基于多准则决策的塔状粒子群优化算法

针对经典粒子群优化算法存在早熟、收敛精度低和收敛速度慢的问题, 提出了一种新的改进算法. 该算法采用了塔状优化互联机制, 底层粒子群负责寻找局部最优解, 顶层粒子负责收集、反馈全局最优解, 为底层种群提供全局最优信息, 建立共享学习机制. 顶层粒子一旦发现停滞现象, 将通知底层粒子群采用细菌觅食优化、随机初始化等停滞优化策略, 以改善粒子群的收敛速度. 实验结果表明, 与同类算法相比, 改进算法具有更好的寻优能力, 改善了粒子群的收敛精度和收敛速度.     

一种多样性驱动的自适应粒子群优化算法

粒子群优化算法是一种随机全局优化算法,但它容易陷入局部最优和早熟,为了克服其缺陷,本文提出了一种多样性驱动的自适应粒子群优化(DDA-PSO)算法。本算法包括吸引阶段和驱动阶段。吸引阶段利用惯性权重线性递减机制加快粒子收敛,驱动阶段利用多样性驱动速度策略提升种群多样性。两个阶段相互自适应转换,粒子能跳出局部最优和防止早熟,算法的勘探与开拓获得自适应平衡。DDA-PSO算法与其他已有算法进行了比较,实验结果表明,DDA-PSO算法提高了收敛速度和精度,全局搜索能力得到显著提高。     

一种求解厌恶型p-中位问题的混合进化算法

厌恶型p-中位问题是一个NP-困难问题.提出了一种求解厌恶型p-中位问题的混合进化算法.首先,通过贪心随机自适应搜索方法和随机构造方法产生初始种群.然后,利用搜索过程中收集到的全局信息和局部信息构造新解,期间注意提高搜索的多样性,避免早熟.最后,针对厌恶型p-中位问题的特点,构造基于约束交换邻域的局部搜索算法,提高了算法的局部搜索能力.通过求解72个标准测试例子以检验算法的性能,发现该算法在较短时间内得到了高质量解,优于现有算法.     

免疫遗传算法的逻辑电路进化设计研究

针对电路进化设计时传统进化算法收敛速度慢且易陷入局部最优解等问题,模拟人体免疫系统的机制,设计了一种改进的免疫遗传算法用于逻辑电路的进化设计.首先建立电路进化设计模型,对种群中抗体进行多目标适应度评估;然后改进抗体的选择机制并将精英抗体作为记忆单元保存;最后引入自适应交叉、变异策略保持抗体多样性并提高算法的收敛性.实验结果表明:该算法具有较强的全局搜索能力,能有效地减少搜索到全局最优解的迭代次数,并设计出新颖、高效的电路结构.     

基于支持向量机对种群特征回归分析的自适应遗传算法

在分析标准遗传算法易发生早熟收敛的基础上,提出了遗传算法种群特征代间海明距离的概念,代间海明距离可以较好的反映算法运行的总体与动态性能.应用支持向量机对遗传算法的代间海明距离进行了回归分析,遗传算法依据回归分析结果调整其整体优化策略,同时依据算法当前运行情况自适应调整种群的多样性,有效地避免了遗传算法的早熟收敛.数值实验结果表明,该改进算法搜索整体性较强,搜索效率优于标准遗传算法,提高全局优化能力.     

一种基于欧氏干扰因子的微粒群优化算法的改进

针对基本微粒群优化(PSO,Particle Swarm Optimization)算法在应用于具有极多局部极值和维数被优化问题时易陷入局部最优和早熟收敛的不足,提出了一种新的改进算法称之为欧氏微粒群算法.此改进算法的主要思想是当算法陷入局部最优时,给微粒一个扰动因子,它的大小会因当前微粒与全局最优微粒的欧式距离的大小而自适应变化,促使微粒跳出局部最优.在实验中选取典型标准函数对算法进行测试,实验结果表明,本文算法优于标准微粒群算法(SPSO)和高斯微粒群算法(GPSO),而且随着问题复杂性的提高其性能优越性越明显.     

基于动态分级和邻域反向学习的改进粒子群算法

针对粒子群算法容易陷入局部最优解的问题,提出了一种基于动态分级和邻域反向学习的改进粒子群算法.该算法通过构建动态分级机制,将种群中的粒子动态地划分成3个等级,对不同等级内的粒子采取不同的扰动行为,使得粒子在增强种群多样性的同时保持向全局最优方向进化;采用粒子智能更新方式,提高了粒子的搜索能力;引入动态邻域反向学习点建立全局搜索策略,促使种群快速寻优.最后,利用多种典型测试函数对该算法进行仿真实验,结果表明,与其他几种优化算法相比,本算法具有较好的收敛性和稳定性.     

基于量子克隆选择算法的AB非格蛋白质折叠预测

将免疫克隆选择算法与量子算法相结合的混合量子免疫算法应用于处理多极值和多变量的蛋白质折叠问题中.在克隆选择算法中引入免疫记忆细胞并加入量子双链编码方式以增加其搜索到全局最优值的概率.由于该算法易陷入局部最优,为改善该算法的性能而跳出局部最优解,将年龄算子引进到该算法中.实验结果表明,改进后的量子免疫算法在最低能量值和计算时间上与之前相比有明显的提高,而且年龄算子的加入在早熟收敛的改善上同样效果显著.     

基于自适应演化算法的DS-CDMA多用户检测

提出了一种新的自适应演化算法，用来解决码分多址系统中的多用户检测问题．该算法采用最大似然判决来检测用户发送的比特序列，根据当前变异的成功概率来自适应调整子代种群规模．仿真结果表明，基于自适应演化算法的多用户检测器总能在指定的迭代次数内收敛到与最优多用户检测器相一致的结果．该算法与未采用自适应机制的进化规划相比，当用户数从10增加到20时，收敛所需的代数相应减少37．5％到47．8％．该算法的计算复杂度是与用户数相关的多项式复杂度，与最优多用户检测器的指数复杂度相比，具有较好的可行性和实用性．     

采用渐变与突变机制的反向人工蜂群算法

为克服人工蜂群算法容易陷入局部最优且后期收敛速度较慢的缺点,提出一种基于渐变与突变机制的反向人工蜂群算法并用于特征选择.采用反向学习策略,为每个初始解产生对应的反向解,并从所有解中选择最优的解构成初始种群,加快了收敛速度.引入渐变与突变机制,将个体按适应度大小分为渐变个体和突变个体,对它们采用不同的邻域搜索方法,避免了陷入局部最优.对比实验表明,新算法比其他特征选择算法能够得到更好的特征子集且具有更快的收敛速度.     

自适应混合演化算法

为避免标准的演化算法演化速度慢，易收敛到局部极值的缺点，融合对梯度的随机模拟，免疫算子，模拟退火算法的思想，提出一种自适应混合演化算法，它在不同的演化阶段自适应的采用不同的演化算子，在演化初期具有较强的全局搜索性能，在演化中后期具有较强的精搜索性能，能迅速收敛于全局最优解；对标准测试函数的仿真结果表明，该算法具有精度高，收敛速度快，稳健性强的优点。     

遗传算法的早熟收敛

通过对遗传算法机理的分析,指出模式缺少是早熟产生的原因.提出了一个在遗传算法中基于模式抽取和模式补偿的补偿算子,以解决早熟现象.     

一种有效的变步长的自适应独立分量分析算法

步长因子的优选是自适应算法中的一个重要问题,本文建立了步长因子与互相关性测度之间的一种非线性函数关系,以此为基础,提出了一种新的变步长的自适应独立分量分析算法,分析了算法收敛性能和稳态性能.该算法根据互相关性测度所反映的信号分离状态自适应地调节步长因子,克服了传统算法在稳态步长调整过程中的不足.仿真实验结果表明了算法的有效性.     

系数密集间断边值问题并行计算分析

研究系数密集间断的边值问题，采用降维方法，使得在数值计算上可实现并行计算，并且收敛性的证明变得很简洁．     

并行计算多项式全部零点的一个高速圆盘迭代

本文受〔7〕和〔3〕的启发,得到了一个渐近效率与〔3〕相当的同时求多项式所有根的并行圆盘迭代法,并建立了条件较〔3〕为弱的收敛性定理.该算法毋需计算多项式的导数,所以在某种特定条件下,渐近效率较高.     

基于共轭梯度法的盲分离在线算法

在严格论证盲分离问题与数学上的最优化问题等价的基础上,把问题的重点集中在对该最优化问题的寻优上.由于盲分离最优化问题的目标函数的特点,在欧氏空间中对决策变量(分离矩阵W)进行寻优求解带来诸多复杂因素,寻优算法在弯曲的黎曼空间中动态运行是解决这些问题的一条可行途径.为此,本文在改进 NGA 和 PDFA 算法的基础上,结合在线算法 PDEA 在估计信号的得分函数的较好效果,和求解最优化问题的共轭梯度法较快收敛性能,提出了具有自学习能力,并继承共轭梯度法特点的盲分离在线算法 PDEA-CONJ.此算法应用到盲分离问题中,在混合矩阵严重病态情况下能取得了较好分离效果.实际算例验证了其收敛性和有效性.     

模糊自适应算法的神经网络图像重建

在12电极ECT系统中,采用BP神经网络进行图像重建时以一定原则选取学习样本,并引入模糊自适应算法以加快训练的收敛速度,获得较满意的重建图像效果．