一种快速有效的多模态函数寻优方法

为了解决多模态函数优化问题中全局搜索和局部优化的矛盾，本文提出一种模仿社会分工现象的双群体遗传算法，该算法用一个群体搜索，另一个群体优化，仿真结果表明：和现有方法相比，该算法不仅不会陷入局部极小点，而且收敛速度极快，是一种多模态函数寻优的有效方法。     

变步长自适应萤火虫群多模态函数优化算法

针对萤火虫群优化（GSO）算法优化多模态函数存在收敛速度慢和求解精度不高等缺陷,提出一种变步长自适应萤火虫群优化算法（CSGSO）。该算法主要思想是在GSO算法中引入搜索成功与失败概念,在每次迭代中萤火虫个体据其搜索成功或失败,加大或减小其搜索步长,使算法具有动态自适应性。实验结果表明,该算法可有效地解决GSO算法优化多模态函数存在收敛速度慢和求解精度不高的问题,增强了GSO算法优化多模态函数的性能;与其他算法相比,提出的算法具有操作简单、容易理解、收敛速度快和求解精度高等优点。     

面向多模态函数优化的混沌免疫网络算法研究

针对人工免疫网络解决多模态函数优化时可能出现的早熟收敛现象和搜索精度不甚满意的问题,提出改进的混沌免疫网络算法。改进算法终止条件及采取相应措施以避免早熟,利用混沌变量来模拟免疫细胞的增殖方式以提高算法的搜索精度。通过对一些典型测试函数进行仿真实验,结果表明该算法能够快速优化抗体,搜索能力强,搜索精度高,是一种效果优良的解决多模态函数优化问题的极值寻优方法     

融合Powell搜索法的粒子群优化算法

为了进一步提高多模态函数寻优的效率,提出一种融合Powell搜索法的粒子群优化算法.将PSO算法的全局搜索能力与Powell法的强局部寻优能力有机地结合起来,在保证求解速度,尽可能找到全部极值点的同时提高了解的精确性.由于该算法只利用了函数值信息而不需要计算导数,是求解可微和不可微多模态函数优化问题的通用方法.仿真实验表明了新混合算法的有效性.     

面向多模态函数优化的改进小生境粒子群算法

为了保持群体多样性以增强全局搜索能力,小生境技术在遗传算法中得到了广泛应用.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法.数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性.将算法应用于图像配准实验中,使得配准参数估计误差有明显降低.     

面向多模态函数优化的回溯克隆选择算法

针对多模态函数优化问题,提出了一种基于回溯机制的改进克隆选择算法--回溯克隆选择算法（BCSA）,采用改进回溯机制和记忆库抗体抑制策略,保持了抗体的多样性,以增强算法的全局搜索能力;通过改进动态变异、选择与交叉操作提高算法收敛速度。典型的多模态函数测试结果表明：回溯克隆选择算法具有优良的全局搜索能力和搜索效率。     

自适应步长萤火虫群多模态函数优化算法

针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度低等缺陷,提出一种自适应步长萤火虫群多模态函数优化算法((SASGSO)。该算法解决了萤火虫群优化(GSO)算法优化多模态函数所存在的不足;同时SASGSO算法也可找到多模态函数的所有极值点。数值实验仿真表明,该算法具有操作简单、易理解、收敛速度快和求解精度高等优点。     

一种基于子群变异的粒子群优化算法

为克服粒子群优化算法早熟收敛,提出一种基于子群变异的改进粒子群优化算法。该算法提出一种具有随机定向振荡式搜索的子群对主群的全局最优位置进行变异,改变了完全随机的变异方式,为算法提供局部深度的搜索以及跳出局部最优。为增强算法的全局探索能力,对适应度值差的粒子进行动态的变异,以此达到增大种群的潜在搜索空间的目的。最后通过高维的benchmark函数测试改进算法性能。通过仿真结果对比,表明改进算法能有效防止早熟问题,对于多模态函数的优化能够很好地跳出局部极值点,收敛性和收敛精度等方面得到大幅度提升。     

粒子群优化算法的收敛性分析及其混沌改进算法

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小,粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法,该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.     

带子群的自组织蠕虫算法在优化方面的应用

带子群的自组织蠕虫算法(Subgroup-Self-OrganizingWormAlgorithm,SSOMA)是一种全新的基于涌现方法的多模态优化算法。与传统的多模态算法相比,该算法具有计算简单、收敛性好、精度高且不需要任何先验知识等优点。对该算法在高维多模态问题优化方面的应用进行了一定的探索,提出了适用于高维函数的算法,用经典测试函数对该算法进行了仿真实验,并进行了计算复杂度分析,结果表明该算法在高维多模态函数优化方面具有较为理想的应用前景。     

多模态函数优化的小生境蚁群算法及其仿真分析

结合蚁群算法基本原理,设计一种解决多模态函数优化问题的小生境蚁群算法(NACA),算法采用实数编码,通过对NACA仿真研究,并和相关算法的仿真结果进行比较分析,结果表明NACA具有参数易于选择、适应性强、收敛性好等优点,非常适合于求解同时具有多个最优解或需要搜寻局部最优解的多模态函数优化.     

基于动态分数阶和Alpha稳定分布的粒子群优化算法

针对传统粒子群优化算法(PSO)收敛速度慢及容易陷入局部极小化的问题,提出了一种改进的粒子群优化算法。新算法结合分数阶微分具有的记忆特性,使得粒子的更新融入了轨迹信息,提高了算法的收敛速度。使用Alpha稳定分布代替均匀分布使得粒子在一定概率条件下可以逃逸局部极小点,提高了粒子的全局搜索能力。仿真结果表明,算法不仅在单模态函数下具有更快的收敛速度和更有效的全局搜索能力,在复杂的具有欺骗性的多模态函数下也取得较理想的实验结果,证实了动态分数阶和Alpha稳定分布可以有效地提高粒子群优化算法的性能。     

遗传算法求解多模态优化问题的动力性

多模态函数一般存在多个局部极值解, 局部极值解处适应值的大小很大程度上影响了它们被遗传算法搜索到的概率. 为了弄清楚这种影响机制, 通过分析基因池遗传算法的无限种群动力系统, 刻画了双峰函数局部极值解的适值差与系统不动点之间的解析关系, 进一步分析推广了理论结果的适用范围. 最后, 提出针对多模态优化问题的两阶段遗传算法, 给出了应用理论结果改善遗传搜索性能的范例, 实验结果表明该算法对多模态函数的搜索性能有明显改善, 从侧面证明了理论结果在实际应用中的正确性.     

多模态函数优化的协同多群体遗传算法

讨论了多模态函数优化的遗传算法(GA)求解方法.分析了传统的基于排挤选择模型 和基于适应值共享的GA方法的特点和不足,应用模式理论研究了GA群体进化行为.提出了 宏观小生境思想和协同多群体GA的基本框架和详细算法流程,并给出了一种自动小生境半径 估计方法.采用典型函数进行了实例计算,结果表明了协同多群体GA的有效性.     

求解多模态函数优化的微果蝇优化算法

研究求解偏高维多模态函数优化的小种群果蝇优化算法．算法设计中,优质种群经局部变异探测优质个体;中等种群经精英个体引导实现个体转移;劣质种群依赖于精英和劣质个体沿着多方位搜寻多样个体．该算法具有结构简单、可调参数少、进化能力强等优点,其计算复杂度低．比较性的数值实验显示,此算法寻优能力强、搜索效率高且对偏高维函数优化问题具有较好应用潜力．     

带子群自组织蠕虫算法及其在多模态问题中的应用

提出了一种全新的多模态遗传算法一带子群的自组织蠕虫算法（SSOMA）。该算法的基本恿想是：通过初始群体的前期寻优找到峰值点的所在邻域;随后分别在这些邻域内选择少量的个体组成子群,在这些子群中再利用自组织蠕虫算法进行后期寻优,从而找到所有的峰值点,该算法极大地降低了计算的复杂度、提高了收敛速度。最后,用经典测试函数对该算法进行了仿真实验,并进行了计算复杂度分析,结果表明该算法在多模态函数优化方面具有较为理想的应用前景。     

改进搜索策略的人工蜂群算法

针对人工蜂群(ABC)算法存在收敛速度慢、收敛精度低的问题,给出一种改进的人工蜂群算法用于数值函数优化问题。在ABC的邻域搜索公式中利用目标函数自适应调整步长,并根据迭代次数非线性减小侦查蜂的搜索范围。改进ABC算法提高了ABC算法的局部搜索能力,能够有效避免早熟收敛。基于6个标准测试函数的仿真实验表明,改进ABC算法的寻优能力有较大提高,对于多个高维多模态函数该算法可取得理论全局最优解。与对比算法相比,该算法具有更高的收敛精度,并且收敛速度更快。     

基于混沌搜索与精英交叉算子的磷虾觅食算法

为解决磷虾觅食( KH)优化算法在处理高维多模态函数优化问题时存在局部搜索能力不强、收敛速度慢等问题,利用一种贪婪的精英交叉算子加速其收敛速度,使用基于逻辑自映射函数的混沌搜索算子避免局部极值的吸引,采用对立搜索算子提高初始种群的质量。结合上述3种算子提出一种改进的磷虾觅食算法。在7个标准测试函数上的仿真实验结果表明,与KH及其改进算法相比,该算法在寻优精度和收敛速度方面均得到明显增强。     

一种面向多模函数改进的果蝇优化算法

为将果蝇优化算法有效应用在多模函数优化问题中,设计了一种优化多模函数的果蝇优化算法—基于佳点集和小生境技术的混合果蝇优化算法。首先引入数论中的佳点集概念构造初始种群,使其较均匀地分布在可行域中并且产生的模式多样性比随机分布更好,提高了算法的搜索能力及效率和稳定性;其次用小生境技术改进算法的搜索模式,更好地维持了种群的多样性使种群能快速定位较多的峰;再通过小生境熵来量化群体的多样性并选择进化方向,当小生境熵低于设定的阈值时,结合佳点搜索产生新群体给以扰动,以维持种群的多样性,否则对各个峰进行精细搜索。对七个测试函数分别进行两类仿真,结果表明,该算法不仅能够高效且高精度地找到全局极值而且能够以较高的精度定位到所有全局极值和多个次优极值,显示了较强的多峰搜索能力。     

多模态函数优化的拥挤聚类遗传算法

对多模态函数优化问题，分析了各种小生境策略；将拥挤模型与聚类算法相结合，提出了一种拥挤聚类遗传算法．拥挤模型在适应值曲面上形成多个小生境，聚类算法消除了每个小生境内部的基因漂移现象．理论分析证明了算法的收敛性能．数值实例表明，拥挤聚类模型在多极值搜索的数量、质量和精度上都优于拥挤模型与确定性拥挤模型．将拥挤聚类遗传算法应用于国家同步辐射实验室变间距全息光栅的设计，取得了满意的效果．