约束差分免疫克隆算法及其在汽油调合优化中的应用

针对约束多目标优化问题,提出了一种新型的约束多目标优化算法。该算法采用了一种新型约束处理方式,先通过约束违反门限截取种群再依据约束与目标函数值针对不同情况实现对个体的优劣划分。本算法将差分进化与免疫克隆机制相融合,既利用了差分进化从全局角度进行搜索的特点,又利用了免疫克隆机制从优秀个体出发进行局部再寻优搜索的优点,扩大了算法搜索的广度与深度。测试结果表明该算法相比快速非支配排序遗传算法（NSGA II）具有非常优秀的收敛性与分布性。将提出的算法应用于实际的汽油调合优化中,进一步验证了算法的有效性,可有效减少成本,提高产品质量。     

改进的混沌蜂群算法在流水线调度中的应用

针对批量流水线调度问题,提出了一种改进的人工蜂群算法优化最大完成时间。该算法用NEH方法产生初始解,利用混沌的遍历性生成新的邻域解。为了跳出局部最优,使用最优解插入扰动替换一些连续若干步不能改进的解以提高算法的全局搜索能力,仿真实验结果验证了算法的可行性。     

基于辛烷值调合效应模型的在线更新方法及其应用

主要介绍了用于汽油管道调合过程中的辛烷值调合效应模型及模型的在线更新方法。由于汽油辛烷值属性在调合过程中表现出强非线性,使用线性的调合模型会造成较大的预测误差。虽然经典的乙基模型为非线性模型,但是在建模后期或者后期模型维护过程中需要大量的数据,需要做调合实验,往往工作量太大,导致调合工况发生改变时模型很难快速适应。本文提出的基于辛烷值调合效应模型的在线更新方法是以辛烷值调合效应模型为基础,采用递推最小二乘的方法对模型参数进行在线实时更新,从而保证调合效应模型在较大的工况范围内都有效。该方法原理简单、计算速度快,可以适用于不同牌号的汽油调合,已取得了良好的应用效果。     

一种基于椋鸟群行为的改进型蝙蝠算法

蝙蝠算法是一种新兴的元启发式算法,基本蝙蝠算法（BA）存在寻优精度低、易陷入局部最优等缺点。将椋鸟群的集体性行为引入到基本蝙蝠算法中,有效地提高了算法的搜索范围;引入线性递减权重,用于平衡全局搜索和局部搜索。通过一些测试函数对该算法进行仿真研究,结果表明改进的蝙蝠算法有效地避免了种群个体陷入局部最优,提高了算法的寻优精度,优化效果得到改善。     

基于高斯白噪声扰动变异的粒子群优化算法

为了有效避免粒子群算法(PSO)早熟和局部收敛的现象,在深入分析PSO算法的基础上,提出了一种基于高斯白噪声扰动变异的粒子群优化算法(GMPSO).该算法以一定的概率选中粒子进行基于高斯白噪声扰动的变异,并重新随机产生飞离搜索区域的粒子,以克服粒子群后期多样性严重下降的缺点.通过对Benchmark函数的测试表明:GMPSO算法无论是搜索精度、速度还是稳定性均显著优于PSO算法.     

引入迁移和变异策略的改进鸟群算法及其在参数估计中的应用

针对鸟群算法（BSA）易陷入局部最优的问题,提出了一种引入迁移策略和变异策略的改进鸟群算法（IBSA）。在鸟群飞行阶段引入迁移策略有助于提高鸟群向适应度更高位置迁移的能力,提高BSA的收敛速度;在寻优后期引入变异策略,提高鸟群的局部寻优能力,提高了算法的寻优能力。选取6个典型的测试函数进行寻优实验,实验结果表明,与粒子群算法（PSO）、蝙蝠算法（BA）、BSA等算法相比,IBSA具有更高的寻优精度和更快的寻优速度。在此基础上,将IBSA应用于发酵动力学模型参数估计中,与Gauss-Newton、GA、MAEA算法相比,IBSA的参数估计值的偏差平方和最小,具有更高的模型拟合精度。在面对非凸、不可微等复杂寻优问题的情况下,IBSA为研究者提供了一种更加可靠、快速和精确的寻优可能。     

基于禁忌搜索的混合算法在驾驶压力识别中的应用

驾驶员在压力状态下行车会对驾驶安全产生很大影响,严重时甚至会造成交通事故。为准确检测驾驶员的压力状态,提取了驾驶员生理信号的多模态特征并提出了一种基于多种过滤式算法（Multi-filter,MF）与禁忌搜索算法（Tabu Search,TS）相结合的混合算法来选择有效特征向量。该算法首先采用多种过滤式算法的综合评分对原始特征集进行排序和过滤,有效降低特征维度;然后利用禁忌搜索算法进一步选出最优特征组合;最后采用支持向量机对3种不同驾驶压力水平进行分类。实验结果表明,本文提出的混合算法不仅有效地消除了高维特征向量中的冗余信息,还提升了分类准确率。     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

基于情感认知的学习与决策算法在移动机器人行为协调中的应用

基于情感和认知的学习与决策模型是一个新的强化学习算法,该模型将来自情感的内在奖励和来自认知的外部奖励作为学习和决策的动机.将该模型引入到基于行为的机器人控制体系中,构造了一个新的移动机器人导航控制系统.通过基于在线的情感认知学习,形成合理的行为协调机制,从而使机器人实现自主导航任务.仿真实验结果表明:将情感系统引入到机器人系统中能提高学习速度,所提出的控制策略能有效地改善机器人在未知的环境中自主导航的能力.     

改进的AEA算法及其在参数估计中的应用

群搜索算法(Group Search Optimizer,GSO)是一种新的群智能优化算法,适宜于解决多极值高维度优化问题,但其在优化的后期由于种群多样性不够,容易陷入局部最优。对GSO算法进行了改进,将文化算法的模型运用到GSO算法中,并引入群体适应度方差的概念来判断是否进行影响函数操作以提高收敛效率。将该算法与遗传算法(GA)、粒子群算法(PSO)和基本的GSO算法进行优化测试函数的对比实验,并将其运用于丁烷化工业过程中效益最大化问题的研究,所得结果均验证了改进算法的有效性。     

组合蚁群算法及其化工应用

针对连续空间优化问题,提出基于新型蚁群算法和模式搜索策略的组合蚁群优化算法。该算法将解空间的每维变量都划分成若干子域,根据每维变量各个子域中信息量占每维变量总信息量的比例来决定蚂蚁在各个子域间的转移,并在各子域中引入遗传操作实现蚂蚁品质的提升。同时,当最优解经过若干代没有改进时,对所有蚂蚁通过模式搜索策略加快收敛进程。以非线性连续优化问题为例进行仿真,结果表明:该方法比遗传算法具有更好的性能。最后,将该算法应用于反应动力学模型参数估计,取得良好的效果。     

基于人口迁移算法的三值FPRM电路面积最佳极性搜索

人口迁移算法是一种新的全局优化搜索算法,主要模拟人口随着经济重心发生转移和随着压力增加而扩散的机制,其收敛性和全局寻优能力较强。三值固定极性RM(Fixed-polarity Reed-Muller,FPRM)电路的面积大小与其极性有关。通过对人口迁移算法的研究,提出了一种三值FPRM电路面积优化方案。首先根据三值FPRM表达式和电路面积之间的内在联系,建立面积优化模型;然后利用人口迁移算法对三值FPRM电路进行面积最佳极性搜索;最后对10个MCNC Benchmark电路进行测试。结果表明:与整体退火遗传算法相比,本文算法在面积和时间上分别平均节省10.04%和56.59%。     

基于花香浓度的人工蜂群算法在机器人路径规划中的应用

传统的人工蜂群算法是在一种较理想的环境中进行的,不会考虑风的阻力、长时间飞行找不到蜜源使体力下降等现实因素。本文提出了基于花香浓度的人工蜂群算法——FABC算法,在传统的人工蜂群算法中加入了步长和视野范围两个因素提升求解精度,并在侦查蜂阶段提出了花香浓度机制避免陷入局部最优,提高收敛速度。为了验证FABC算法的有效性,采用4个经典测试函数对FABC算法进行了仿真实验,并将实验结果与传统人工蜂群算法以及其他改进人工蜂群算法进行对比。最后将FABC算法应用到机器人路径规划仿真实验中,实验结果证明FABC算法能够有效地解决机器人路径规划问题。     

基于改进免疫遗传算法的神经网络及其在股票预测中的应用

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于改进免疫遗传算法的多层前向神经网络,将该算法用于多层前向神经网络的权值优化,扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度.将该神经网络用于上证指数的趋势预测,仿真结果表明:该神经网络比BP神经网络具有更好的全局收敛性、更高的学习效率和预测精度.     

一种快速自适应蜂群算法及其应用

提出了一种改进的人工蜂群算法(Quick Self Adaptive Artificial Bee Colony, QAABC)。首先,对人工蜂群算法的选择策略和搜索策略进行改进,以提高算法的收敛速度和优化精度;其次,对超边界的个体进行一次有效变异,增强种群的多样性。最后,将本文算法与其他两种算法（标准ABC、ABCP）对5个测试函数在低维和高维进行了对比实验,并将之运用于压力容器设计中成本最小化问题的研究,所得结果均验证了改进算法的有效性。