于解决多目标优化问题。然而,它存在容易过早收敛、陷入局部最优等缺点。针对上述问题,提出了一种嵌入Circle映射的混合策略多目标粒子群算法(CMEMOPSO)。当粒子当前位置与其个体历史最优位置互不支配时,在一定概率下,利用Circle映射调整粒子位置,使其找到更优的解。同时,若外部存档达到预定阈值,则使用结合个体密度和拐点距离的混合评价指标评估非劣解的综合性能,去除较差的非劣解以实现对外部存档的更新,提高算法的综合性能。最后,利用所提出的算法在12个典型测试函数上进行实验。实验结果表明CMEMOPSO具有良好的收敛性和更快的收敛速度,它在大多数测试函数上优于其他比较算法。 相似文献
8.
对多个相互冲突的目标同时优化称作多目标优化问题,为解决多目标问题,多目标进化算法应运而生.在进化算法迭代过程中,算法使用恒定不变的交叉因子和变异因子,这显然不符合种群迭代进化特征,所以需要根据种群初始和种群后期解的收敛情况来定向调整种群进化方向.同时,在采用边界与交叉的聚合算法时,θ支配的聚类算法只参考了解到权重向量的... 相似文献
9.
针对基于 Pareto 支配的低维多目标进化算法在求解 3 个以上目标的高维多目标时出现收敛压力不足等问题,将调和模型中面向排序的 ELECTRE-III 引入高维多目标进化方法中,提出一种新的锦标赛选择算子。该算子包含两层操作,分别是快速非支配分层操作和同一非劣层中的赋值级别高于关系排序操作。将这种赋值级别高于关系构造的 ELECRE-III 排序法嵌入 NSGA-II 中并应用于高维多目标进化个体的优劣排序。对典型高维测试集 WFG 函数进行仿真实验,验证该高维多目标调和进化算法的有效性。 相似文献
10.
正余弦算法(SCA)是近年提出的一种基于种群的求解优化问题的元启发式算法,针对其收敛速度慢、算法自适应性能较弱的缺点,提出一种引入交叉变异机制的正余弦算法(ICMSCA).首先在标准SCA算法中引入交叉操作,根据个体适应度与群体平均适应度的关系,设计两种不同的交叉方法,实现个体间的自适应交叉,改善群体多样性;其次为每个个体设计自适应变异概率,采用最优个体引导变异和贪婪选择方法,提高算法的收敛速度;为验证算法的有效性,在18个典型函数优化问题数据集上对算法进行测试,结果与其它算法进行对比分析,实验结果表明,相比于其它优化算法,改进后的算法在收敛速度和收敛精度上具有一定的优势,提高标准SCA算法的性能. 相似文献
11.
《实验室研究与探索》2017,(10):104-109
在电力系统有功优化这个复杂的全局优化问题上,差异进化(Differential Evolution,DE)算法可以增加其种群多样性但搜索效率低,于是在其基础上提出了一种改进的差异进化算法(Improved Differential Evolution,IDE)。IDE算法保留了DE算法的三大步骤:变异、交叉以及选择,优化了传统的变异策略,同时引入了Logistic映射改变系统参数,使固定取值的搜索步长和交叉算子在一定范围内随机取值,以此扩大种群搜索范围,加快收敛速度;IDE算法最后运用了考虑系统约束的非贪婪选择,以确保算法在可行域里探索最优解。为验证算法的实用性,利用Matlab软件,将DE和IDE算法在IEEE30节点测试系统上进行目标函数为电网功率损耗的有功优化仿真。仿真结果表明,IDE算法增加了种群多样性,加快了收敛速度并且提高了搜索效率。通过此次仿真,加深了学生对电力系统有功优化以及DE算法的认识和理解,同时引导学生利用计算机技术改善算法的搜索性能并且求解优化问题。 相似文献
12.
13.
针对多目标无约束0—1二次规划问题,提出一种文化基因算法。该算法采用基于分解的多目标演化算法框架,能够获得分布均匀的非占优解;同时,采用一种简单、有效的禁忌搜索,能够利用更多问题相关的信息,获得质量更优的非占优解。该算法在优化的过程中能够动态地平衡多样性与收敛性。实验结果证明该算法能够很好地求解多目标无约束0-1二次规划问题,并且性能优于目前求解该问题较先进的算法。 相似文献
14.
针对电力系统多目标无功优化(MOORPD)问题,建立了两个双目标无功优化模型:最小化网络损耗和电压稳定性指标以及最小化网络损耗和电压偏移量模型,提出了一种基于全序排序帝国主义算法(TRICA)的多目标无功优化方法。通过非劣排序和拥挤距离计算实现所有国家的层级排序和全序排列,以改进国家权力度量方法,实现帝国主义算法在多目标问题中的应用;然后通过模糊群决策方法,找到帕累托前沿中的最优折衷解。选取IEEE30节点系统进行仿真测试,并将实验结果与多目标粒子群算法(MOPSO)所得结果进行比较分析,结果表明了MOTRICA能够找到更优解,体现了改进算法的有效性和优越性。通过该仿真试验可加深学生对智能算法的理解,引导学生解决多目标优化问题。 相似文献
15.
人工蜂群算法是一种模拟蜜蜂觅食行为的群智能优化算法,具有较好的全局搜索能力,但收敛速度较慢且容易陷入局部最优.针对其不足之处,提出了一种基于错位突变策略的人工蜂群算法(DMABC).该算法在搜索蜜源的时候运用错位突变策略增强种群多样性,并使用排序选择机制和新的比较机制防止过早收敛.通过对几个标准测试函数的实验表明,改进算法具有更快的收敛速度,优化精度更高. 相似文献
16.
对多目标进化算法中的非支配集如何保持解群体分布性的问题进行了讨论.同时结合了网格与解群体方差技术,对原有的网格技术进行了改进,设计了一种适用于个数较少的解群体保持分布性的算法,增强了其操作上的严谨性. 相似文献
17.
针对粒子群优化算法存在的早熟收敛问题,提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的修补粒子群算法.在修补更新方程中设置参数以限制粒子在搜索区域内、采用减弱速度更新的策略减少速度更新的次,如果种群多样性逐步减小下限时,种群纷纷远离该最优位置,而当种群多样性逐步增大超出上限时,种群又开始向整体最优位置靠拢,从而保持了粒子的多样性.数值实验结果表明,算法在解决问题上表现出了良好的性能. 相似文献
18.
细菌趋药性算法是优化领域中新的仿生进化算法.该算法利用细菌在引诱剂环境下的应激反应动作来进行函数优化。在介绍细菌趋药性算法原理的基础上,分析了各参数对算法的影响,给出一种新的改进模型,并进行了函数优化仿真实验,给出了相应的结果比较。 相似文献
19.
20.
针对基本粒子群优化算法(简称PSO)存在的早熟收敛问题,提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的改进粒子群优化(XARPSO)算法。在算法运行过程中,如果种群多样性逐步减小,直至超出下限时,种群不再向整体最优位置靠近,而是纷纷远离该最优位置,从而执行了"扩散"操作,而当种群多样性逐步增大,直至超出上限时,种群又开始向整体最优位置靠拢,即执行了"吸引"操作,从而保持了粒子的多样性。同时,该方法引入收缩因子的概念,即通过正确选择惯性权重系数与加速常数即学习因子这些控制参数的值的方法,确保算法收敛。 相似文献