共查询到20条相似文献，搜索用时 323 毫秒
1.
基于进化策略的函数优化问题研究 总被引：1，自引：0，他引：1
针对进化策略算法在解决具体问题是熟练速度较慢这一问题的原因进行分析,提出自适应变异步长的方法,以在全局和局部范围内进行搜索．变异步长的值依赖于目标变量与全局最优解之间的距离．步长随距离自适应变化,可避免局部熟练和早熟．通过对经典dejong函数和Shubert函数的仿真试验,验证了文中算法的有效性．仿真结果表明,该算法收敛速度快,搜索精度高,且具有良好的全局搜索能力． 相似文献
2.
最大最小蚁群算法通过对信息素更新和限制的改进,有效提高收敛速度,但难以避免出现停滞并陷入局部最优的困境。基于贪心边的MMAS改进算法规定一种新的搜索停滞状态,设定不同等级贪心边,并在停滞状态下利用搜索过程中寻找到的贪心边进行优先搜索。该算法使搜索能够尽早地集中在有效边进行,丢弃“无用”搜索,提高发现更优路径的可能性。利用TSP标准实例进行测试,结果表明改进算法的最优解更加接近实际最优解,具有更高的全局寻优能力和更快的收敛速度。 相似文献
3.
4.
结合混沌优化算法与免疫算法的特点,提出了一种新的混合优化方法———混沌免疫优化算法.该算法综合了免疫算法与混沌优化算法在各自的空间搜索优势,充分利用免疫算法的记忆库中当代最优解指导混沌搜索。实验结果表明,该算法具有较强的搜索能力和收敛性能,算法有效可行。 相似文献
5.
蚁群算法是一种具有许多优良特性的新型算法,该算法具有较强的发现较好解的能力,但同时也存在容易出现停滞现象,收敛速度慢等缺点。在介绍基本蚁群算法的基础上,针对蚁群算法的不足,提出了一种自适应蚁群算法。该算法对蚁群算法中的信息素在更新过程中进行自适应调整。实验结果表明,该算法比传统的蚁群算法具有更好的搜索全局最优解的能力,并具有更好的收敛性。 相似文献
6.
将粒子群算法的群体搜索优点和区间算法的区间分析相结合,提出了一种求解非线性方程组的区间-粒子群算法.在迭代过程中,先用粒子群算法的全局收敛性和群体搜索能力得到近似解,再用区间算法的精确搜索能力快速得到高精度的解.数值实验表明：该算法能在较大范围的初始区间内快速可靠的迭代得到高精度的解,是求解非线性方程组的一种有效的算法. 相似文献
7.
8.
9.
《赤峰学院学报(自然科学版)》2016,(21)
针对和声搜索算法的早期收敛速度快,后期收敛慢,容易陷入局部最优解的问题,本文提出了一种改进的全局和声搜索算法.该算法对标准和声搜索算法作了三点改进,首先在和声记忆库初始化时采用反向学习策略,提高初始解的质量,提高收敛速度,其次,采用动态方式调整参数,第三,利用当前和声记忆库中的全局最优解产生新解,提高全局搜索能力.采用该算法对6个标准的测试函数进行优化,结果表明,该算法避免算法的早熟和增强算法的全局搜索能力,具有较好的优化性能. 相似文献
10.
针对多目标无约束0—1二次规划问题,提出一种文化基因算法。该算法采用基于分解的多目标演化算法框架,能够获得分布均匀的非占优解;同时,采用一种简单、有效的禁忌搜索,能够利用更多问题相关的信息,获得质量更优的非占优解。该算法在优化的过程中能够动态地平衡多样性与收敛性。实验结果证明该算法能够很好地求解多目标无约束0-1二次规划问题,并且性能优于目前求解该问题较先进的算法。 相似文献
11.
钱晓雯 《实验室研究与探索》2018,(1)
针对最小化最大完工时间的作业车间调度问题,提出一种基于变邻域搜索的动态烟花算法。变邻域搜索是一类重要的元启发式算法,在每一次迭代计算过程中通过搜索当前解的邻域得到一个改进的解,通过变邻域搜索方法可有效提高局部最优解的精度。与此同时,算法引入进化速度的概念,并通过进化速度计算烟花算法迭代过程中需更新的维度,实时调整相关参数,加快算法收敛,避免陷入局部最优。算例试验表明,该算法具有较好的鲁棒性,且能有效地提高算法搜索精度,加快收敛速度。 相似文献
12.
模拟退火算法具有较强的局部搜索能力,并能使搜索过程避免陷入局部最优解,但模拟退火算法是一种NP类算法,对整个搜索空间的状况却不能很好的搜索,收敛速度慢,从而使得模拟退火算法的运算效率不高。遗传算法来源于生物遗传学和自然选择机理,通过人工方式所构造的一类搜索算法。其局部搜索能力较差,但把握总体搜索过程的能力较强。若能将两者有机的结合,既加速了算法的收敛速度又避免陷入局部最优解。 相似文献
13.
设计了一种基于支配关系下的局部搜索方法，将此局部搜索方法嵌入到多目标遗传算法中，从而提出一种有效的求解多目标优化问题的混合遗传算法。为加速遗传算法在全局优化问题上的收敛性，发挥传统数值优化算法在计算速度与计算精度上的优势，在遗传算法中镶嵌一个多目标线搜索算子。线搜索算子与遗传算法中的选择算子、交叉算子和变异算子共同作用，使全局搜索和局部搜索都能够很好的实现。数值实验表明，该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。 相似文献
14.
蚁群算法是解决组合优化问题比较有效的方法。该方法采用分布式并行计算机制,易于与其它方法结合,并具有较强的鲁棒性,但也存在搜索时间长、易陷入局部最优解等问题。在研究多种改进的蚁群算法基础上,提出一种改进的蚁群算法来求解TSP问题。改进算法根据相邻节点间的相对距离特征,对路径解进行变异,诱导蚁群快速寻找到更优解。同时引入信息素挥发因子自适应调整机制和公共路径思想,调节算法收敛速度,以保证算法的全局搜索能力。实验结果表明,改进算法相比于MMAS、DMPSO ACO等算法,求解精度和收敛速度都有所提高,所选取的测试实例中,平均解相对已知最优解的偏差百分比平均可达到0.63%。 相似文献
15.
针对一个Pareto局部搜索(PLS)算法在解决多目标组合优化问题中所得到的解集与初始点的选取有关,提出该算法的改进。改进算法从初始解开始进行PLS搜索产生一组改进解集VF,然后对VF中的所有解再进行PLS搜索,如此重复直到满足终止条件。实例计算表明,PLSⅠ算法和算法Ⅱ能得到很好的解且解的质量优于PLS算法。 相似文献
16.
针对传统的人工蜂群算法具有较强的勘探能力,但是算法局部开采能力较弱,演化后期收敛速度慢,容易陷入局部最优,提出了基于混沌算法和逆向学习算法相结合的初始化种群方法,有效改进种群的多样性;提出了一种新型的搜索策略来改进观察峰与侦察蜂的搜索过程,加快了算法的收敛速度;通过5个标准函数进行测试,文中算法在搜索效率、最优解质量、稳定性均优于传统的人工蜂群算法. 相似文献
17.
18.
针对粒子群优化算法存在的早熟收敛问题,提出了一种改进的自适应变异的粒子群优化算法。该算法根据群体适应度方差和当前最优解的大小,确定当前粒子的最佳变异因子。使用变异因子来改变粒子的运动方向,使粒子进入临近区域继续搜索,以确定新的个体极值和全局极值,避免出现局部最优解。仿真结果表明:自适应变异操作增强了粒子群优化算法跳出局部最优解的能力,其全局搜索能力有了一定提高,收敛速度较快,并且能够有效避免早熟收敛问题;虽然耗费时间有所增加,但在可接受范围内,用少许的时间代价换取全局最优解是值得的。 相似文献
19.
《石家庄铁路职业技术学院学报》2015,(3)
对基本的布谷鸟搜索算法(Cuckoo Search,CS)进行研究,为改进CS算法局部搜索能力差、进化后期收敛速度慢、求解精度低等缺陷,考虑到二次插值法是一种局部搜索能力较强的搜索方法,提出一种基于二次插值法的布谷鸟搜索算法(QI_CS)。新算法充分利用鸟窝个体局部的优化信息,增强算法的局部搜索能力,加快算法搜索全局最优解的收敛速度。仿真实验结果表明,QI_CS算法在保持原算法的强大全局寻优能力的基础上大幅提高算法的收敛能力和求解精度,是求解多峰函数优化问题的一种可行和有效的方法。 相似文献
20.
布谷鸟算法是基于启发式搜索的智能仿生算法。传统的布谷鸟算法收敛速度较慢,容易陷入局部最优解。针对该算法特点,对算法原理进行了分析,并就算法中步长和发现概率两个控制因素进行改进,使其根据迭代次数动态变化,提出了具有自适应调整特点的搜索算法,改变了步长和发现概率相应的更新方式,避免了传统布谷鸟算法容易陷入局部最优的缺陷,以增强算法搜索性能。实验对比表明,自适应调整的布谷鸟算法具有更好的寻优性能。 相似文献