基于改进群搜索优化算法的车辆路径问题研究

针对标准群搜索优化(GSO)算法存在的早熟、后期迭代效率低和容易陷入局部极优点等问题,提出了一种改进的群搜索优化算法用于车辆路径问题的研究。该算法先是通过交叉因子的引入来曾加粒子的多样性并增强群成员的优良性,从而减小后期搜索中算法易陷入局部极优点的概率;然后借助于模拟退火算法的优势来有效的提高算法收敛性能。实验表明,基于交叉因子和模拟退火的群搜索优化(CMGSO)算法相比于标准群搜索优化(GSO)和粒子群优化(PSO)算法来说,具有较快的收敛性能和较好的全局寻优能力,因此该算法适用于物流车辆路径寻优问题的研究和解决。     

基于平均值的混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢,容易陷入局部最优的问题,提出了基于平均值的混合蛙跳算法.该算法将基本蛙跳算法中子群的平均值,通过2种不同的更新策略分别引用到混合蛙跳算法的局部搜索中,对算法的更新策略进行了适当改进,以期提高混合蛙跳算法的局部搜索能力.结果表明:更新策略1将子群的平均值与局部更新策略相结合,使算法在搜索过程中加快搜索速度,提高了局部搜索能力;更新策略2则通过采用自适应概率随机将子群的平均值取代子群部分最优个体进行策略更新,使算法在局部搜索时提高了寻优能力,有效的避免算法陷入局部最优.通过对5个测试函数进行优化,并同基本混合蛙跳算法和文献中改进的算法进行比较,结果表明:该算法可以有效的避免局部搜索过早收敛,具有较好的优化性能.     

基于混合粒子群算法的云计算任务调度研究

任务调度是云计算系统可靠运行的关键,云计算环境中要处理的任务量巨大,考虑到云计算任务调度和QoS的优化问题,提出一种混合粒子群优化算法用于云任务调度。算法中引入遗传算法的交叉和变异思想,并结合随迭代次数变化的变异指数,保证种群进化初期具有较高的全局搜索能力,避免出现“早熟”,同时将爬山算法引入粒子群算法,改善局部搜索能力。实验结果显示该算法具有很好的寻优能力,是一种有效的云计算任务调度算法。     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题，提出了一种基于双子群的改进粒子群优化算法（TS IPSO)，通过2组搜索方向相反的主、辅子群之间的相互协同，扩大搜索范围，借鉴遗传算法的杂交机制，并采用惯性权值的非线性递减策略，加快算法的收敛速度和提高粒子的搜索能力，降低了算法陷入局部极值的风险.实验结果表明该算法较标准PSO算法提高了全局搜索能力和收敛速度，改善了优化性能.     

基于IGA-GP的BP网络黄河流域需水预测研究

针对遗传算法和BP网络在寻优过程中的不足,将改进的遗传算法(IGA)与遗传编程(GP)相结合,建立了有广泛搜索能力和很强局部精化能力的IGA-GP自动编程算法,将该算法应用于BP神经网络的优化,克服了BP网络寻优过程中收敛速度慢、易陷入局部最优的不足,解决了新训练样本加入对网络稳定的影响。在此基础上,建立了黄河流域需水预测模型;拟合结果表明,该模型具有较高的预测精度。     

动态局部搜索差分进化算法

针对差分进化算法存在进化后期收敛速度慢、易早熟等缺点,提出了一种基于动态局部搜索的差分进化算法(DLSDE).采用随机选择的方式进行变异并运用小概率扰动操作,增加种群的多样性,平衡算法的开发能力和探索能力;同时,对当前的最优解进行动态局部搜索,以加快算法的收敛速度.对标准测试函数进行仿真实验并与其他6种算法进行比较,结果表明DLSDE算法具有较快的收敛速度和较高的求解精度,对复杂的数值优化问题寻优效果很好.     

PSO算法加速因子的非线性策略研究

为了有效地控制PSO算法的全局和局部搜索能力,着重分析了PSO算法中加速因子对粒子收敛的影响,提出加速因子采用反余弦非对称策略能有效提高PSO算法的搜索性能。对5种加速因子策略使用4个著名的基准函数进行测试,试验结果表明,反余弦非对称方法可以使粒子在搜索的初期获得更好的多样性,在算法后期则可以有效增强粒子的搜索能力,从而使算法具有更强的摆脱局部极值的能力,提高算法的收敛精度。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。     

基于改进的鸟群算法求解农产品冷链物流配送路径优化问题

鸟群算法(BSA)在求解高维复杂的优化问题时,很容易陷入局部极值,尤其在鸟群觅食过程中总会出现"早熟"现象。针对原鸟群算法的不足,提出一种改进的鸟群优化算法(WBSA)。通过仿真试验,结果表明,提出的算法具有较好的收敛速度和寻优精度。最后,通过对农产品冷链物流配送优化路径模型的简化,构建求解农产品冷链物流配送路径优化问题的WBSA优化算法,利用数值实例表明WBSA算法对此类问题具有可行性和有效性。     

基于改进的粒子群和蚁群算法的高光谱森林聚类研究

高光谱图像分类可分为监督分类与非监督分类,聚类分析进行非监督分类是一种现今比较受研究者广泛关注的技术.粒子群算法具有自适应、自组织性、可同时进行局部和全局搜索等特点;蚁群算法通过智能个体间不断进行信息交流和传递,具有较强的发现最优解的能力.提出一种基于改进的粒子群和蚁群算法的高光谱图像聚类方法,设计其模型并将其应用在森林类型分类问题上,提高分类精度,减少人工干预.以吉林省汪清林业局为研究区,通过修改粒子群的惯性系数,得出最优解集,然后利用蚁群寻优的过程对阔叶林、针叶林、混交林、水体进行聚类分析,区分精度达到85％证明,该方法能较好地识别森林类型.     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法（QGA）在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷，提出一种改进量子遗传算法（QQGA）,运用基于概率划分的小生境协同进化策略初始化量子种群，并采用动态量子旋转角调整策略来加快收敛速度；加入量子移民和保优选择策略，提高规划效率，避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法，结果比标准量子遗传算法效率高。     

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。     

基于分组排挤机制的遗传算法

利用遗传算法进行寻优有时候遗传操作会陷入局部寻优,造成早熟,使遗传操作收敛不到最优解.针对这一问题,提出一种基于分组排挤机制的遗传算法,将种群个体进行分组,引入基于海明距离的排挤机制,不仅可以防止早熟,而且可以加快收敛速度.最后用普通遗传算法与之进行比较,证明其可行性和有效性.     

协同多目标攻击空战决策的启发式粒子群优化算法

利用协同多目标攻击战术的特定知识，并结合粒子群算法，提出了一种用于空战决策的启发式粒子群算法。该算法利用粒子群算法对解空间探索能力强，容易跳出局部最优陷井及启发式算法局部搜索能力强的优点，快速、高效地对全局最优值进行搜索。该算法通过求解友机导弹对目标的最优分配来确定空战决策方案。仿真实验结果表明。本文算法对最优空战决策方案的搜索性能明显优于普通粒子群算法及其他两种遗传算法。     

Powell-DE算法在软测量参数预估中的应用

提出一种新的全局集成优化算法(Powell-DE算法)．该算法在差分进化算法中引入具有强局部搜索能力的Powell算法，克服了DE算法收敛慢且易陷入局部最优等缺陷，几个典型测试函数的仿真实验和比较，验证了新算法的有效性，体现了新算法的优越性；然后，Powell-DE算法被用于基于LSSVM模型的蒸发过程出料溶液NK的浓度的软测量中，并与其它2种方法的比较，现场工业数据验证表明新模型体现出了更好的跟踪性能且精确度高，能够完全应用于出料溶液NK的浓度的在线预测.     

基于差分演化与猫群算法融合的群体智能算法

提出一种基于差分演化与猫群算法融合的群体智能算法。该算法基于猫群算法的两种行为模式，引进差分演化的思想，根据分组率随机把群体分成两个种群，一个种群执行猫群算法搜寻模式，另一种群执行差分变异模式，算法采用一种信息共享机制，使两个种群在搜索最优解时可以实现协同进化，信息交流。既实现了不同进化模式间的优势互补, 又可以增加种群的多样性。对5个基准函数进行仿真实验并分别与DE和CSO 进行比较，表明混合算法同时具有全局搜索和局部搜索最优解性能，收敛速度快，计算精度高，更适合用于求解高维复杂函数。     

基于改进型蚁群算法的网格资源分配的研究

通过对基于标准蚁群算法和MMAS蚁群算法的网格资源分配算法的比较和分析,提出了另一种自适应的蚁群算法。通过计算机仿真实验证明,自适应改进型蚁群算法相比于基于标准蚁群算法和MMAS蚁群算法的网格资源分配算法具有更强的搜索全局最优解的能力,同时还具有更好的稳定性和收敛性。