万有引力优化算法
【浙江省自然科学基金】_人工智能._期刊发文热词逐年推荐_20140811
科研热词 动机 颜色信息熵 随机集理论 闭环dna计算模型 遗传算法 选票 适应度函数 路径规划 语义web 诊断方法 蚁群算法 虚拟角色 虚拟人 自适应 自校正控制 背包问题 维度归约 系统结构 粒子群优化算法 粒子群优化(pso) 立体视觉 磁共振图像 特征点 版面理解 熵 潜在语意索引 深度优先遍历 浮游生物 水库 模拟进化算法 机器学习 本体评价 本体学习 本体 无向图 文档索引 数据挖掘 指尖跟踪 批接入实验 批删除实验 感知用户界面 情绪 局部保留索引 小生境遗传算法 小波分解 子句 多源信息融合 多值逻辑 多agent系统 增强方式 图像分割 可满足性
科研热词 说话人识别 随机投影 遗忘特性 遗传算法 选票表格 近似算子 近似空间 车辆密度 身份识别 语义理解 词义消歧 表格线游程 表格域 自然语言处理 聚类 美国国家湿地清查 粗糙集 离子液凝胶 离子液体 神经网络 电子鼻 特征融合 特征提取 湿地分类 混合气体 水文地貌法 概要结构 析取范式 景观生态学 无监督词义消歧 数据流 政策管理 支持向量机 掌纹识别 情感语音 情感聚类 小波增强 定量分析 多agent系统 基频 可满足性推理 协同设计 功能高分子材料 倒计时交通灯 人脸识别 二元关系 rpacti agent ramsar公约 mfcc lpcc k均值算法 bp神经网络
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
蚁群算法
蚁群算法报告及代码一、狼群算法狼群算法是基于狼群群体智能,模拟狼群捕食行为及其猎物分配方式,抽象出游走、召唤、围攻3种智能行为以及“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制,提出一种新的群体智能算法。
算法采用基于人工狼主体的自下而上的设计方法和基于职责分工的协作式搜索路径结构。
如图1所示,通过狼群个体对猎物气味、环境信息的探知、人工狼相互间信息的共享和交互以及人工狼基于自身职责的个体行为决策最终实现了狼群捕猎的全过程。
二、布谷鸟算法布谷鸟算法布谷鸟搜索算法,也叫杜鹃搜索,是一种新兴启发算法CS算法，通过模拟某些种属布谷鸟的寄生育雏来有效地求解最优化问题的算法.同时，CS也采用相关的Levy飞行搜索机制蚁群算法介绍及其源代码。
具有的优点：全局搜索能力强、选用参数少、搜索路径优、多目标问题求解能力强，以及很好的通用性、鲁棒性。
应用领域：项目调度、工程优化问题、求解置换流水车间调度和计算智能三、差分算法差分算法主要用于求解连续变量的全局优化问题，其主要工作步骤与其他进化算法基本一致，主要包括变异、交叉、选择三种操作。
算法的基本思想是从某一随机产生的初始群体开始，利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体，该操作称为变异。
然后，变异个体与某个预先决定的目标个体进行参数混合，生成试验个体，这一过程称之为交叉。
如果试验个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择。
在每一代的进化过程中，每一个体矢量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。
四、免疫算法免疫算法是一种具有生成+检测的迭代过程的搜索算法。
从理论上分析，迭代过程中，在保留上一代最佳个体的前提下，遗传算法是全局收敛的。
五、人工蜂群算法人工蜂群算法是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。
求解约束优化新的引力搜索算法
求解约束优化新的引力搜索算法吴施豫;钱伟懿【摘要】针对约束优化问题,提出了一种新的引力搜索算法.在该算法中,对每一个粒子定义两个质量,一是"可行质量"另一个是"不可行质量".若对可行粒子更新,则采用可行质量;否则采用不可行质量.其目的使可行粒子向目标函数值好的方向发展,使不可行粒子向可行域方向发展.最后对5个测试函数进行数值实验,数值结果表明提出的算法是可行的、有效的.【期刊名称】《价值工程》【年(卷),期】2017(000)012【总页数】2页(P205-206)【关键词】引力搜索算法;约束优化;违反约束度;全局优化【作者】吴施豫;钱伟懿【作者单位】渤海大学数理学院,锦州121013;渤海大学数理学院,锦州121013【正文语种】中文【中图分类】TP301.6本文考虑如下约束优化问题：其中x=（x1，x2，…xn）∈Rn为决策向量，整体搜索空间Ω={x∈Rn｜lk≤xk≤uk，k=1，2，…，n}，可行域为S={x∈Ω｜gi（x）≤0，hj（x）=0，i=1，2，…q，j=q+1，…，m}，f（x）：S⊂Rn→R是一实值目标函数。
问题（1）经常出现在科学和工程等领域，因此它在优化问题中起到重要作用。
解决约束优化问题的常用有确定性和随机性两种方法。
由于一些问题中存在目标函数或约束函数不可微等问题，从而导致确定性方法具有一定局限性，因此，近年来一些随机性优化方法被广泛应用到求解约束优化问题。
最近，Rashedi等人提出一种新的启发式优化算法，称为引力搜索算法[1]（Gravitational Search Algorithm，简称GSA），自从GSA被提出后，一些学者利用GSA来求解约束优化问题。
Pal等人利用GSA算法使用修复方法解决约束优化问题[2]。
Mondal等人使用GSA通过重新初始化不可行的粒子来解决约束优化问题[3]。
Yadav和Deep给出求解约束优化问题的引力搜索算法[4]。
【国家自然科学基金】_万有引力搜索算法_基金支持热词逐年推荐_【万方软件创新助手】_20140802
2013年 科研热词 支持向量机 万有引力搜索算法 循环流化床锅炉 引力搜索算法 参数优化 优化 质子 谷氨酸发酵 计量学 自生长 确定性算法 确定性 燃烧优化 氮氧化物排放特性 模型 概率准则 果蝇优化算法 最小比率 最小二乘支持向量机 旅行商问题 收敛性分析 收敛性 投资者偏好 四足机器人 中心引力优化算法 中心引力优化 万有引力 nox排放特性 nox排放 cpg神经网络 推荐指数 3 3 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Hale Waihona Puke 科研热词 优化 万有引力搜索算法 选择规则 选址问题 航路规划 群体信息 系统可靠性 混沌 极大极小问题 无人机 引力搜索算法 序列二次规划
推荐指数 3 3 1 1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13
2010年 科研热词 推荐指数 边界变异 1 流水线调度 1 模拟进化计算 1 概率和引力优化算法 1 最大排序规则 1 最大引力优化算法(mgoa) 1 最大完工时间 1 局部搜索算法 1 医学图像配准 1 函数优化 1 互信息 1 万有引力搜索算法 1 万有引力 1
2011年 序号 1 2 3 4 5 6 7 8
科研热词 模糊聚类 模糊万有引力搜索算法 模糊c-均值算法 引力搜索算法 二维的图像特征 三角范数算子 万有引力搜索算法 万有引力公式
推荐指数 1 1 1 1 1 1 1 1
多元宇宙算法的讲解
多元宇宙算法的讲解
多元宇宙算法（Multi-Verse Optimizer，MVO）是一种新型的智能优化算法，其灵感来源于物理学中的多元宇宙理论。
该理论认为，除了我们生活的宇宙之外，还存在着其他的宇宙。
MVO算法模拟的是多元宇宙种群在白洞、黑洞和虫洞共同作用下的运动行为。
在MVO算法中，主要的性能参数是虫洞存在概率和虫洞旅行距离率，参数相对较少。
MVO算法的优化执行过程分为两个阶段，即探测和开采。
白洞和黑洞作用
于探测阶段，而虫洞则作用于开采阶段。
在MVO算法中，引入了一个叫做“白洞/黑洞轨道”的概念。
虫洞总是建立在某个宇宙和当前最优宇宙之间，而白洞/黑洞轨道可以建立在任何两个宇宙之间。
在MVO算法中，如果一个宇宙的膨胀率越高，则生成白洞的几率就越高；相反，如果一个宇宙的膨胀率相对较低，则它更有可能生成黑洞。
生成白洞的宇宙会排斥物体，而生成黑洞的宇宙会吸收物体。
不考虑膨胀率的高低，其他宇宙都有可能通过虫洞将物体传送至当前最优宇宙。
该算法主要借助宇宙在随机创建过程中高膨胀率物体总是趋于低膨胀率的物体，这种万有引力作用可以使物体转移。
借助相关宇宙学规则，可以在搜索空间逐渐趋于最优位置。
遍历过程主要分为探索和开采过程，虫洞可以作为转移物体的媒介，通过白洞和黑洞交互作用进行搜索空间探测。
总之，多元宇宙算法（MVO）模拟了多元宇宙中物质的运动行为，通过白洞、黑洞和虫洞的作用进行优化搜索。
该算法具有较少的参数和较好的性能表现，在搜索空间中能够逐渐趋于最优位置。
基于RBHPSO—GSA算法的微电网优化运行方法
基于RBHPSO—GSA算法的微电网优化运行方法李成善; 王锦龙; 杨丝琪; 谢烨; 张晴晴; 周利生【期刊名称】《《智慧电力》》【年(卷),期】2018(046)009【摘要】微电网的优化运行是微电网领域的重要课题。
微电网优化方法需要实现效率最大化、经济成本最小化以及微网性能最优化。
以微电网的经济成本最小为目标函数,通过引入随机黑洞粒子群算法,提出基于改进万有引力搜索算法的微电网优化运行方法,并应用于多目标多约束非线性的微电网优化运行问题。
该算法实现了含储能电池和可转移负荷的微电网优化模型仿真计算,并通过算例验证了该算法的正确性和可行性。
结果表明,与传统的万有引力算法相比,改进后的算法具有发电成本减少,负荷峰值减少等优点。
【总页数】7页(P26-32)【作者】李成善; 王锦龙; 杨丝琪; 谢烨; 张晴晴; 周利生【作者单位】湖北省新能源微电网协同创新中心三峡大学湖北宜昌443002; 梯级水电站运行与控制湖北省重点实验室三峡大学湖北宜昌443002; 国网安徽省电力公司安庆供电公司安徽安庆246003【正文语种】中文【中图分类】O314【相关文献】1.基于需求响应的用户侧微电网多目标优化运行方法 [J], 樊玮;周楠;刘念;林心昊;张建华;雷金勇2.基于主从博弈模型的交直流混合微电网源网协调优化运行方法 [J], 原亚宁;李琳;赵浩然3.基于RBHPSO-GSA算法的微电网优化运行方法 [J], 李咸善;王锦龙;杨丝琪;谢烨;张晴晴;周利生4.基于主从博弈模型的交直流混合微电网源网协调优化运行方法 [J], 原亚宁;李琳;赵浩然;5.基于r-BBMOPSO算法的微电网优化运行方法 [J], 李海涛;崔树春;闻枫因版权原因，仅展示原文概要，查看原文内容请购买。
【浙江省自然科学基金】_进化计算_期刊发文热词逐年推荐_20140812
201斯变异 进化机制 萤火虫算法 群智能 推荐指数 1 1 1 1
科研热词 推荐指数 选择性拆卸 1 选址模型 1 进化计算 1 粗集 1 神经网络 1 物流中心 1 模拟进化计算 1 模拟电路 1 最大引力优化算法(mgoa) 1 智能计算 1 故障诊断 1 拆卸混合图 1 拆卸序列规划 1 启发式算法 1 函数优化 1 克隆选择 1 人工免疫系统 1 万有引力 1 pbil 1
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
科研热词 粒子群算法 进化计算 试题组卷 模拟进化算法 机器学习 数据挖掘 多目标线性规划模型 多目标优化 在线归档策略 动态粒子群算法 分类规则挖掘 信息熵 人脸识别 二元蚁群算法 二元蚁群优化算法 moldflow
2011年 序号 1 2 3 4 5 6 7
2011年 科研热词 序列相似性 差分进化 多模优化 外显子 n阶近邻 k--means聚类 hurst指数 推荐指数 1 1 1 1 1 1 1
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
科研热词 非线性规划 静态克隆选择算法 进化算法 轻量级 粒子群优化 理论与实践 混合入侵检测系统 最小信息熵离散化 协同进化 动态克隆选择算法 分布式计算 人工免疫计算 主元分析算法(pca) 主从模型 agent
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4
科研热词 进化计算 森林群落演化 森林生态系统 回声模型.
推荐指数 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
多物态拟态物理学优化算法
多物态拟态物理学优化算法安泽晔;谢丽萍【摘要】针对拟态物理学优化算法(APO)运动规则较为单一,种群多样性较差的问题,引入多物态划分的概念,并根据物理学中分子的热运动规律,为不同个体选择不同的运动规则.首先对算法中个体的物态划分方法进行研究,将个体的适应值映射到(0,1)的区间内,采用较为相对的划分标准增强物态划分的合理性,其次为不同物态的个体选择不同的运动规则,最后通过6个优化测试函数的仿真测试,说明本算法在平均适应值及最优适应值的精度上优于原APO算法,方差的结果也显示本算法的稳定性.【期刊名称】《太原科技大学学报》【年(卷),期】2019(040)001【总页数】7页(P19-25)【关键词】拟态物理学优化算法;最优化问题;启发式优化算法【作者】安泽晔;谢丽萍【作者单位】太原科技大学计算机科学与技术学院,太原030014;太原科技大学计算机科学与技术学院,太原030014【正文语种】中文【中图分类】TP393求解最优化问题的启发式算法[1-3]中，包含受生物群体行为启发的微粒群算法[4]，模拟自然进化规律的遗传算法[5]，还有受物理学原理启发的类电磁机制算法[6]，中心力算法[7]，模拟退火算法[8]和拟态物理学算法[9]等。
其中，拟态物理学算法(APO)是从自然物理规律中得到启发，模拟两个物体之间虚拟的作用力，然后仿照牛顿第二力学定律进行算法寻优的过程，该算法作用于种群个体之间，建立起算法中的寻优个体与物理学中的个体之间的对应关系。
近年来，对拟态物理学优化算法的研究有很多。
有对其算法框架的研究[10-11]，对算法性能的研究[12]，对收敛性分析及对参数G的设置的研究[13]，对其在实际中的应用的研究[14-18]。
但 APO算法在迭代过程中只遵循一种运动规则，使所有寻优个体体现相同的运动特征，不能有效的平衡全局搜索和局部搜索能力，而单一的搜索策略往往不能得到更好的解，也不能更好的贴合实际，解决问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
万有引力优化算法
万有引力优化算法是一种基于自然界中万有引力的优化算法，它模拟了天体之间的引力作用，通过不断地迭代来寻找最优解。
该算法最初由Ramin Rajabioun于2011年提出，其灵感来源于牛顿万有引力定律。
在万有引力优化算法中，每个解都被看作是一个天体，而每个天体都会受到其他天体的引力作用。
这些天体之间的引力大小与距离成反比例关系，即距离越近，引力越大。
在每次迭代中，每个天体都会受到其他天体的引力作用，从而移动到更优的位置。
这个过程类似于天体之间的相互吸引和排斥，最终达到全局最优解。
与其他优化算法相比，万有引力优化算法具有以下优点：
1. 全局搜索能力强：该算法能够在整个搜索空间中进行全局搜索，从而找到全局最优解。
2. 收敛速度快：由于该算法模拟了天体之间的引力作用，因此在搜索过程中，解会不断地向更优的位置移动，从而加快了收敛速度。
3. 适用范围广：该算法适用于各种类型的优化问题，包括连续型、离散型、多模态和非线性问题等。
万有引力优化算法已经被广泛应用于各种领域，如机器学习、图像处理、信号处理、电力系统等。
例如，在机器学习中，该算法可以
用于优化神经网络的权重和偏置，从而提高模型的准确性和泛化能力。
万有引力优化算法是一种高效、全局搜索能力强、适用范围广的优化算法，它的应用前景非常广阔。