检索结果-内蒙古大学图书馆

模式识别与人工智能 2005年第5期18卷 588-595页

作者：陶振武肖人彬华中科技大学CAD中心武汉430074

针对蚁群算法ACS的控制参数难以确定和早熟停滞等缺陷,提出了进化蚁群系统算法模型***通过引入选择、交叉和变异等操作,实现算法参数的自适应调整。标准测试实例的计算结果表明,EACS算法能够克服上述缺陷,便于工程应用,根据协同进化的... 详细信息

针对蚁群算法ACS的控制参数难以确定和早熟停滞等缺陷,提出了进化蚁群系统算法模型***通过引入选择、交叉和变异等操作,实现算法参数的自适应调整。标准测试实例的计算结果表明,EACS算法能够克服上述缺陷,便于工程应用,根据协同进化的思想进一步提出了多目标协同进化蚁群算法***中的多个群体协同进化,每个群体对应一个目标,并对其它群体的搜索产生影响,CACSM实现了仅通过算法一次运行便求得若干Pareto最优解,提供了更大的决策空间。最后通过一个多目标组合优化问题——岩石钻孔机路径选择问题的求解,验证说明了CACSM的有效性和适用性。

关键词：蚁群算法旅行商问题协同进化多目标优化问题

来源：评论

学校读者我要写书评

暂无评论

生物地理信息优化算法中迁移算子的改进

引用

模式识别与人工智能 2012年第3期25卷 544-549页

作者：徐志丹莫宏伟哈尔滨工程大学自动化学院哈尔滨150001 哈尔滨商业大学基础科学学院哈尔滨150028

原生物地理信息优化算法主要通过迁移算子与变异算子实现群体的进化,常被应用于求解单目标优化问题.如果将原有的进化算子直接用于求解连续多目标优化问题,会严重影响群体的多样性.文中将原迁移算子进行改进,引入扰动因子,增强群体的多... 详细信息

原生物地理信息优化算法主要通过迁移算子与变异算子实现群体的进化,常被应用于求解单目标优化问题.如果将原有的进化算子直接用于求解连续多目标优化问题,会严重影响群体的多样性.文中将原迁移算子进行改进,引入扰动因子,增强群体的多样性.并以此为基础,提出基于生物地理信息的多目标进化算法(BBMOEA).通过与原有迁移算子下的算法比较及各类型测试函数的实验,结果验证改进迁移算子对于求解多目标优化问题是有效可行的.同时将BBMOEA与经典算法SPEA2和NSGA-Ⅱ进行比较,结果表明BBMOEA所得Pareto解集在收敛的同时,具有较均匀的分布性.

关键词：生物地理信息算法(BBO) 多目标优化问题 Pareto最优解集

来源：评论

学校读者我要写书评

暂无评论

一种多策略协同的多目标萤火虫算法

引用

电子学报 2019年第11期47卷 2359-2367页

作者：谢承旺张飞龙陆建波肖驰龙广林南宁师范大学计算机与信息工程学院广西南宁530299 华东交通大学软件学院江西南昌330013

现实中的多目标优化问题不断增多且日益复杂,需要不断发展新型启发式算法应对挑战.提出一种多策略协同的多目标萤火虫算法MOFA-MCS.该算法采用均匀化与随机化相结合的方法产生初始种群;利用档案集中的精英解个体指导萤火虫移动;并在移... 详细信息

现实中的多目标优化问题不断增多且日益复杂,需要不断发展新型启发式算法应对挑战.提出一种多策略协同的多目标萤火虫算法MOFA-MCS.该算法采用均匀化与随机化相结合的方法产生初始种群;利用档案集中的精英解个体指导萤火虫移动;并在移动的过程施加Lévy flights随机扰动;最后,利用ε-三点最短路径策略维护档案解群的多样性.MOFA-MCS算法与其他6种经典的多目标进化算法一同在12个基准的多目标测试问题上进行实验,结果表明所提算法在收敛性、多样性方面总体上具有显著的性能优势.

关键词：多目标优化问题萤火虫算法多目标萤火虫算法多策略协同

来源：评论

学校读者我要写书评

暂无评论

反导预警作战资源调度方法

引用

系统工程与电子技术 2015年第6期37卷 1300-1305页

作者：赵新爽汪厚祥蔡益朝空军预警学院空天预警实验室湖北武汉430019 海军工程大学电子工程学院湖北武汉430033

针对反导预警作战中多部预警资源协同探测多批弹道导弹目标的问题,根据反导预警作战资源调度的特点,提出了反导预警作战任务分解策略,并以调度效益、交接次数和资源负载均衡度为目标建立了多目标优化模型。通过重新设计粒子编码方式以... 详细信息

针对反导预警作战中多部预警资源协同探测多批弹道导弹目标的问题,根据反导预警作战资源调度的特点,提出了反导预警作战任务分解策略,并以调度效益、交接次数和资源负载均衡度为目标建立了多目标优化模型。通过重新设计粒子编码方式以及对重新定义粒子群优化算法中的位置更新公式,使其适用于求解离散变量优化问题。针对粒子群优化算法容易过早收敛的缺点,在进行局部搜索时使用变邻域搜索算法,从而增强算法的寻优能力。通过仿真实验验证,将两种算法相结合能够快速有效地解决反导预警作战资源调度问题。

关键词：资源调度粒子群-变邻域搜索多目标优化问题反导预警

来源：评论

学校读者我要写书评

暂无评论

新的混合分解高维多目标进化算法

引用

浙江大学学报（工学版） 2016年第7期50卷 1313-1321页

作者：过晓芳王宇平代才西安电子科技大学计算机学院陕西西安710071 西安工业大学理学院陕西西安710032

在基于分解技术求解高维多目标优化问题的思想启发下,为了提高多目标优化问题非支配解集合的分布性和收敛性,提出新的基于个体支配关系的混合分解高维多目标进化算法.该算法采用分子种群的进化模式,设计新的基于有效阶的个体支配关系用... 详细信息

在基于分解技术求解高维多目标优化问题的思想启发下,为了提高多目标优化问题非支配解集合的分布性和收敛性,提出新的基于个体支配关系的混合分解高维多目标进化算法.该算法采用分子种群的进化模式,设计新的基于有效阶的个体支配关系用于个体的比较和更新操作,以便在增加个体选择压力的同时提高解集分布的多样性.为了改善该算法的局部搜索性能,将Powell搜索作为局部搜索算子,采用传统优化与进化算法相融合的混合进化策略.为了检验提出算法的性能,将提出算法用于求解5~20个目标的6类标准测试问题,与同类算法相比,该算法在收敛性和分布性方面均具有较大的改进和提高.

关键词：多目标优化问题进化算法分子种群个体支配关系

来源：评论

学校读者我要写书评

暂无评论

两阶段动态差分智能元胞机算法

引用

计算机集成制造系统 2020年第4期26卷 989-1000页

作者：王亚良倪晨迪曹海涛钱其晶金寿松浙江工业大学机械工程学院浙江杭州310023

针对传统进化算法在求解高维度优化工程问题时存在全局搜索和局部寻优的平衡难题,提出一种基于差分进化和元胞种群拓扑结构的两阶段动态差分智能元胞机算法。通过对个体的邻居结构进行调整,实现进化种群由结构化种群过渡到非结构化种群... 详细信息

针对传统进化算法在求解高维度优化工程问题时存在全局搜索和局部寻优的平衡难题,提出一种基于差分进化和元胞种群拓扑结构的两阶段动态差分智能元胞机算法。通过对个体的邻居结构进行调整,实现进化种群由结构化种群过渡到非结构化种群的效果,较好地兼顾全局搜索和局部寻优之间的协同问题;同时对外部种群保留的对象进行调整及完全反馈,提高算法的收敛速度。算法将智能体机制引入元胞种群,采用两阶段的外部种群多样性维护方法,将扰动因子引入变异操作使其跳出局部最优困境。通过对WFG系列基准函数测试表明,新算法相对于其他4种典型算法能获得更好的Pareto前端和竞争性的收敛结果。

关键词：动态差分元胞机算法多样性维护扰动因子多目标优化问题

来源：评论

学校读者我要写书评

暂无评论

混合蛙跳算法的收敛性分析及其改进

引用

华中科技大学学报（自然科学版） 2012年第7期40卷 15-18,28页

作者：肖莹莹柴旭东李伯虎王秋生北京航空航天大学自动化与电气工程学院北京100083 北京仿真中心北京100854

在分析混合蛙跳算法(SFL)收敛性的基础上,针对早熟收敛和收敛速度慢的问题,提出一种改进算法(MSFL).MSFL利用变公比数列分析更新轨迹的收敛性,并引入离散度和适应度方差作为指标,自适应地调节数列公比取值范围,以平衡收敛精度和收敛速度... 详细信息

在分析混合蛙跳算法(SFL)收敛性的基础上,针对早熟收敛和收敛速度慢的问题,提出一种改进算法(MSFL).MSFL利用变公比数列分析更新轨迹的收敛性,并引入离散度和适应度方差作为指标,自适应地调节数列公比取值范围,以平衡收敛精度和收敛速度.以6个Benchmark函数分2组实验,测试MSFL的性能.结果表明:提出的MSFL算法具有较强的全局搜索和局部搜索能力,且具有收敛速度快、收敛精度高的优点.

关键词：混合蛙跳算法收敛性分析更新策略等比数列多目标优化问题

来源：评论

学校读者我要写书评

暂无评论

LTE网络中多目标优化的动态负载均衡算法

引用

电子与信息学报 2014年第9期36卷 2152-2157页

作者：黄妙娜冯穗力陈军张永忠华南理工大学电子与信息学院广州510641 中国电子科技集团公司第七研究所广州501310

小区间动态负载均衡算法的优劣对网络性能有很大的影响,现有算法大都顾此失彼,难以保证网络关键性能指标(如呼叫阻塞率等)达到最佳。为解决这个问题,该文将负载均衡问题建模为多目标优化问题,分别对不同服务质量要求用户建模其相应目标... 详细信息

小区间动态负载均衡算法的优劣对网络性能有很大的影响,现有算法大都顾此失彼,难以保证网络关键性能指标(如呼叫阻塞率等)达到最佳。为解决这个问题,该文将负载均衡问题建模为多目标优化问题,分别对不同服务质量要求用户建模其相应目标优化函数,对有服务质量要求用户的目标函数是负载均衡指示函数和网络平均负载函数的联合优化函数,而对没有服务质量要求用户(BE用户)的目标函数是所有BE用户吞吐量的总效用函数,并将小区可用资源数和用户服务质量要求作为约束条件。另外,考虑到在实际系统中运行的计算复杂度问题,提出一种复杂度较低的分布式负载均衡算法。包括资源调度策略,用户切换条件和呼叫接入控制。仿真结果表明,该文算法可达到较好的负载均衡效果,能有效降低有服务质量要求用户的呼叫阻塞率,提高网络资源利用率。

关键词：长期演进网络动态负载均衡多目标优化问题服务质量

来源：评论

学校读者我要写书评

暂无评论

浮式风机基础非对称式系泊系统设计方法

引用

船舶力学 2022年第11期26卷 1646-1656页

作者：康思伟梁明霄孙红军徐胜文中海油融风能源有限公司上海200335 上海交通大学海洋工程国家重点实验室上海200240

浮式风机在离岸工作时,通常需要运维船靠泊风机基础进行定期维护保养等作业。为了避免运维船作业时与浮式风机的锚链碰撞造成事故,浮式风机基础的系泊系统应当采用非对称设计,为运维船靠泊留出足够的操作空间。为了解决非对称系泊系统... 详细信息

浮式风机在离岸工作时,通常需要运维船靠泊风机基础进行定期维护保养等作业。为了避免运维船作业时与浮式风机的锚链碰撞造成事故,浮式风机基础的系泊系统应当采用非对称设计,为运维船靠泊留出足够的操作空间。为了解决非对称系泊系统在不同环境力方向定位能力相差较大的问题,提出浮式风机非对称式系泊系统设计方法,将非对称系泊系统设计转化为一个多目标优化问题,结合非占优排序遗传算法(NSGA-II)优化系泊系统参数,保证风机基础全环境力方向上系泊定位安全性。

关键词：浮式风机非对称系泊系统多目标优化问题

来源：评论

学校读者我要写书评

暂无评论

基于Pareto熵的多目标粒子群优化算法

引用

软件学报 2014年第5期25卷 1025-1050页

作者：胡旺 Gary G. YEN 张鑫电子科技大学信息与软件工程学院四川成都610054 School of Electrical and Computer Engineering Oklahoma State University

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题... 详细信息

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明:在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.

关键词：多目标优化问题粒子群优化平行格坐标系统 Pareto熵自适应参数

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：