非线性多目标概率约束规划免疫优化算法

针对噪声信息未知的一般非线性多目标概率约束规划（MOPCP）问题,探讨基于危险理论的多目标免疫优化算法（MOIOA）。算法设计中,借助自适应采样方法估计机会约束的概率和目标值;借助危险理论蕴含的应答模式分割进化种群为已感染、易感染和未感染子群;借助二进制交叉、自适应变异概率、多项式变异策略平衡种群的全局与局部搜索能力。与7种算法相比较获得的数值结果表明,所提算法的搜索效率有明显优势且搜索效果有一定的优越性,同时对复杂工程问题有应用潜力。      

求解概率优化问题的微种群免疫优化算法

针对未知随机变量分布环境下的非线性概率优化模型,探讨微种群免疫优化算法。算法设计中,基于危险理论的应答模式,设计隐并行优化结构;经由自适应采样方法辨析优质和劣质个体;通过动态调整个体的危险半径确定危险区域和不同类型子群;利用多种变异策略指导个体展开多方位局部和全局搜索。该算法的计算复杂度依赖于迭代数、变量维数和群体规模,其具有进化种群规模小、可调参数少和结构简单等优点。借助理论测试例子和公交车调度问题,比较性的数值实验显示,此算法在寻优效率、搜索效果等方面均有一定的优势,对复杂概率优化模型有较好潜力。      

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。     

应用于卫星自主任务调度的改进遗传算法

针对具有侧摆能力的对地观测卫星的自主任务调度问题,对卫星自主任务调度问题和约束条件进行了描述,针对卫星自主任务调度NP-hard的特点,构建了基于目标收益及多约束卫星任务调度模型。设计了一种改进的遗传算法,从遗传操作的各个部分进行算法优化。首先将小区间法应用于初始种群生成,保证了种群的多样性,并且交叉和变异算子均引入自适应概率;同时采用两代竞争技术来避免“早熟”现象,提高算法的效率和鲁棒性。算法还采用最优保留策略用来保存进化中的最优解,使得算法收敛于全局最优。对局部多冲突观测任务应用该改进遗传算法,并针对区域密集目标的观测问题设计了仿真试验,与传统模拟退火算法及免疫蚁群遗传混合算法进行了比较,验证了该算法的有效性和收敛效果。     

星载天线传感器优化部署的均匀设计方法

为提高模态密集大型星载天线在轨模态参数辨识精度,提出基于均匀设计的遗传算法对传感器数量和位置进行优化部署。根据模态空间H₂范数确定参振模态阶数;分别以测量信息正交性和能量最大为优化目标,引入均匀设计方法对传感器数量、种群规模、交叉概率和变异概率4个组合参数进行选取;采用特征实现算法进行在轨模态参数辨识研究。数学仿真表明：所提出的方法可以有效解决传感器数量和位置的优化部署问题,避免了以往人为经验选取参数时存在的主观性和盲目性问题。     

改进免疫算法在函数优化中的应用

在对已有克隆选择算法的抗体行为特征分析的基础上,提出了一种新的偏心动态免疫克隆算法(EDICA,Eccentric Dynamic Immune Clone Algorithm).利用进化过程中子代抗体比父代抗体更靠近最优解的启发性信息,提出偏心变异策略,使抗体更快地靠近最优解域.引入控制因子,通过动态调整变异搜索半径的方法,在进化初期加大步长以加快搜索速度,而在后期减小搜索粒度以提高优化精度.采用超球体混沌变异策略以克服各向异性的不利影响并提高全局搜索能力.实验结果表明:EDICA不仅能够准确地找到静态函数的多个最优点,而且还能以较高的精度锁定和跟踪动态函数的最优点.     

基于SMABC算法的FPRM逻辑电路面积优化

固定极性Reed-Muller (FPRM)逻辑电路面积优化是当前集成电路设计领域的研究热点。但现有FPRM逻辑电路面积优化方法存在优化效率低和优化效果差等问题。FPRM逻辑电路面积优化属于组合优化问题，提出一种自适应混合人工蜂群(SMABC)算法。所提算法在引领蜂搜索阶段引入细菌觅食算法中的细菌趋化行为，使引领蜂向靠近优秀蜜源的方向搜索，提高了所提算法的收敛速度；对跟随蜂的选择概率进行改进使其依据种群的变化自适应改变，提高了所提算法的全局搜索能力；对侦查蜂的转换条件进行改进，增加了侦查蜂在进化过程中的扰动幅度；且在进化过程中引入精英保留策略以提高种群质量。此外，提出一种基于SMABC算法的FPRM逻辑电路面积优化方法，所提方法收敛速度最快且面积优化率最高为54.62%，平均面积优化率为15.33%。     

基于M-AFSA的MPRM逻辑电路面积优化

现有基于传统智能优化算法的MPRM电路面积优化算法存在效果差的问题。由于MPRM电路面积优化属于组合优化问题，先提出一种多策略协同进化人工鱼群算法（MAFSA），该算法引入基于反向学习的种群初始化策略，以提高种群多样性及初始种群解的质量；引入觅食与追尾交互性策略，以加强人工鱼个体之间的信息交流、提高所提算法的收敛速度；引入自适应扰动策略，以增加人工鱼个体位置变异的随机性、避免所提算法陷入局部最优。此外，提出一种MPRM逻辑电路面积优化方法，利用所提算法来搜索电路面积最小的最佳极性。基于北卡罗莱纳州微电子中心（MCNC）Benchmark电路的实验结果表明：与遗传算法相比，所提算法优化电路平均面积百分比最高为57.24%，平均为39.57%；与人工鱼群算法相比，所提算法优化电路平均面积百分比最高为33.53%，平均为14.54%；与改进的人工鱼群算法相比，所提算法优化电路平均面积百分比最高为30.25%，平均为13.86%。     

融合粗糙数据推理的离散麻雀搜索算法求解HFSP问题

针对麻雀搜索算法(SSA)易陷入局部最优、无法求解离散优化问题等不足,提出了一种改进离散麻雀搜索算法(IDSSA)。抽象原始麻雀搜索算法的位置更新公式,针对个体的不同身份设计新的离散化启发式位置更新策略,并针对混合流水车间调度问题(HFSP)设计了编码与解码方式;引入粗糙数据推理理论,通过数学证明解释了引入理论的可行性与合理性,为算法提供理论支撑,提高可解释性;利用上近似的性质扩大搜索空间,提高种群多样性,避免算法早熟,结合划分及粗糙数据推理提出3种策略,促进种群间信息共享,调节种群的开发能力与探索能力,降低算法陷入局部最优的概率;使用改进离散麻雀搜索算法求解混合流水车间调度问题,对3个小规模实例与10个Liao经典测试集进行仿真实验,验证了改进离散麻雀搜索算法求解混合流水车间调度问题的可行性,通过与遗传算法、差分进化算法等经典算法的对比实验,证明了所提算法的优越性与改进策略的有效性。     

自适应变异麻雀搜索优化算法

针对麻雀搜索算法前期易陷入局部极值点、后期寻优精度不高等问题，提出一种自适应变异麻雀搜索算法（AMSSA）。先通过猫映射混沌序列初始化种群，增强初始种群的随机性、遍历性，提高算法的全局搜索能力；再引入柯西变异和Tent混沌扰动，拓展局部搜索能力，使陷入局部极值点的个体跳出限制继续搜索；最后，提出探索者-跟随者数量自适应调整策略，利用各阶段探索者和跟随者数量的改变增强算法前期的全局搜索能力和后期的局部深度挖掘能力，提高算法的寻优精度。选取16个基准函数和Wilcoxon检验进行验证，实验结果表明：所提算法与其他算法相比，寻优精度、收敛速度和稳定性都取得较大提升。     

基于云模型的自适应并行模拟退火遗传算法

针对遗传算法收敛速度慢,容易"早熟"等缺点,提出了一种改进的遗传算法,即基于云模型的自适应并行模拟退火遗传算法(PCASAGA,Adaptive Parallel Simulated Annealing Genetic Algorithms Based On Cloud Models).PCASAGA使用云模型实现交叉概率和变异概率的自适应调节;结合模拟退火避免遗传算法陷入局部最优;使用多种群优化机制实现算法的并行操作;使用英特尔推出的线程构造模块(TBB,Threading Building Blocks)并行技术,实现算法在多核计算机上的并行执行.理论分析和仿真结果表明:该算法比其他原有的或改进的遗传算法具有更快的收敛速度和更好的寻优结果,并且充分利用了当前计算机的多核资源.      

基于BABFA的XNOR/OR电路面积优化

基于XNOR/OR的固定极性Reed-Muller(FPRM)电路面积优化是当前集成电路设计领域的研究热点之一。由于基于XNOR/OR的FPRM电路面积优化属于组合优化问题,提出了一种二进制自适应细菌觅食算法(BFA)。该算法在复制操作中加入概率模式,提高种群多样性,采用模糊规则对复制概率和迁移概率进行修正,提高算法的收敛速度。使细菌在邻域内进行搜索,替代细菌群体感应机制中的斥力操作,细菌无需感应其他个体位置对其的影响。提出一种基于XNOR/OR的FPRM电路面积优化方法,利用提出的二进制自适应细菌觅食算法搜索电路面积最小的FPRM电路。基于MCNC Benchmark电路的实验结果表明：面积最大优化率为18%,时间最大节省率为46%。     

基于Logistic回归麻雀算法的图像分割

针对麻雀搜索算法后期种群多样性减少、易陷入局部最优解等问题,提出一种新的改进麻雀搜索算法。所提算法先引入小孔成像反向学习策略对发现者的位置进行更新,提升寻优位置的多样性;其次受Logistic模型的启发,提出一种新的自适应因子对安全阈值进行动态控制,平衡所提算法的全局搜索与局部开发的能力。通过与其他算法在6个基准函数上进行仿真对比,结果表明：所提算法的收敛精度与速度均优于其他算法。在工程应用上,用所提算法优化K-means聚类算法进行图像分割,峰值信噪比（PSNR）、结构相似性（SSIM）及特征相似性（FSIM）3种度量指标验证了其良好的分割性能。     

基于遗传算法的设备布置优化算法

对设备布置问题,建立了多目标优化数学模型.为弥补当前的现场布置遗传算法在变异阶段的不足,将最优个体变异与随机变异相结合,设计了组合变异策略:首先变异最优个体,如果变异出更优的个体,则用新个体替换当前种群的最差个体;如果最优个体变异不成功,则随机选择一个个体执行随机变异.据此,提出了一种改进的遗传算法用于求解设备布置问题.仿真实验证明了组合变异策略能够在明显较短的时间内,取得与随机变异相当的最优布置结果.对比分析进一步验证了该算法的有效性.