基于改进三值量子遗传算法的多峰函数寻优

针对量子遗传算法在多峰函数寻优中出现早熟收敛及陷入局部极值等问题,提出一种改进的三值量子遗传算法.算法用三值量子非门来改变染色体基因的位置、用三值量子旋转门更新来完成进化搜索、用三值量子修正门对变异基因进行修正,增加了量子遗传算法中种群的多样性,扩大了算法的搜索空间;用动态调整旋转角策略来减少进化代数、缩短优化时间.通过对典型复杂函数的仿真实验并与其它算法相比较,结果表明该算法搜索空间大、搜索精度高,全局寻优性能优于普通遗传算法及量子遗传算法.     

一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。     

差分遗传算法收敛性研究

传统遗传算法全局搜索性能的不确定性和随机性,对种群的局部多样性造成影响,容易产生早熟收敛等问题。将差分思想应用到遗传算法中进行全局寻优,并通过测试函数将其与传统遗传算法的收敛性进行分析。结果表明,差分进化遗传算法降低了传统算法的时间复杂度和搜索的盲目性,并在一定程度上提高了种群的收敛速度和多样性。     

基于量子混合协同进化的自适应多级联属性约简(英文)

针对传统生物启发式方法在决策表中属性约简求解效率不高和难以协同约简等问题,提出一种基于量子混合协同进化的自适应多级联属性约简算法. 首先设计了一种新型高效的自适应量子角旋转策略,指导参与属性约简的进化种群自适应相互演进,加速算法收敛. 然后构建了合作和竞争混合的协同进化级联模型,根据执行经验记录分割属性种群集,提高约简子种群的多样性,并产生种群精英以增强其寻优经验共享,快速找到全局最小属性约简集. 实验结果表明,与同类典型算法相比,该算法在最小属性约简效率和精度方面具有明显优势.     

一种改进的教与学的优化算法

教与学优化算法(TLBO)是一种基于班级教学过程和学习过程的新型智能优化算法。针对TLBO算法全局搜索能力较差,容易陷入局部最优的问题,提出了一种改进的教与学优化算法(ITLBO)。通过加入反馈阶段,使得成绩较差的学生与教师及时进行反馈交流,提高了算法的寻优精度;同时,为了克服早熟收敛现象,引入准确性因子,维持了种群多样性。数值试验表明ITLBO算法比基本TLBO算法在收敛速度和寻优精度上更具有优势。     

求解作业车间调度问题的变邻域动态烟花算法

针对最小化最大完工时间的作业车间调度问题,提出一种基于变邻域搜索的动态烟花算法。变邻域搜索是一类重要的元启发式算法,在每一次迭代计算过程中通过搜索当前解的邻域得到一个改进的解,通过变邻域搜索方法可有效提高局部最优解的精度。与此同时,算法引入进化速度的概念,并通过进化速度计算烟花算法迭代过程中需更新的维度,实时调整相关参数,加快算法收敛,避免陷入局部最优。算例试验表明,该算法具有较好的鲁棒性,且能有效地提高算法搜索精度,加快收敛速度。     

基于搜索空间分割的协同进化遗传算法

针对经典协同进化遗传算法在优化大决策空间问题时计算复杂度较高的问题,提出了一种基于搜索空间分割的协同进化遗传算法,其基本思想是：将种群分割为不同规模的子种群,在进化过程中应用ε自适应方法调整子种群规模。复杂度分析和数值实验表明,改进后的算法可降低算法计算量,提高算法的优化效率。     

基于Pareto的动态限制精英的多目标进化算法

在NSGA-Ⅱ算法的基础上,提出了一种基于Pareto动态限制精英的多目标进化算法(DLEMOEA).通过动态分布函数的引入,限制了精英选取的数量,增大了解的搜索区域,从而更好地维护了种群多样性.实验结果表明:DLEMOEA比NSGA-Ⅱ有更好的收敛效果和种群多样性.     

基于控制参数双峰分布的小种群差分进化算法

当前差分进化算法研究主要集中在常规种群上,对小种群差分进化（DE）算法的研究较少。小种群差分进化算法因种群规模小,存在多样性降低过快的问题。因此提出一种基于控制参数双峰分布的小种群差分进化算法（BiMDE）。该算法采用基于柯西双峰分布的参数调节机制处理变异缩放因子 F 和交叉概率因子 CR,并对缩放因子 F 进行矢量化设定。将 BiMDE 算法在函数集 CEC2014 上进行测试,并与 5 种最新的小种群差分进化算法进行比较。结果表明,BiMDE 算法在求解精度、收敛速度以及多样性保持上具有较大优势。     

改进聚类算子的自适应多目标进化算法研究

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...     

Application of stochastic method to optimum design of energy-efficient induction motors with a target of LCC

INTRODUCTIONMostcountrieshaveimplementednewpoli ciesontheenergysavingandenvironmentpro tection.AmericanPresidentBushsigned“TheComprehensiveNationalEnergyPolicyAct”in1992statingthatnogeneral purpose ,three phaseinductionmotorswillbeallowedintoUnit edStat…     

Application of stochastic method to optimum design of energy-efficient induction motors with a target of LCC

For an energy-efficient induction machine, the life-cycle cost (LCC) usually is the most important index to the consumer. With this target, the optimization design of a motor is a complex nonlinear problem with constraints. To solve the problem, the authors introduce a united random algorithm. At first, the problem is divided into two parts, the optimal rotor slots and the optimization of other dimensions. Before optimizing the rotor slots with genetic algorithm (GA), the second part is solved with TABU algorithm to simplify the problem. The numerical results showed that this method is better than the method using a traditional algorithm. Project (No. 601299) supported by the Science Foundation of Hebei Province, China.     

A Multi-Objective Genetic Algorithm for Optimal Portfolio Problems

This paper concerns with modeling and design of an algorithm for the portfolio selection problems with fixed transaction costs and minimum transaction lots. A mean-variance model for the portfolio selection problem is proposed, and the model is formulated as a non-smooth and nonlinear integer programming problem with multiple objective functions. As it has been proven that finding a feasible solution to the problem only is already NP-hard, based on NSGA-II and genetic algorithm for numerical optimization of constrained problems (Genocop), a multi-objective genetic algorithm (MOGA) is designed to solve the model. Its features comprise integer encoding and corresponding operators, and special treatment of constraints conditions. It is illustrated via a numerical example that the genetic algorithm can efficiently solve portfolio selection models proposed in this paper.This approach offers promise for the portfolio problems in practice.     

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.     

应用于液压集成块优化的一种混合遗传-退火算法

This paper establishes a mathematical model of multi-objective optimization with behavior constraints in solid space based on the problem of optimal design of hydraulic manifold blocks (HMB). Due to the limitation of its local search ability of genetic algorithm (GA) in solving a massive combinatorial optimization problem, simulated annealing (SA) is combined, the multi-parameter concatenated coding is adopted, and the memory function is added. Thus a hybrid genetic-simulated annealing with memory function is formed. Examples show that the modified algorithm can improve the local search ability in the solution space, and the solution quality.     

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。     

电力系统经济负荷分配的改进混沌粒子群算法

提出一种用于电力系统经济负荷分配的改进混沌粒子群算法．算法中采用自适应外罚函数法解决目标函数的约束问题,考虑了机组的系统平衡、出力上下限、爬坡速率和工作死区等约束条件;在粒子群算法中引入混沌机制,使算法能快速跳出局部极值区,提高算法的全局寻优性能;针对变惯性权重系数和变最大搜索速度改进措施的不足,提出依据机组爬坡速率约束来缩小最优解的搜索区域．仿真结果表明,改进的混沌粒子群算法对于解决带约束条件的经济负荷分配问题是可行和高效的,与改进前的计算方法相比,降低了运行费用,提高了寻优速度．     

基于改进AGA的微电网优化管理研究

针对电动汽车无序充放电影响传统微电网稳定性及经济性问题,建立一种根据电动汽车随机负荷种类分时段调度模型,使用蒙特卡洛方法模拟电动汽车的充放电功率。同时,对传统微电网优化收敛速度慢、精度低等问题,提出一种改进自适应遗传优化算法（SAGA）。最优保存策略结合自适应调整交叉变异概率,解决遗传算法多样性问题,从而改善收敛速度与精度。通过建模及仿真计算,证明该方法在含电动汽车的风光柴储微电网优化中,能较快收敛到最优解,提高了微电网稳定性和经济性,具有良好的工程实用性。     

基于径向基函数、区间分析和非支配排序遗传算法的结构区间多目标优化

研究目的：为改善实际工程结构在不确定性条件下的多性能指标,提供一种高效的区间多目标优化方法。创新要点：建立一个目标和约束均为区间不确定性参数函数的区间约束多目标优化模型,提出并实现基于径向基函数、区间分析和非支配排序遗传算法（NSGA-II）的区间多目标优化算法。研究方法：首先,利用区间序关系将每个区间目标转换为同时优化其中点和半径的确定性双目标,利用区间可能度法将区间约束转换为确定性约束,并在此基础上,利用加权法和罚函数法将每个区间目标的约束优化问题转换为相应的无约束优化问题;然后,利用拉丁超立方实验设计和有限元分析构建预测各待优化结构性能指标值的径向基函数;最后,将径向基函数、区间分析法与NSGA-II相结合,快速求出转换后确定性无约束多目标优化问题的所有Pareto最优解,并通过考虑材料不确定性的高速压力机滑块机构设计实例验证该方法的有效性。重要结论：目标和约束均为不确定性参数函数的区间多目标优化模型能有效反映实际工程中同时改善结构多性能指标的需求。基于径向基函数、区间分析和NSGA-II相结合的区间多目标优化算法将传统区间优化模型求解中的嵌套优化过程简化为单层遗传优化过程,大大提高了求解效率,并可获得多目标优化问题的所有Pareto最优解。     

具有约束的实验分组设计的禁忌搜索算法

实验分组设计是许多科学研究都要面临的问题,常常要求分组中的因子之间必须满足一定的约束关系,这样,该问题就转化为给定一组约束关系,要求设计出满足这组约束关系的实验分组。本文以心理学中的语言学习问题的实验研究为例,探讨了如何把这样一个具有约束的实验分组设计问题转化为最小化优化问题,然后使用禁忌搜索算法去解决它,仿真表明所采用的方法是有效的。