具有学习机制的离散差分演化算法

如何将差分演化算法应用于离散领域是目前该领域的一个热点研究问题。用分布佑计算法对搜索空间中优质解的分布进行建模,然后根据建立的模型抽样产生新解,利用分布佑计这种全局信息学习的机制,提出具有学习机制的离散差分演化算法并用于求解多维背包问题。实验结果表明,提出的算法具有良好的性能。     

基于分布估计的离散差分演化算法

差分演化(DE)是解决优化问题的非常有效的新兴智能算法,但它主要用于连续优化领域,至今尚不能象解决连续优化问题那样有效的处理组合优化问题.首先提出了离散DE用于组合优化问题,然后在离散DE中引入分布估计算法(EDA)来提高性能,把EDA抽样得到的全局统计信息和离散DE获得的局部演化信息相结合来产生新解,形成基于EDA的离散DE算法.为了保持种群多样性,在提出的算法中引入了位翻转变异操作.实验结果表明,EDA能大大提高离散DE的性能.     

求解多选择背包问题的改进差分演化算法

首先将差分演化算法（DEA）的演化机制归结为差异算子（DO）和选择算子（SO）的作用,然后基于离散域上的多选择背包问题（MCKP）,通过重新定义DEA算法的差异算子中的三种基本运算,并采用个体正整数编码方法和处理非正常编码的快速微调策略,提出了一种求解MCKP问题的改进差分演化算法（MDEA）,第一次将DEA用于求解组合最优化问题.对经典MCKP问题实例的计算表明：MDEA算法不但是可行的,而且是高效的.     

求解旅行商问题的位置-次序编码差分演化算法

首先利用“差异算子”和“选择算子”描述了差分演化算法(DE)的基本原理，然后提出了一种新的、通用的特殊编码方法：位置 次序编码法，并利用此编码方法，提出了求解著名旅行商问题的离散差分演化算法：基于位置 次序编码的差分演化算法(PODE)。对于TSPLIB中两个不同规模的旅行商问题实例的计算表明，PODE算法具有极好的收敛性和稳定性     

求解旅行商问题的位置一次序编码差分演化算法

首先利用“差异算子”和“选择算子”描述了差分演化算法（DE）的基本原理，然后提出了一种新的、通用的特殊编码方法：位置-次序编码法，并利用此编码方法，提出了求解著名旅行商问题的离散差分演化算法：基于位置-次序编码的差分演化算法（PODE）。对于TSPLIB中两个不同规模的旅行商问题实例的计算表明，PODE算法具有极好的收敛性和稳定性。     

基于分布估计的离散差分骨干粒子群优化

粒子群优化（PSO）和差分演化（DE）是两种新兴的优化技术,已经成功地应用于连续优化问题,但是它们至今尚不能像解决连续优化问题那样有效地处理组合优化问题。最近,有人提出差分骨干PSO（DBPSO）用于解决连续优化问题。首先提出离散DBPSO用于组合优化问题,然后在离散DBPSO中引入分布估计算法（EDA）来提高性能,把EDA抽样得到的全局统计信息和DBPSO获得的局部演化信息相结合来产生新解,形成基于EDA的离散DBPSO。实验结果表明EDA能大大提高离散DBPSO的性能。     

一种具有混合编码的二进制差分演化算法

差分演化(DE)是Storn和Price于1997年提出的一种基于个体差异重组思想的演化算法,非常适用于求解连续域上的最优化问题.首先引入"差异算子"等概念,给出DE的一种简洁算法描述,并分析了它所具有的特性.然后,为了使DE能够求解离散域上的最优化问题,基于数学变换思想引入"辅助搜索空间"和"个体混合编码"等概念,通过定义一个特殊的满射变换,在辅助搜索空间的作用下将连续域上的高效差分演化搜索变换为离散域上的同步演化搜索,由此提出了第1个二进制差分演化算法:具有混合编码的二进制差分演化算法(HBDE).接着,给出了HBDE的依概率收敛和完全收敛的定义,并利用离散Markov随机理论证明了HBDE是完全收敛的. HBDE不仅完全具有DE的各种特性和所有优点,而且非常适用于求解离散域上的最优化问题,对随机生成的大规模3-SAT问题实例和典型0/1背包问题实例的数值计算表明:该算法具有很好的全局收敛性和稳定性,其性能远远超过二进制粒子群优化算法和遗传算法.     

基于编码转换的离散演化算法设计与应用

为了利用演化算法求解离散域上的组合优化问题,借鉴遗传算法（GA）、二进制粒子群优化（BPSO）和二进制差分演化（HBDE）中的映射方法,提出了一种基于映射变换思想设计离散演化算法的实用方法——编码转换法（ETM）,并利用一个简单有效的编码转化函数给出了求解组合优化问题的离散演化算法一般算法框架A-DisEA.为了说明ETM的实用性与有效性,首先基于A-DisEA给出了一个离散粒子群优化算法（DisPSO）,然后分别利用BPSO、HBDE和DisPSO等求解集合联盟背包问题和折扣{0-1}背包问题,通过对计算结果的比较表明：BPSO、HBDE和DisPSO的求解性能均优于GA,这不仅说明基于ETM的离散演化算法在求解KP问题方面具有良好的性能,同时也说明利用ETM方法设计离散演化算法是一种简单且有效的实用方法.     

基于差分进化的离散粒子群算法求解TSP问题

针对TSP问题,结合离散粒子群算法和差分进化算法各自的特点,提出了基于差分进化的离散粒子群算法。该算法先利用差分进化算法的变异、选择算子产生新的群体,再通过离散粒子群算法和交叉及选择算子进行局部搜索。通过对标准的30个城市进行实验,实验结果表明,该优化算法在求解TSP问题上有很好的性能。     

基于离散差分演化的粗糙集属性约简算法

为了有效地获取属性最小相对约简,提出了一种新的基于离散差分演化算法的粗糙集属性约简算法。利用一种新的区间编码机制将差分演化算法离散化,用于求解最小属性约简问题。提出了一种新的适应度函数计算方法来控制染色体朝着最小约简的方向进化。实验结果表明该算法是有效的,特别是当数据规模较大时收敛速度更快,更加节省计算时间,为属性约简提供了一个新的思路。     

An effective hybrid discrete differential evolution algorithm for the flow shop scheduling with intermediate buffers

In this paper, an effective hybrid discrete differential evolution (HDDE) algorithm is proposed to minimize the maximum completion time (makespan) for a flow shop scheduling problem with intermediate buffers located between two consecutive machines. Different from traditional differential evolution algorithms, the proposed HDDE algorithm adopted job permutation to represent individuals and applies job-permutation-based mutation and crossover operations to generate new candidate solutions. Moreover, a one-to-one selection scheme with probabilistic jumping is used to determine whether the candidates will become members of the target population in next generation. In addition, an efficient local search algorithm based on both insert and swap neighborhood structures is presented and embedded in the HDDE algorithm to enhance the algorithm’s local searching ability. Computational simulations and comparisons based on the well-known benchmark instances are provided. It shows that the proposed HDDE algorithm is not only capable to generate better results than the existing hybrid genetic algorithm and hybrid particle swarm optimization algorithm, but outperforms two recently proposed discrete differential evolution (DDE) algorithms as well. Especially, the HDDE algorithm is able to achieve excellent results for large-scale problems with up to 500 jobs and 20 machines.     

求解背包问题的改进差异演化算法

提出一种求解0-1背包问题的改进差异演化算法。首先对差异演化算法的选择操作进行修改,得到的改进差异演化算法可以直接有效地处理约束优化问题。其次,利用一种新的区间编码映射机制,将差异演化算法扩展到求解离散领域优化问题。仿真实验结果表明,与其他进化算法相比,改进差异演化算法求解经典背包问题时,求解精度高,收敛速度快,是求解经典背包问题的一种高效算法。     

病毒进化的离散差分进化超声图像特征选择

选择具有识别作用的超声图像淋巴结区域特征对临床诊断具有重要价值。针对目前特征选择算法收敛速度慢和容易陷入局部极小值的问题,提出病毒协同进化的离散差分进化的颈部淋巴结超声图像特征选择算法。该算法主要利用病毒感染操作进行宿主个体的变异,在维持宿主个体多样性的同时保留最优的搜索信息,提高了算法的适应度函数值和进化速度。在临床颈部淋巴结超声图像中进行实验验证,分类精度达到98%,而算法平均收敛迭代次数仅为30次,表明本文所提算法是正确有效的。     

An operator allocation optimization model for balancing control of the hybrid assembly lines using Pareto utility discrete differential evolution algorithm

This paper investigates the operator allocation problems (OAP) with jobs sharing and operator revisiting for balance control of a complicated hybrid assembly line which appears in the apparel sewing manufacturing system. Multiple objectives and constraints for the problem are formulated. The utility function is employed to deal with the difficulty of combining several conflicting and incommensurable objectives into one overall measure. An optimization model combining the Pareto utility discrete differential evolution (PUDDE) algorithm and the embedded discrete event simulation (DES) model is proposed to solve the OAPs. The PUDDE algorithm is an improved discrete differential evolution approach used with the Pareto utility selection strategy, which extends the real-value differential evolution to handle the discrete-value vector by introducing two modified operators, namely the subtraction and addition operators. During the optimization process, the embedded DES model is used to evaluate the performance objectives by analyzing the dynamic behaviors of the hybrid assembly lines, which tackles the problem of having no closed-form mathematical expressions for the evaluation of performance objectives owing to the existence of jobs sharing and operator revisiting. Extensive experiments are conducted to validate the proposed optimization model. The experimental results demonstrate that the proposed PUDDE-based optimization model can effectively solve the OAPs for the hybrid assembly lines with the consideration of jobs sharing and operator revisiting. It was also found that the proposed PUDDE algorithm evidently outperforms the general differential evolution algorithm. Compared with the collected industrial results, the solution generated by the proposed optimization model has much better performance objectives for the hybrid assembly lines.     

求解武器—目标分配问题的混合编码差异演化算法*

提出一种混合编码差异演化求解武器—目标分配优化问题。在差异演化算法中增加违反边界约束处理操作,确保由变异和交叉操作生成的每个新个体满足边界约束条件;对差异演化算法中的选择操作重新定义,使其可以直接处理约束条件。基于编码映射的方法构建一种新的混合编码差异演化算法。利用武器—目标分配问题对该算法进行了仿真实验,结果表明该算法的有效性与适用性。混合编码差异演化算法是求解离散约束优化问题的一种有效方法。     

Total flow time minimization in no-wait job shop using a hybrid discrete group search optimizer

The no-wait job shop scheduling problem is a well-known NP-hard problem and it is typically decomposed into timetabling subproblem and sequencing subproblem. By adopting favorable features of the group search technique, a hybrid discrete group search optimizer is proposed for finding high quality schedules in the no-wait job shops with the total flow time criterion. In order to find more promising sequences, the producer operator is designed as a destruction and construction (DC) procedure and an insertion-based local search, the scrounger operator is implemented by differential evolution scheme, and the ranger operator is designed by hybridizing best insert moves. An efficient initialization scheme based on Nawaz–Enscore–Ham (NEH) heuristic is designed to construct the initial population with both quality and diversity. A speed-up method is developed to accelerate the evaluation of the insertion neighborhood. Computational results based on well-known benchmark instances show that the proposed algorithm clearly outperforms a hybrid differential evolution algorithm and an iterated greedy algorithm. In addition, the proposed algorithm is comparable to a local search method based on optimal job insertion, especially for large-size instances.     

基于改进离散差分进化算法的桁架优化

为提高离散桁架优化问题的计算效率,提出一种改进的离散差分进化算法。基于种群多样性自适应地选择变异策略以平衡探索和收敛能力,根据个体差异度和种群多样性缩减种群规模以减少计算量,在进行结构分析前舍弃较大的实验个体规避无用计算,并引入精英选择技术解决选择阶段目标个体和实验个体数量不等的问题,在此基础上,给出一种将数值之间的距离转化为概率的离散化方法,处理离散变量问题。实验结果表明,与IGA、DE等算法相比,该算法在保证最优解质量的同时,能够大幅减少结构分析次数。