基于混合变异的人工蜂群算法

针对人工蜂群算法在求解函数优化问题中存在收敛速度慢、易于陷入局部最优的缺陷,提出了一种基于当前最优解的混合变异算子的人工蜂群算法(artitificial bee colony algorithm based on hybrid mutation operator,HMABC).该算法中跟随蜂采用基于当前最优解的差分进化搜索策略,侦查蜂采用基于当前最优解的高斯变异侦查策略,通过变异增加种群的多样性,并且在当前最优解的引导下有效提高了算法收敛速度,避免其陷入局部最优.基于6种测试函数的仿真实验结果表明,提出的HMABC算法在收敛速度和求解精度方面均优于其他人工蜂群算法.     

基于改进蚁群算法的水下机器人路径规划算法

针对当前基本蚁群算法应用于水下机器人全局路径规划时存在路径搜索速度慢、容易陷入局部最优等问题,对其进行优化,提出一种改进蚁群算法。首先,改进算法引入A*算法作为新的初始路径搜索策略提高初始解的质量,加快算法收敛速度;针对特殊环境下算法容易陷入局部最优的问题做出优化,引入狼群分配策略进行蚂蚁回退。此外,对距离启发函数做出改进,综合考虑当前节点和下一节点以及下一节点和目标节点之间的距离,提高了算法搜索效率;提出一种信息素动态自适应更新策略,加快了算法前期搜寻效率,同时又扩大了算法后期搜寻范围。最后,以三次B样条法为基础引入路径平滑操作,去除规划路径结果中的冗余节点,减少了水下机器人移动过程中的能耗。仿真结果表明,和基本蚁群算法相比,改进算法不仅能取得更短、能耗更低的最优路径,收敛速度也更快。     

自适应蚁群算法求解车间作业调度问题

车间作业调度问题(JSP)是组合优化问题中的NP-Hard问题,应用传统的蚁群算法在求解时存在易于陷入局部最优解、收敛速度慢等缺点.通过在蚁群算法的信息素局部更新策略和全局更新策略两处引入自适应方法对蚁群算法进行了改进,并应用此算法对经典的FT06问题和FT10问题进行了大量的求解试验.试验结果表明该自适应蚁群算法在求解车间作业调度问题时,搜索速度和收敛速度比传统的蚁群算法都有较好的提高.     

基于量子粒子群优化算法的无人艇航线规划

针对目前无人艇主流航线规划算法存在效率低、收敛速度慢或易陷入局部最优等问题,文章将具有较强全局搜索能力的量子粒子群优化(QPSO)算法用于求解无人艇最优航线规划并结合人工势场思想进行针对性改进应用,仿真实验结果表明,该方法寻优能力强、收敛速度快、稳定性好,可较好地适用于不同环境下无人艇航线规划。     

基于改进人工蜂群算法的船舶管路路径寻优算法分析

[目的]人工蜂群（ABC）算法具有控制参数少、局部寻优能力强、收敛速度快的特点,但在解决路径寻优问题方面,存在容易陷入局部最优的缺陷。为解决船舶管路系统中的管路路径规划问题,提出一种改进的人工蜂群（IABC）算法。[方法]在传统人工蜂群算法的基础上,在跟随蜂的更新机制中引入遗传算子中的交叉操作,并对交叉算子的交叉概率采用自适应的策略;通过对种群进行的交叉操作寻找全局范围内的新解,并改进侦察蜂寻找新路径的方式,由原来的对路径经过的点进行更新改为对路径中的“路段”进行更新;随后,提出一种适应于解决分支管路路径寻优的改进人工蜂群协同进化算法。[结果]实例验证表明,改进后的人工蜂群算法相比标准人工蜂群算法其路径布置效果能够提升32.3%～37.4%,收敛速度能够提升17.7%～29.9%。[结论]无论是解决单管路还是分支管路,改进后的人工蜂群算法相比传统的人工蜂群算法求解质量更高、收敛速度更快、稳定性更好。     

基于改进差分进化算法的船舶曲面分段车间调度

为有效提升船舶曲面分段车间的加工效率,解决已有算法存在的易陷入局部最优解和初始解质量低的问题,提出一种改进的差分进化算法,对曲面分段调度问题进行求解。以最小化完工时间和最小化班组间负荷差距为目标,建立该曲面分段调度问题的双目标数学模型,并采用改进的差分进化算法对该问题进行求解。该改进差分进化算法将全局搜索策略与局部搜索策略相结合,能提升初始解的质量,并加快收敛速度。使用某船厂的实际数据对该算法进行有效性验证,结果表明,该算法能有效求解船舶曲面分段调度问题,能更好地提升船舶曲面分段制造调度作业效率。     

基于改进人工蜂群进化算法的移动机器人路径规划与仿真分析

针对经典人工蜂群算法在机器人路径规划中易于陷入局部极值,且寻优过程收敛速度较慢等问题,提出了一种基于约束优化的改进人工蜂群算法.通过设计变异算子来增大极值在陷入局部最优时的跳出概率,提高机器人路径规划的收敛能力.在机器人路径规划上,对文中方法、遗传算法、A*算法以及经典人工蜂群算法进行性能评估.实验结果表明,文中方法能有效避免路径规划中的局部极值,减少机器人路径规划时间损耗,提高了路径规划效率.     

基于迭代局部搜索和自适应粒子群优化的SVM短期负荷预测

为了能够进一步的提高船舶电力负荷的预测精度,针对SVM模型在负荷预测中存在的参数选取问题,该研究提出了一种新的参数优化算法:基于迭代局部搜索和自适应粒子群优化的组合算法。自适应粒子群算法提高了传统粒子群算法的收敛速度,引入的迭代局部搜索思想,配合新的极值评价标准能够很好的解决粒子群算法容易陷入局部最优的问题。仿真结果表明,利用新的参数优化算法使得SVM预测模型的精度得到了很大的提高。     

基于蚁群算法的航线自动生成方法

利用基本蚁群算法自动生成航线,在搜索的过程中容易陷入局部最优、搜索时间长等问题,引入Adadelta算法,增加了蚁群算法的随机性,改变了信息素的更新规划,将信息素挥发系数进行自适应调整,从而极大改善了蚁群算法的性能。仿真试验结果显示,本文方法比对比方法的搜索能力更强,效率更高,得到的航线不仅有效避开了海上障碍物与禁航区,而且距离更短,是一种有效的航线自动生成算法。     

加速混沌优化算法的改进及其在船型论证中的应用

利用混沌运动所特有的随机性、遍历性和规律性,对加速混沌优化算法进行一些改进,提高了混沌优化算法的收敛速度和精确性.改进的加速混沌优化算法利用混沌运动的性质,同时不断缩小变量的搜索空间,在混沌优化搜索过程中,以具有一定保证的当前最优解为中心,不断地缩小优化变量的搜索区间,调整细化参数,促使搜索能够更快、更有效地向全局最优解收敛.将该改进算法应用到具体的船型论证中,不仅证明了该改进算法简单,容易实现,具有较高的收敛速度和可靠性,而且具有较高的寻优精度和较少的优化迭代次数,也体现了该算法在船型论证领域中的实用性和有效性.     

基于遗传模拟退火策略的霍普菲尔德神经网络求解TSP问题

针对霍普菲尔德(Hopfield)神经网络在求解旅行商问题(Traveling Salesman Problem,TSP)中出现大量局部极小解问题,利用遗传算法的并行搜索优势和模拟退火算法的局部寻优优势,使用遗传模拟策略合理改进Hopfield神经网络的能量函数、固定出发城市以及压缩解空间,构造出一种求解TSP问题的新算法。实验结果表明:这种混合算法明显优于经典Hopfield神经网络,具有收敛速度快,迭代次数少等优点,且能在很大程度上避免经典Hopfield神经网络优化易陷入局部最优的缺陷。     

基于弹性网格的改进遗传算法在无人艇路径规划中的研究

针对传统遗传算法进行路径规划时搜索空间大、出现过多搜索冗余和收敛效率低等问题,提出在基于网格的遗传算法上加入弹性网格概念。在低密度的网格地图下求解当前最优路径,针对转向点局部增加网格密度,进一步路径寻优,如此重复,以减小算法搜索空间,提高路径规划效率;同时,给出自适应变异概率,使其根据各代路径离散程度自适应调整大小,以提高各代路径多样化,并进行仿真分析和试验。仿真结果表明:平均迭代次数明显少于传统遗传算法,收敛速度得到改善,最终寻优路径达到与障碍物无干涉,总长度明显较短的基本预期效果。     

改进差分进化算法在舰船电力系统网络重构中的应用

针对舰船电力系统的网络重构,建立了以负载恢复量、开关操作数和发电机效率均衡为多优化目标的舰船电力系统故障恢复模型,提出了一种带自适应离散断点算子和动态变异、交叉因子的改进离散差分进化算法进行求解。改进后的算法能有效地提高收敛速度,并克服传统差分进化算法收敛精度不高、易陷入局部最优的问题。舰船电力系统网络故障恢复算例表明,该方法能获得更好的系统重构方案,并具有较好的优化性能。     

水下传感器网络覆盖优化算法

针对水下传感器网络随机部署时节点分布不均匀、网络覆盖率不高问题,提出一种基于改进全局人工鱼群算法的网络覆盖优化算法。优化算法以覆盖率为目标函数自适应调整人工鱼移动步长,同时在向最优人工鱼靠拢过程中引入权重系数,提高算法寻优精度和收敛速度。实验结果表明,与遗传算法和鱼群算法相比较,该改进算法优化了网络覆盖率,加快了算法收敛速度,提升了网络性能。     

基于样本熵理论的进化论自适应消噪算法

进化论自适应滤波器消噪算法通过有性繁殖和无性繁殖规则可以实现全局最优搜索,从而最优地消除可加性噪声,有效提取故障特征信号。但定值进化系数和以残差信号平均能量的倒数作为适应度函数等因素,约束了该算法的收敛特性和消噪性能。由于样本熵拥有可有效表征信号的不规则性和复杂程度、可较少地依赖时间序列的长度、对于丢失数据不敏感、对瞬态强干扰有较好的承受能力等特性,本文将信号样本熵的倒数作为适应度函数,采用变步长的进化系数提出基于样本熵理论的自适应进化论消噪算法。模拟仿真和实验数据研究表明,本算法有较好的收敛速度和消噪效果。     

海上导航路径中的微分进化算法研究

通过分析传统微分进化算法的优缺点,提出基于邻域变异的微分进化算法,在算法设计时利用全局最优向量和局部最优向量的结合形成最终的变异向量,并且在算法中加入抖动因子来增强其搜索查找能力。将此算法应用到海上导航路径规划中,实验证明本文所设计的算法与传统的DE/best/1和DE/target-to-best/1相较,收敛速度慢,稳定性强。     

基于模拟退火-蚁群变步长优化算法的椭偏数据反演分析

椭圆偏振光谱方法是获取薄膜复光学常数和厚度的最优光学测量手段之一,椭偏方程作为超越方程,其逆向求解过程中的反演算法直接影响着椭偏数据的处理效率与精度.以前期的蚁群算法为基础,为进一步提高算法的收敛速度和跳出局部最优解的能力,研究了模拟退火算法和蚁群算法的融合策略,并提出了一种基于最优蚂蚁的变步长方法,通过动态改变最优蚂蚁的领域局部搜索步长,提升算法的精细化搜索能力,最终给出了模拟退火-蚁群变步长优化算法.应用该优化算法分析了高温超导薄膜FeSe的椭偏光谱,测试结果表明,该混合优化算法可以实现椭偏数据的精确反演分析,并且具有更快的收敛速度和更优的评价函数.     

基于免疫机制的改进粒子群优化算法研究

针对粒子群优化(PSO)算法容易陷入局部极值的不足,引入免疫机制对PSO算法进行优化,实现全局搜索。通过免疫机制的应用,根据亲和度的高低进行粒子克隆、选择、淘汰和高频变异,增强了算法全局搜索的能力,提高了收敛速度和精度。实验表明,改进后的算法完成全局搜索所需的迭代次数明显少于PSO算法,具有优良的自适应调整性能。     

一种半潜式支持平台靠泊路径跟踪控制方法

针对PSO算法在应用到路径跟踪时，容易陷入局部最优的缺陷和惯性权重调节机制的局限性，提出基于粒子进化率的改进IM-PSO优化算法。该算法一方面利用粒子的进化率及时调整粒子的惯性权重，提高算法的搜索速度；另一方面利用免疫系统的免疫机制增加粒子的多样性，提高PSO算法摆脱局部最优的能力。选取北海型半潜式支持平台作为工程案例，在北海真实海况下进行靠泊路径跟踪控制的仿真分析，对PID路径跟踪控制器参数进行优化。仿真结果表明，与标准PSO优化方法相比，该方法优化的靠泊路径跟踪控制器的稳定性更高，提高了运算效率，收敛精度更高。     

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用北大核心CSCD

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。