基于混合人工鱼群算法的传感器网络优化

针对传感器网络节点优化的问题,提出一种混合人工鱼群算法.该算法在人工鱼群算法优化的末段引入模式搜索法,以人工鱼搜索到的最优解作为模式搜索法的初始解,利用模式搜索法的单调搜索特性,将解引向全局极值.新算法保留了人工鱼群算法全局搜索能力强、寻优速度快的特点,使寻优精度得到了提高.仿真实验表明:混合人工鱼群算法能够有效地优化传感器网络节点部署,提高覆盖率.     

按区域惩罚划分的并行多目标遗传算法

解决多学科设计优化问题的多目标遗传算法通常面临着大计算量的挑战,提出了一种新型的并行化算法来提高其效率.全局个体均匀的分布在各个进程,首先从所有的进程中获取全局范围的Pareto最优解极值,并发送给每个进程,再由这些极值来构造各个进程自己的惩罚函数.通过惩罚函数给个体添加约束来划分各个进程的收敛区域,同时采取优化措施保证每个进程加速收敛并且收敛区域没有重叠和遗漏,这样每个进程只需收敛到特定的一段Pareto最优解,降低了计算量;同时由于进程间交换的数据量小,保证了效率的提高.通过与串行算法(NSGA2)和其他的并行化算法比较,显示了该算法的有效性和先进性.     

基于蚁群算法和Powell法的Lambert转移

研究了两次脉冲时刻均不固定的Lambert轨道转移的优化问题,目标是找到施加两次脉冲的最优时刻,使燃料和转移时间的加权和最小.鉴于传统的优化算法难以获得该优化问题的全局最优解,提出了一种蚁群算法和Powell法相结合的优化算法,给出了算法的设计步骤.该算法结合了蚁群算法的全局搜索能力和Powell法的局部寻优能力,在保证全局搜索能力的同时,提高了算法的局部寻优能力和精度,减少了寻优时间.通过两个算例验证了这种结合的有效性和准确性.     

全局最优化问题的一种确定性算法

提出了一种求解全局最优化问题的确定性算法,它属于求解带有给定精度的全局最优解的覆盖法.原理是排除区域,即检查出不包含全局最优解的子区域,并从深入研究中排除出去.对某些特殊类型函数,将区域作一致网格覆盖,通过计算结点处的函数值逐次去除函数值较大的区域,保留函数值较小的区域,最终得到达到要求精度的全局极小值.算法要求函数的Hesse矩阵特征值的界可估计,并利用该界确定算法的终止条件.最后给出了数值例子.     

基于连续蚁群算法的Bayesian方位估计快速方法

针对蚁群算法(ACO)在解决高维非线性搜索问题方面的有效性,提出了基于蚁群优化算法的Bayesian最大后验概率方位估计(ACO-Bayesian)快速方法.该方法将Bayesian最大后验概率函数作为蚁群算法的目标函数,选取若干一维高斯函数的加权和作为连续蚁群算法中信息量概率分布函数,经过有限次迭代得到Bayesian方法的非线性全局最优解.仿真结果表明,ACO-Bayesian方法在保持Bayesian方法优良性能的同时,将Bayesian方法的计算量减少到原来的1/14.水池实验结果验证了ACO-Bayesian方法的正确性和有效性,为其工程应用奠定了基础.      

混沌麻雀搜索优化算法

针对麻雀搜索算法(SSA)在接近全局最优时,种群多样性减少,易陷入局部最优解等问题,提出了一种混沌麻雀搜索优化算法(CSSOA)。首先,通过改进Tent混沌序列初始化种群,提高初始解的质量,增强算法的全局搜索能力。其次,引入高斯变异的方法,加强局部搜索能力,提高搜索精度;同时以搜索停滞的解为基础产生Tent混沌序列,用此混沌序列对部分陷入局部最优的个体进行混沌扰动,促使算法跳出限制继续搜索。最后,对12个基准函数进行仿真实验。结果表明:所提算法能够克服SSA易陷入局部最优的缺点,提高算法的搜索精度、收敛速度和稳定性。同时,将CSSOA应用到简单图像分割问题,验证了CSSOA应用于实际工程问题的可行性。      

基于遗传算法的多学科设计优化分解方法

通过分析现有的多学科设计优化中任务分解方法(枚举法、聚类识别法和分支定界法)的特点,指出了现有方法的不足.提出了将遗传算法应用于优化任务的分解问题,给出了具体的算法描述和详细的任务分解算法流程,并分析总结给出了该算法的优点:①遗传算法对搜索空间没有任何要求,因此对函数关系矩阵(FDT,Function Dependence Table)也没有任何要求;②遗传算法是一种随机迭代方法,不需要估计初值;③遗传算法同时对一组解进行搜索,大大提高了搜索速度,在保证计算精度的基础上得到全局最优解.最后还以齿轮减速器优化问题为例,将遗传算法应用于上述问题的任务分解过程,得到了较为满意的分解结果,并从计算方案次数的角度定量地比较了所提出方法与现有方法的区别,从而证明了该方法的正确性和优越性.     

基于CPSO优化的空空导弹μ综合控制器设计

粒子群优化算法（PSO,Particle Swarm Optimization）在空空导弹μ综合控制器参数优化中易出现早熟现象而无法获得全局最优解.针对此问题,提出一种动态加速常数的粒子群优化算法（CPSO,Constant Particle Swarm Optimization）.改进算法通过对加速常数的指数形式变化,在寻优前期扩大搜索范围,在后期提高收敛效率,从而避免了寻优过程中的早熟现象.仿真结果表明,改进的CPSO优化算法具有更强的全局搜索能力,设计出的μ综合控制器具有更优的性能,满足给定的性能指标和自动设计指标,节省了大量设计时间,具有工程应用价值.     

基于自适应学习策略的改进鸽群优化算法

鸽群优化（PIO）算法已广泛用于无人机编队和控制参数优化等领域，但标准PIO算法容易陷入局部最优。提出了一种基于自适应学习策略的改进鸽群优化（ALPIO）算法。该算法引入了基于容差的搜索方向调整策略、基于自学习的候选者生成策略以及基于竞争学习的预测策略，通过增强种群的多样性，可提高算法全局最优概率，其已在8个基准函数上进行测试。仿真试验结果表明:所提算法在多峰函数优化问题中的收敛精度和收敛速度有了显著提升，并且能够更有效避免陷入局部最优解。      

一种求非线性规划全局最小解的算法

在评述了近２０年来发展的全局最优化方法之后，提出了一种求解全局最优化问题的算法，即从一个求得的局部最小解点出发，去解一个最大化问题，这个最大化问题是构造一个辅助函数去寻求一个更好的局部最优解，这样就产生一个局部最小解序列，得后得到全局最小解，另外还有了全局收敛性定理，也给出了数值例子。     

Hierarchical approach for fast searching optimal launch opportunity in a wide range

Launch opportunity search is crucial for preliminary design of interplanetary trajectories. However, it is difficult to obtain the optimum solution efficiently when the range of search is wide. In this paper, a new fast search algorithm based on a modified hierarchical approach is proposed. At the top level, a simplified Pork-Chop diagram is plotted by sampling interpolation to delimit the candidate regions of the optimal solution. Each candidate region contains only one optimal solution, which fundamentally avoids the local optimal problem of genetic algorithms. At the bottom level, a hybrid optimization approach combining the genetic algorithm and the conjugate directions method is used to solve the accurate optimal solution of each candidate region and obtain the global optimal launch opportunity in the whole wide range of search. Simulation results show that the proposed hierarchical approach can quickly and robustly find the global optimal launch opportunity in a wide search space.     

面向多星区域观测调度的改进型自适应遗传算法

针对传统优化算法在解决多星区域观测调度问题中收敛速度缓慢和易于陷入局部最优解的不足,提出了一种改进型自适应遗传算法。该算法通过蒙特卡洛方法结合Hamming距离,给出较优的初始种群;根据种群的平均Hamming距离确定交叉和变异操作的执行顺序,并结合sigmoid函数和高斯函数基于种群的个体适应度设计了自适应非线性的交叉率和变异率;结合双精英保留策略和锦标赛策略,保证最优个体的遗传;使用双重停机条件,提高算法的搜索效率。最后,通过实验表明,该方法可以显著提高全局搜索能力,加快算法的收敛速度,有效提高卫星的观测效率。     

基于IFOA的MEMS加速度计无转台标定

为提高微机电系统（MEMS）加速度计的标定效率并降低对高精度转台的依赖,提出一种基于改进果蝇优化算法（IFOA）的MEMS加速度计无转台标定方法。首先,根据模观测标定法原理将加速度计标定问题转化为非线性函数优化问题。然后,针对经典果蝇优化算法存在的只能搜索正参数及搜索步长固定的不足,对味道浓度判定值及搜索步长进行改进,使改进后的算法具有全局参数搜索及可变步长2种性能,并利用Rosenbrock函数进行测试,结果表明,IFOA相比于经典果蝇优化算法具有全局参数寻优范围及更高的寻优精度。最后,将IFOA应用于求解加速度计待标定参数的非线性函数优化问题,并将结果与牛顿迭代法和粒子群优化（PSO）算法进行对比。仿真结果表明:IFOA在求解精度方面比牛顿迭代法提高了1~3个数量级;在运行稳定性方面比牛顿迭代法和PSO算法分别提高了30%和34%,在运行时间方面分别减小了15.2%和43.6%;在加速度计无转台标定方面具有良好的应用价值。      

Two-level optimization approach for Mars orbital long-duration,large non-coplanar rendezvous phasing maneuvers

A relative dynamics equation-set based on orbital element differences with J₂ effects is derived, based on which a two-level approach is proposed to optimize the Mars orbital rendezvous phasing with a large difference in the initial ascending node. The up-level problem uses the revolution deviation between the target spacecraft and the chaser as the design variable, and employs a linear search to find the optimum. The low-level problem uses the maneuver revolutions, locations, and impulses as the design variables, and is solved using a hybrid genetic algorithm combined with sequential quadratic programming. To improve the solution accuracy, an iteration method is developed to satisfy the terminal constraints of the absolute numerical integration trajectory. Test cases involving Mars sample return missions with large initial node differences are presented, which show that the relative dynamics, two-level optimization model, and hybrid optimization algorithm are efficient and robust. Compared with previously published results, the total velocity increment has been further reduced by utilizing this proposed approach. It is found that a five-impulse plan requires the least quantity of propellant, and a propellant-optimal minimum rendezvous duration exists for this long-duration, large non-coplanar rendezvous problem.