基于粒子进化的SD多功效流率函数及其应用

系统动力学(SD)模型的流率是动态仿真决策控制要素,但在SD方法中,仅给出定义式,解析范式缺失,实际应用常采用模糊确定的表函数.由于SD模型的流位演进流率与粒子群算法(PSO)的粒子进化速度属性类同,则在析解流率决策控制机制与粒子进化速度方程的基础上,依据粒子进化的结构原理,讨论流率函数结构,建立多功效流率函数解析式,提出系数估计策略,构造动态仿真算法.以区域生态经济系统动态仿真为例,将流率函数及其系数估计策略和动态仿真算法加以实际应用,以检验多功效流率函数的有效性和适用性.多功效流率函数物理意义明确,具有可比可控性、结构优化性和减少主观性等多重功效,可作为SD方法中流率函数的范式.     

进化泛函网络多维函数逼近理论及学习算法

提出了一种用于多维函数逼近的进化策略修正泛函网络基函数系数的新算法,并给出了其算法学习过程.利用进化策略的自适应性来确定基函数前的系数,改进了泛函网络的参数通过解方程组来得到这一传统方法.仿真结果表明,这种新的逼近算法简单可行,能够逼近给定的函数到预先给定的精度,具有较快的收敛速度和良好的逼近性能.     

基于三次卷积插值的贝叶斯滤波方法研究

针对一类二维空间系统的状态估计模型,提出了一种用三次卷积插值方法递推估计的非线性滤波算法.仿真实例采用一个常用的非线性模型,并与粒子滤波算法进行对比分析,仿真结果表明三次卷积插值方法提高滤波估计精度,从而验证其估计一类状态估计模型解析解的可行性,其插值算法还可以推广到多维空间系统.     

求解高维复合体函数的智能优化算法

由于粒子群算法在处理高维复杂函数时存在容易陷入局部最优的问题,提出了多种群子空间学习粒子群算法(SLPSO),采用多种群进化模式,在粒子更新公式中加入了全局最优粒子,加快了粒子收敛速度,同时在种群之间采用了交叉学习的方法,大大提高了算法的全局搜索能力.另外,还增加了一种子空间学习方法,充分地利用粒子的历史经验,有效地避免了陷入局部最优的问题.通过在高维基准测试函数的仿真实验表明,SLPSO算法的测试结果都明显优于其他两种算法,随着函数维数增加,SLPSO算法测试结果的下降幅度明显低于其他两种算法.在6个极其复杂的复合函数的测试中,SLPSO算法有2个测试函数结果非常接近理论值,其他4个也明显优于其他三种算法.     

应急资源调度问题的改进进化规划算法研究

针对应急资源调度问题,建立一种多资源时间-成本调度模型。设计了进化规划算法的全局变异算子和局部变异算子,根据全局变异前后个体适应度值和分量值的变化趋势,实现定向变异。构建了具有惩罚系数的适应度函数,给出了改进的进化规划算法种群进化策略。计算实验表明,改进的进化规划算法具有较强的局部寻优能力,在收敛速度和求解精度方面优于比较的遗传算法、差分进化算法和进化规划算法,解决了标准进化算法的早熟收敛问题。     

融合差分进化与多策略的阿基米德优化算法

鉴于阿基米德优化算法存在易早熟,收敛慢等缺点,提出一种融合差分进化与多策略的阿基米德优化算法.首先,通过位置参数,随机选择两种混沌映射初始化种群来增强种群的多样性;其次,通过余弦控制因子的动态边界策略改进密度因子,来平衡算法的全局探索与局部开发能力;接着,融合差分进化算法,缩小最优位置的范围,以达到快速向最优位置靠拢的目的.最后,选取10个基准测试函数进行仿真实验,并对实验结果进行Wilcoxon秩和检验,结果表明所提算法性能优于对比算法.     

改进的二进制粒子群算法求解车辆路径问题

设计了一种改进的二进制粒子群优化算法来求解车辆路径问题,算法基于粒子群算法的寻优模式充分考虑粒子之间的导向作用,改进二进制粒子群算法的位取值方式,减小了在进化过程中停滞于局部最优解的概率,并通过构造辅助函数处理优化问题的约束条件,基于分层次实现多个目标的思路来寻优,提高了算法的搜索效率和计算速度.实验测试结果验证了该算法对求解车辆路径问题的适用性和有效性.     

免疫粒子群优化算法在农业水资源优化配置中的应用

求解农业水资源优化配置模型(高维非线性优化模型),较常采用大系统分解协调原理和动态规划相结合的方法,这样减少了变量个数,便于优化求解,但协调的过程需要多次从低阶模型中返回信息,而且对于每层的寻优求解过程存在难以克服的矛盾.采用标准的粒子群优化算法则优化程度不易保证并容易陷入局部最优,优化结果对初始种群依赖性较强.因此应用免疫进化算法对标准粒子群优化算法进行改进并应用于灌区农业水资源优化配置模型的求解.算例分析表明,免疫粒子群算法为求解高维复杂的优化配置问题提供了新思路.     

基于粒子群算法的大型网络计划资源优化

现有求解网络计划资源优化的方法中,解析法不能解决大型复杂网络优化问题,启发式方法过多依赖具体问题、求解效率低,遗传算法生成新一代优化解种群依据的三个算子的实现参数选择,大部分依靠经验并严重影响解的品质,粒子群算法存在大型网络计划资源优化计算量过大和缺少大型网络计划资源优化算例问题.借助设计网络计划时间参数的计算机算法、建立评价函数、设计进化方程等基础工作,选择与工作开始时间相关的变量作为粒子空间位置,用蒙特卡洛方法和限制条件优化初始粒子群,设置可行解范围,用二维动态数组解决大型网络计划资源优化运行image超限问题,通过粒子群算法进化,寻求大型网络计划资源优化解,算例表明基于粒子群算法的大型网络计划资源优化效果明显,粒子群算法参数分析表明:粒子群算法的参数会影响网络计划资源优化结果,而且初始粒子群限制条件和优化目标设置的影响程度较大.     

非线性极大极小系统全局优化算法的分析

非线性极大极小系统的全局优化可用于柔性制造和智能交通的决策与控制.实现了非线性极大极小系统的全局优化算法的仿真,并进行了计算时间分析.数值实验表明了全局优化算法的可行性.算法的计算时间主要由系统的优化极大射影矩阵数目决定,而优化极大射影矩阵数目与系统解析式中单极大式的系数紧密相关,系数取值越分散,简约极大射影矩阵的效果越好,计算效率越高.     

基于神经网络-混合进化算法的桥式起重机的防摇摆控制

使用径向基函数(Radial Basis Function,RBF)神经网络为桥式起重机设计一种防摇摆控制器,并采用遗传算法(Genetic Algorithm,GA)与粒子群优化算法(Particle Swarm Optimization,PSO)相结合的混合进化算法(Hybrid Evolutionary Algorithm,HEA)作为神经网络的学习算法.RBF神经网络用于生成台车运动的光滑轨迹,而混合进化算法以台车遵循所生成轨迹到达目标位置时起重机系统的机械能为优化目标,对神经网络的参数进行优化调整,从而达到抑制负载残余摆动的目的.最后通过仿真验证了所提出的混合进化算法相对于遗传算法和粒子群优化算法的优越性以及所设计的防摇摆控制器的正确性和有效性.     

基于改进粒子群算法的备货型生产系统的生产与维修整合模型

生产系统随着设备磨损往往会失控或发生故障,给企业带来巨大损失.本文以备货型生产系统为研究对象,根据其成品先入库后销售的特点,建立基于故障率的非周期的生产、维修、库存整合模型.模型以最小化单位总成本为目标,基于萤火虫算法的邻域结构改进粒子群算法,求解系统的最优生产率和维修策略,并分析比较不合格产品率、失控率对目标函数值和最优策略的影响.     

有界解析函数的n阶导数估计

本文研究了有界解析函数的n阶导数估计.利用有界解析函数泰勒展开式的系数估计,得到了n阶导数估计的一般式,改进了已有的相关结果.     

基于多目标优化的改航策略研究

随着我国航空运输的快速发展,由恶劣天气等原因导致的航班延误日益增多.传统的改航策略选取总延误损失最小为单一目标,不仅难以满足流量管理不同对象、不同阶段的需求,而且易造成空域利用率偏低.首先将改航策略与地面等待和空中等待相结合,然后综合考虑航空公司的利益,建立多目标优化模型,并采用稳定性和健壮性较强的多目标进化算法求解.最后选取全国典型繁忙日的实际飞行计划,进行了仿真验证.仿真结果表明,策略不仅可为航班动态地选择航路以避开容量限制区域,还可供流量管理部门参考不同目标来确定改航方案.     

基于变系数模型的纵向数据相关结构选择和估计

本文针对基于变系数模型的纵向数据提出 选择和估计其个体内部相关结构的方法, 给出变系数模型中系数函数曲线的有效估计, 并建立相应的大样本渐近性质. 模拟结果和实例分析表明, 即使在有限样本下, 本文所提方法在选择和估计真实相关结构方面具有相合性, 并能够提高系数函数曲线的估计效率.     

数理统计学在多阶段库存管理模型中的研究综述

多阶段库存问题是供应链管理的重要课题,基于数理统计学在临界值策略方面、需求分布函数估计方面、优化算法方面介绍了国内外多阶段库存管理模型模型的研究进展和现状.     

混合模拟退火-进化策略在非线性参数估计中的应用

提出了一种混合模拟退火-进化策略算法应用在非线性参数估计中,方法克服了传统优化方法估计参数精度不高且容易陷入局部极小值等缺点,并且将模拟退火算法和进化策略算法相结合,充分发挥各自算法优点.最后通过给出非线性参数估计算例,结果表明,算法具有参数估计精度较高,收敛速度快,自适应性强,在实际工程中有较大的应用价值.     

求解多维背包问题的改进二进制粒子群算法

针对二进制粒子群算法在求解大规模多维背包问题时存在迭代次数过多、精度不高的不足,提出一种改进的二进制粒子群算法,新算法利用种群个体极值的平均信息和粒子的个体极值决定粒子当前取值的概率,使粒子可以充分利用整个种群的信息,避免算法陷入局部极值,并利用贪婪算法对进化过程中的不可行解进行修复,对背包资源利用不足的可行解进行修正.通过对典型多维背包问题的仿真实验和与其它算法的比较,表明算法有良好的全局优化能力和较好的收敛速度.     

改进多目标量子粒子群算法的WSN覆盖及能耗均衡

为了使无线传感器网络的覆盖率和能耗达到最优的效果,提出了一种改进的多目标粒子群优化算法,采用量子粒子群优化更新粒子,利用拥挤距离排序策略,并结合适应度函数值优劣特性对多目标矛盾的性能目标选择,同时通过拥挤距离对加速系数自适应调整提高算法搜索能力,得到了逼近真实前沿的Pareto解集,具有更快的收敛速度和更强的寻优能力.通过对比实验结果表明:提出的算法在解决WSN的多目标优化问题时,能够避免算法陷入局部最优解,更好地平衡网络覆盖和动态通信能耗,使整个网络的综合指数达到了6.249,均明显优于其他三种算法.     

基于非均匀变异的进化算法对高维多峰函数的收敛性分析

对基于非均匀变异算子的进化算法的实验和机理分析已经证明了该算法模型的良好特性,最近基于非均匀变异算子的进化算法模型求解一维多峰函数问题的收敛性已经得到证明.基于马尔科夫过程理论,对基于非均匀变异算子的一般性进化算法模型和一般性高维多峰函数的收敛性给出证明,并基于典型算例与同类典型算法进行性能比较,数值试验表明算法模型具有很好的性能表现和应用前景.