CN113722853B - 一种面向智能计算的群智能进化式工程设计约束优化方法 - Google Patents
一种面向智能计算的群智能进化式工程设计约束优化方法 Download PDFInfo
- Publication number
- CN113722853B CN113722853B CN202111005276.5A CN202111005276A CN113722853B CN 113722853 B CN113722853 B CN 113722853B CN 202111005276 A CN202111005276 A CN 202111005276A CN 113722853 B CN113722853 B CN 113722853B
- Authority
- CN
- China
- Prior art keywords
- individual
- optimal
- fitness value
- algorithm
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013461 design Methods 0.000 title claims description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 239000003638 chemical reducing agent Substances 0.000 claims description 2
- 238000003466 welding Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000005065 mining Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 241001673102 Jaya Species 0.000 description 1
- 241000254158 Lampyridae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向智能计算的群智能进化式优化方法,设置初始参数,根据目标函数计算个体的适应度值;找出最优适应度值,并记录最优适应度值的位置;对种群中的最优个***置进行邻域扰动,生成邻域个***置,采用贪婪选择策略得到新的最优个***置;按概率将算法的寻优进化机制分成三种策略,通过三种策略得到对应的新个***置;根据目标函数求出新个体的适应度值,采用贪婪选择策略得到个体现位置;比较当前迭代次数是否达到最大迭代次数返回继续迭代进化的寻优过程;确定最终的最优值并输出。本发明寻优能力有明显的优越性和有效性,且本方法实现简单,没有增加算法的时间复杂度,不会造成运行缓慢的问题。
Description
技术领域
本发明属于智能优化技术领域,涉及一种面向智能计算的群智能进化式工程设计约束优化方法。
背景技术
近年来,国内外出现了很多各具优点的群智能优化算法,但随着这些优化方法与科学技术、工程应用的快速发展和深度融合,新机制、新方法、新思路、新应用乃至新问题都在不断被提出,呈现出百花齐放、仍需继续探究的繁荣局面,许多问题都有进一步研究的空间,许多算法也存在着求解不够稳定,有时寻优精度不高,收敛速度较慢,易陷入局部极值、维度适应性不佳等问题。
为此,本发明提出并公开了一种面向智能计算的群智能进化式工程设计约束优化方法,用于求解复杂函数极值优化问题和工程设计约束优化问题。在求解复杂函数优化方面,主要是通过将本方法所构建的算法对IEEE CEC基准测试函数集进行优化求解。由于CEC测试集包含了不同类型并具有旋转、偏移、混合、组合等特性的大量复杂优化问题测试函数,因此,其求解难度非常大且具有问题广泛性,在评价各类智能优化算法时,相对客观和公正,是验证本方法有效性的有利佐证之一。在求解约束优化问题方面,主要是通过将本方法所构建的算法用于求解不同类型的工程设计约束优化问题,以进一步客观、公正地检验本方法的有效性。
发明内容
优化问题的规模越来越大、复杂程度越来越高,传统优化方法难以在合理时间内给出有效解。元启发式群智能优化算法是解决这类问题最有效的方法之一,但相关算法也普遍存在着求解不够稳定,有时寻优精度不高,收敛速度较慢,易陷入局部极值、维度适应性不佳等缺点。本发明的目的在于提供一种面向智能计算的群智能进化式工程设计约束优化方法,以此为机制,用于构建新的或改进已有的元启发式智能优化算法,以解决上述这些问题。
本发明所采用的技术方案是,一种面向智能计算的群智能进化式工程设计约束优化方法,具体按照以下步骤实施:
步骤1、设置初始参数:种群中个体数量N、最大迭代次数Max_iter、个体维度D,并在寻优范围内随机生成每个个体的初始位置xi,i=1,2,3……N;
步骤2、根据目标函数f(x)计算个体的适应度值f(xi);
步骤3、根据步骤2所得适应度值f(xi),找出最优适应度值fmin,并记录最优适应度值fmin的位置,即最优个***置xbest(T);
步骤4、对种群中的最优个***置进行邻域扰动,生成邻域个***置,并计算新旧最优个体的适应度值,采用贪婪选择策略对新旧解进行对比,得到新的最优个***置;
步骤5、在保持种群规模不变的情况下,按概率将算法的寻优进化机制分成三种策略:
a、1/3概率的个体执行基础算法的进化策略;
b、1/3个体执行非均匀高斯变异进化策略;
c、其余1/3个体再按迭代次数将算法分成两段:前半段执行t分布变异,后半段执行黄金正弦进化策略;
通过三种策略得到原个***置对应的新个***置;
步骤6、根据目标函数f(x)求出由步骤5所得新个***置的适应度值,采用贪婪选择策略对原个***置与新个***置的适应度值进行选择,得到个体现位置;
步骤7、比较当前迭代次数T是否达到最大迭代次数,若T≤Max_iter,返回步骤2,继续迭代进化的寻优过程;
步骤8、确定最终的最优值并输出。
本发明的特点还在于:
步骤4包括以下步骤:
步骤4.1、对步骤3所得最优个***置xbest(T)进行邻域扰动,生成邻域个***置,计算邻域个***置的适应度值;
步骤4.2、采用贪婪选择策略对最优个***置xbest(T)与邻域个***置的适应度值进行选择,得到最优个***置。
步骤4.1的计算式如下:
式(1)中,rand为[0,1]之间均匀分布的随机数,xbest(T)为当前代最优个***置。
步骤4.2的计算式如下:
式(2)中,xbest(T+1)为更新后下一代最优个***置,即个体现位置。
步骤5包括以下实施步骤:
步骤5.1、m=rand;
步骤5.2、若m<1/3,则执行基础算法的进化策略
步骤5.3、若m>2/3,由公式(3)对个体的位置进行更新;
xi(T+1)=xi(T)+Δ(T,Gi(T)) (3)
步骤5.4、若1/3≤m≤2/3,则判断算法是在迭代前半段进行探索还是在迭代后半段执行开发,若T<1/2·Max_iter,则由公式(4)对个体的位置进行更新;
xi(T+1)=xi(T)+trnd(T)·xi(T) (4)
否则,由公式(5)对个体的位置进行更新;
xi(T+1)=xi(T)·|sin(R1)|+R2·sin(R1)·|x1·xbest(T)-x2·xi(T)| (5)
式(5)中,R1为[0,2π]之间均匀分布的随机数,用于决定下一次迭代中个体的移动距离;R2为[0,π]之间均匀分布的随机数,用于决定下一次迭代第i个个体的更新方向;x1和x2是黄金分割系数,黄金分割数则x1=-π+(1-q)·2π,x2=-π+q·2π,Max_iter为最大迭代次数,xi(T)是当前代中第i个个体的位置,xi(T+1)是更新后下一代中第i个个体的位置;
式(3)中,Δ(T,Gi(T))为非均匀变异步长,是一种通过高斯分布自适应调节步长的变异算子,Δ(T,Gi(T))计算式如下:
Gi(T)=N·((xbest(T)-xi(T)),σ) (7)
式(6)~(7)中,y=Gi(T),p为[0,1]之间均匀分布的随机数,Max_iter为最大迭代次数,b为***系数,决定变异计算的非均匀程度,b=2,N为种群个体数量,σ为高斯分布标准差。
本发明的有益效果是:
1、本发明通过采用最优邻域扰动策略和包含了非均匀高斯变异、t分布变异、黄金正弦进化策略等机制的基于分段思想的差异学习策略构建智能优化算法或对已有算法进行改进,算法的寻优精度、收敛速度和适应性均有明显提升。
2、本发明将构建或改进的算法应用在求解IEEE CEC基准函数测试套件以及工程设计约束优化问题上,实验结果表明,算法的寻优能力有明显的优越性和有效性,且本方法实现简单,没有增加算法的时间复杂度,不会造成运行缓慢的问题。
附图说明
图1是本发明一种面向智能计算的群智能进化式工程设计约束优化方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种面向智能计算的群智能进化式工程设计约束优化方法,如图1所示,具体按照以下步骤实施:
步骤1、设置初始参数:种群中个体数量N、最大迭代次数Max_iter、个体维度D,并在寻优范围内随机生成每个个体的初始位置xi(i=1,2,...,N);
步骤2、根据目标函数f(x)计算个体的适应度值f(xi);
步骤3、根据步骤2所得的种群中个体的适应度值f(xi),找出最优适应度值fmin,并记录所述最优适应度值fmin的位置,即最优个***置xbest(T);
步骤4、对种群中的最优个***置进行邻域扰动,生成邻域个***置,并计算新旧最优个体的适应度值,采用贪婪选择策略对新旧解进行对比,若新解较优,则替换原来的最优个***置;否则保留原来的最优个***置得到新的最优个***置;
步骤5、在保持种群规模不变的情况下,按概率将算法的寻优进化机制分成三种策略:
a、1/3概率的个体执行基础算法的进化策略;
b、1/3个体执行非均匀高斯变异进化策略;
c、其余1/3个体再按迭代次数将算法分成两段:前半段执行t分布变异,后半段执行黄金正弦进化策略;
通过三种策略得到原个***置对应的新个***置,即由旧解产生新解;
步骤6、根据目标函数f(x)求出由步骤5所得新个体的适应度值,采用贪婪选择策略对原个***置与新个体的适应度值进行选择,并对新旧解进行对比,若新解较优,则用新个体替换上代的个***置;否则保留原来的个***置,得到个体现位置;
步骤7、比较当前迭代次数T是否达到最大迭代次数,若T≤Max_iter,返回步骤2,继续迭代进化的寻优过程;
步骤8、确定最终的最优值并输出。
由于大多数基础性智能优化算法都以当前最优个***置作为本次迭代的目标,在整个迭代过程中,最优个***置只有在优于原来的最优个***置时才会进行更新,因此,最优个体总的更新次数往往较少,尤其在迭代中后期更是如此,致使算法寻优效率不高。为此,本发明在步骤4中引入最优邻域扰动策略来解决这一问题,该策略是在最优个***置附近随机生成邻域个***置,采用“贪婪选择”策略对新旧解进行对比,若新解较优,则替换原来的最优个***置,否则保留原来的最优个***置。这不仅可以提升算法的收敛速度,而且还能提高算法跳出局部极值区域的概率。步骤4具体按照步骤实施:
步骤4.1、对步骤3所得种群中的最优个***置xbest(T)进行邻域扰动,生成邻域个***置,计算所述邻域个***置的适应度值;
步骤4.2、采用贪婪选择策略对最优个***置xbest(T)与邻域个***置的适应度值进行选择,得到最优个***置。
所述步骤4.1的计算式如下:
式(1)中,rand为[0,1]之间均匀分布的随机数,xbest(T)为当前代最优个***置。
步骤4.2的计算式如下:
式(2)中,xbest(T+1)为更新后下一代最优个***置,即个体现位置。
对于一些复杂多极值优化问题,多数基础性元启发式智能优化算法都存在着前期全局搜索不够充分容易陷入局部极值,而后期在最优解附近局部精细挖掘能力不强导致寻优精度不高的问题。为此,本方法在步骤5中概率性引入基于分段思想的差异学***衡元启发式智能优化算法的全局探索和局部挖掘能力,进一步提高算法的寻优精度和收敛性能。步骤5包括以下实施步骤:
步骤5.1、m=rand;
步骤5.2、若m<1/3,则执行基础算法的进化策略
步骤5.3、若m>2/3,由公式(3)对个体的位置进行更新;
xi(T+1)=xi(T)+Δ(T,Gi(T)) (3)
步骤5.4、若1/3≤m≤2/3,则判断算法是在迭代前半段进行探索还是在迭代后半段执行开发,若T<1/2·Max_iter,则由公式(4)对个体的位置进行更新;
xi(T+1)=xi(T)+trnd(T)·xi(T) (4)
否则,由公式(5)对个体的位置进行更新;
xi(T+1)=xi(T)·|sin(R1)|+R2·sin(R1)·|x1·xbest(T)-x2·xi(T)| (5)
式(3)~(5)中,m为[0,1]之间均匀分布的随机数,Max_iter为最大迭代次数,xi(T)是当前代中第i个个体的位置,xi(T+1)是更新后下一代中第i个个体的位置;
式(3)中,Δ(T,Gi(T))为非均匀变异步长,是一种通过高斯分布自适应调节步长的变异算子,所述Δ(T,Gi(T))计算式如下:
Gi(T)=N·((xbest(T)-xi(T)),σ) (7)
式(6)~(7)中,y=Gi(T),p为[0,1]之间均匀分布的随机数,Max_iter为最大迭代次数,b为***系数,决定变异计算的非均匀程度,b=2,N为种群个体数量,σ为高斯分布标准差。
由式(3)和式(6)~(7)的非均匀高斯变异可知,选择最优个***置与当前个***置进行自适应调整变异步长的学习策略,有利于进一步丰富种群的多样性,提高算法的收敛速度。
式(4)中,以个体自身为基准,增加了t分布随机变异项trnd(T)·xi(T),其中trnd(T)的大部分值分布在[-1,1]之间,能够充分利用原有个体信息对个***置进行扰动更新,有利于进一步增加种群的多样性,其余的小部分值在区间[-1,1]之外,对个***置产生较大的改变,有利于个体摆脱局部极值区域的束缚,提高算法的全局搜索能力。
分析式(4)可知,在位置更新中引入以算法的迭代次数为参数自由度的t分布作为变异步长,在算法迭代前期,迭代次数的值较小,t分布对个体产生较大的扰动更新,有利于个体逃离局部极值区域,在算法迭代后期,迭代次数的值较大,t分布近似于高斯分布,增加了算法的深度挖掘能力,从而提高了算法的收敛精度。
式(5)中,R1为[0,2π]之间均匀分布的随机数,用于决定下一次迭代中个体的移动距离;R2为[0,π]之间均匀分布的随机数,用于决定下一次迭代第i个个体的更新方向;x1和x2是黄金分割系数,黄金分割数则x1=-π+(1-q)·2π,x2=-π+q·2π,这些系数缩小了搜索空间,有利于个体趋近最优值。
分析式(5)可知,在位置更新中引入黄金正弦进化策略,使得每个个体都可以充分与最优个体进行信息交流,同时可以利用引入的黄金分割系数逐步缩小搜索空间,且通过参数R1和R2控制位置更新距离和方向,以进一步协调算法的全局搜索与局部挖掘能力,从而提高算法的寻优精度和速度,获得更为理想的寻优效果。
本发明的优点在于:
通过采用最优邻域扰动策略和包含了非均匀高斯变异、t分布变异、黄金正弦进化策略等机制的基于分段思想的差异学习策略构建智能优化算法或对已有算法进行改进,算法的寻优精度、收敛速度和适应性均有明显提升。将构建或改进的算法应用在求解IEEECEC基准函数测试套件以及工程设计约束优化问题上,实验结果表明,算法的寻优能力有明显的优越性和有效性,且本方法实现简单,没有增加算法的时间复杂度,不会造成运行缓慢的问题。
采用本方法对基本JAYA、粒子群和萤火虫等智能优化算法进行改进,并将改进后的算法应用在求解IEEE CEC基准函数测试套件及三杆桁架、拉伸弹簧、悬臂梁、焊接梁、压力容器、减速机和齿轮***等具有不同求解难度的工程设计约束优化问题上,实验结果清楚地表明,改进后算法的寻优能力和求解结果都有显著提升,与多个代表性对比算法相比具有明显优势。
Claims (2)
1.一种面向智能计算的群智能进化式工程设计约束优化方法,其特征在于,包括以下步骤:
步骤1、设置初始参数:种群中个体数量N、最大迭代次数Max_iter、个体维度D,并在寻优范围内随机生成每个个体的初始位置xi,i=1,2,3……N;
步骤2、根据目标函数f(x)计算个体的适应度值f(xi);
步骤3、根据步骤2所得适应度值f(xi),找出最优适应度值fmin,并记录所述最优适应度值fmin的位置,即最优个***置xbest(T);
步骤4、对种群中的最优个***置进行邻域扰动,生成邻域个***置,并计算新旧最优个体的适应度值,采用贪婪选择策略对新旧解进行对比,得到新的最优个***置;
所述步骤4包括以下步骤:
步骤4.1、对步骤3所得最优个***置xbest(T)进行邻域扰动,生成邻域个***置,计算所述邻域个***置的适应度值;
所述步骤4.1的计算式如下:
式(1)中,rand为[0,1]之间均匀分布的随机数,xbest(T)为当前代最优个***置;
步骤4.2、采用贪婪选择策略对最优个***置xbest(T)与邻域个***置的适应度值进行选择,得到最优个***置;
所述步骤4.2的计算式如下:
式(2)中,xbest(T+1)为更新后下一代最优个***置,即个体现位置;
步骤5、在保持种群规模不变的情况下,按概率将算法的寻优进化机制分成三种策略:
a、1/3概率的个体执行基础算法的进化策略;
b、1/3个体执行非均匀高斯变异进化策略;
c、其余1/3个体再按迭代次数将算法分成两段:前半段执行t分布变异,后半段执行黄金正弦进化策略;
通过所述三种策略得到原个***置对应的新个***置;
步骤6、根据目标函数f(x)求出由步骤5所得新个***置的适应度值,采用贪婪选择策略对原个***置与新个***置的适应度值进行选择,得到个体现位置;
步骤7、比较当前迭代次数T是否达到最大迭代次数,若T≤Max_iter,返回步骤2,继续迭代进化的寻优过程;
步骤8、确定最终的最优值并输出;
将上述步骤1-8用于求解IEEE CEC基准函数测试套件及工程设计约束优化;
所述工程设计约束优化包括三杆桁架、拉伸弹簧、悬臂梁、焊接梁、压力容器、减速机和齿轮***的设计约束优化。
2.根据权利要求1所述的一种面向智能计算的群智能进化式工程设计约束优化方法,其特征在于,所述步骤5包括以下实施步骤:
步骤5.1、m=rand,m为[0,1]之间均匀分布的随机数;
步骤5.2、若m<1/3,则执行基础算法的进化策略
步骤5.3、若m>2/3,由公式(3)对个体的位置进行更新;
xi(T+1)=xi(T)+Δ(T,Gi(T)) (3)
步骤5.4、若1/3≤m≤2/3,则判断算法是在迭代前半段进行探索还是在迭代后半段执行开发,若T<1/2·Max_iter,则由公式(4)对个体的位置进行更新;
xi(T+1)=xi(T)+trnd(T)·xi(T) (4)
否则,由公式(5)对个体的位置进行更新;
xi(T+1)=xi(T)·|sin(R1)|+R2·sin(R1)·|x1·xbest(T)-x2·xi(T)| (5)
式(5)中,R1为[0,2π]之间均匀分布的随机数,R2为[0,π]之间均匀分布的随机数,x1和x2是黄金分割系数,黄金分割数则x1=-π+(1-q)·2π,x2=-π+q·2π,xi(T)是当前代中第i个个体的位置,xi(T+1)是更新后下一代中第i个个体的位置;
式(3)中,Δ(T,Gi(T))为非均匀变异步长,是一种通过高斯分布自适应调节步长的变异算子,所述Δ(T,Gi(T))计算式如下:
Gi(T)=N·((xbest(T)-xi(T)),σ) (7)
式(6)~(7)中,y=Gi(T),p为[0,1]之间均匀分布的随机数,Max_iter为最大迭代次数,b为***系数,决定变异计算的非均匀程度,b=2,N为种群个体数量,σ为高斯分布标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005276.5A CN113722853B (zh) | 2021-08-30 | 2021-08-30 | 一种面向智能计算的群智能进化式工程设计约束优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005276.5A CN113722853B (zh) | 2021-08-30 | 2021-08-30 | 一种面向智能计算的群智能进化式工程设计约束优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722853A CN113722853A (zh) | 2021-11-30 |
CN113722853B true CN113722853B (zh) | 2024-03-05 |
Family
ID=78679114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005276.5A Active CN113722853B (zh) | 2021-08-30 | 2021-08-30 | 一种面向智能计算的群智能进化式工程设计约束优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722853B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117850213B (zh) * | 2024-03-08 | 2024-05-24 | 羽禾人工智能(嘉兴)有限公司 | 一种用于消杀机器人的加强型pid控制优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0401687A2 (en) * | 1989-06-08 | 1990-12-12 | Hitachi, Ltd. | Placement optimizing method/apparatus and apparatus for designing semiconductor devices |
WO2013176784A1 (en) * | 2012-05-24 | 2013-11-28 | University Of Southern California | Optimal strategies in security games |
CN107045491A (zh) * | 2017-06-06 | 2017-08-15 | 西南民族大学 | 二重迭代多尺度量子谐振子优化方法 |
CN107145934A (zh) * | 2017-05-09 | 2017-09-08 | 华侨大学 | 一种基于增强局部搜索能力的人工蜂群优化方法 |
CN107292381A (zh) * | 2017-07-12 | 2017-10-24 | 东北电力大学 | 一种用于单目标优化的混合生物共生搜索的方法 |
CN109214499A (zh) * | 2018-07-27 | 2019-01-15 | 昆明理工大学 | 一种改进寻优策略的差分搜索算法 |
CN110598831A (zh) * | 2019-08-14 | 2019-12-20 | 西安理工大学 | 一种基于多策略的改进回溯搜索优化算法 |
CN111445092A (zh) * | 2020-04-21 | 2020-07-24 | 三峡大学 | 基于改进jaya算法的多微电网优化方法 |
CN111709511A (zh) * | 2020-05-07 | 2020-09-25 | 西安理工大学 | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 |
-
2021
- 2021-08-30 CN CN202111005276.5A patent/CN113722853B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0401687A2 (en) * | 1989-06-08 | 1990-12-12 | Hitachi, Ltd. | Placement optimizing method/apparatus and apparatus for designing semiconductor devices |
WO2013176784A1 (en) * | 2012-05-24 | 2013-11-28 | University Of Southern California | Optimal strategies in security games |
CN107145934A (zh) * | 2017-05-09 | 2017-09-08 | 华侨大学 | 一种基于增强局部搜索能力的人工蜂群优化方法 |
CN107045491A (zh) * | 2017-06-06 | 2017-08-15 | 西南民族大学 | 二重迭代多尺度量子谐振子优化方法 |
CN107292381A (zh) * | 2017-07-12 | 2017-10-24 | 东北电力大学 | 一种用于单目标优化的混合生物共生搜索的方法 |
CN109214499A (zh) * | 2018-07-27 | 2019-01-15 | 昆明理工大学 | 一种改进寻优策略的差分搜索算法 |
CN110598831A (zh) * | 2019-08-14 | 2019-12-20 | 西安理工大学 | 一种基于多策略的改进回溯搜索优化算法 |
CN111445092A (zh) * | 2020-04-21 | 2020-07-24 | 三峡大学 | 基于改进jaya算法的多微电网优化方法 |
CN111709511A (zh) * | 2020-05-07 | 2020-09-25 | 西安理工大学 | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 |
Non-Patent Citations (2)
Title |
---|
基于改进人工蜂群算法的配电网重构;邓海潮;毛弋;彭文强;刘小丽;梁杉;范幸;;电力***及其自动化学报(07);全文 * |
多群多层协同进化算法的约束优化求解及应用;张创业;何登旭;莫愿斌;;计算机应用研究(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722853A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
Wang et al. | A two-phase differential evolution for uniform designs in constrained experimental domains | |
CN103440361B (zh) | 一种等离子体刻蚀工艺中刻蚀产额的建模方法 | |
CN112308961B (zh) | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 | |
Zhi et al. | A discrete PSO method for generalized TSP problem | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN110517510B (zh) | 基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法 | |
CN115470704B (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
CN111709511A (zh) | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 | |
CN113722853B (zh) | 一种面向智能计算的群智能进化式工程设计约束优化方法 | |
CN115274007A (zh) | 一种用于发现和优化药物先导化合物的可泛化、可解释的深度图学习方法 | |
Grillotti et al. | Don't bet on luck alone: Enhancing behavioral reproducibility of quality-diversity solutions in uncertain domains | |
CN109074348A (zh) | 用于对输入数据集进行迭代聚类的设备和迭代方法 | |
JP2005285090A (ja) | 多目的最適化装置、多目的最適化方法および多目的最適化プログラム | |
CN110210072B (zh) | 基于近似模型及差分进化算法求解高维优化问题的方法 | |
Liu et al. | A quantum computing based numerical method for solving mixed-integer optimal control problems | |
CN113505929B (zh) | 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法 | |
CN107766887A (zh) | 一种局部加权的不完整数据混杂聚类方法 | |
CN113435083A (zh) | 基于机器学习的增材制造残余应力与变形预测方法和*** | |
CN115146389B (zh) | 一种永磁磁浮列车动力学特征建模方法 | |
Gál et al. | Modified bacterial memetic algorithm used for fuzzy rule base extraction | |
CN112488248A (zh) | 一种基于卷积神经网络的代理模型的构建方法 | |
Kanimozhi et al. | Travelling Salesman Problem Solved using Genetic Algorithm Combined Data Perturbation | |
Wu et al. | An improved genetic algorithm based on explosion mechanism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |