改进差分进化算法求解整数任务分配

针对0-1任务规划模型存在维数灾维的问题,提出了一种基于改进差分进化算法的整数任务分配算法。将任务分配的0-1规划模型转化整数规划模型,不仅大幅降低了优化变量的维数,还减小了整式约束条件;将差分进化算法常用的变异算子DE/rand/1/bin和DE/best/2/bin结合起来组成新的变异算子,使得DE既保持了种群的多样性,又有较快的收敛速度和搜索精度,并用改进的差分进化算法求解整数规划;通过典型的任务分配实例验证了该算法在优化大规模任务分配的有效性和快速性。     

An enhanced artificial bee colony algorithm with adaptive differential operators

Artificial bee colony algorithm (ABC) has been shown to be very effective to solve global optimization problems (GOPs). However, ABC performs well in exploration but relatively poorly in exploitation resulting in a slow convergence when it is used to handle complex GOPs. Differential evolution (DE) benefits from its differential operators, namely mutation operator and crossover operator, which could perturb multiple variables simultaneously and has shown a fast convergence speed. In order to improve ABC’s exploitation ability and accelerate its convergence, in this paper, we propose an enhanced ABC algorithm named ABCADE, which remedy the limitation of ABC by exploiting the advantage of differential operators. Particularly, in ABCADE, the employed bees employ differential operators to produce candidate solutions with an increasing probability, and the two important parameters (scale factor F and crossover rate CR) of differential operators are adaptively adjusted through Gaussian distribution. Moreover, to significantly differentiate the good solutions and bad solutions in a population, and put more effort in the exploitation around the good solutions, we design a new selection probability method for onlooker bees. To verify the performance of ABCADE, we compare ABCADE with other representative state-of-the-art ABC and DE algorithms, the comparison results on a set of 22 benchmark functions with various dimension sizes demonstrate that ABCADE obtains superior or comparable performance to other algorithms.     

A clustering method combining differential evolution with the K-means algorithm

The present paper considers the problem of partitioning a dataset into a known number of clusters using the sum of squared errors criterion (SSE). A new clustering method, called DE-KM, which combines differential evolution algorithm (DE) with the well known K-means procedure is described. In the method, the K-means algorithm is used to fine-tune each candidate solution obtained by mutation and crossover operators of DE. Additionally, a reordering procedure which allows the evolutionary algorithm to tackle the redundant representation problem is proposed. The performance of the DE-KM clustering method is compared to the performance of differential evolution, global K-means method, genetic K-means algorithm and two variants of the K-means algorithm. The experimental results show that if the number of clusters K is sufficiently large, DE-KM obtains solutions with lower SSE values than the other five algorithms.     

一种自适应差分演化算法

差分演化算法是一类基于种群的启发式全局搜索技术,对于实值参数的优化具有很强的鲁棒性。为了提高差分演化算法的寻优速度、克服启发式算法常见的早熟收敛问题,提出了一种自适应的方法来调整控制参数。实验表明,算法的收敛速度和寻优能力得到很大的提高。     

批量流水线调度问题的混合差分进化算法

针对E/T指标的批量流水线调度问题,提出了差分进化调度算法。该算法采用基于实数的编码方式,利用最优目标个体的扰动产生变异个体,通过变异个体与目标个体的交叉产生试验个体,提高了最优目标个体信息共享,并结合模拟退火算法给出了两种混合求解策略。仿真试验表明了所得算法的可行性和高效性。     

A novel modified differential evolution algorithm for constrained optimization problems

A novel modified differential evolution algorithm (NMDE) is proposed to solve constrained optimization problems in this paper. The NMDE algorithm modifies scale factor and crossover rate using an adaptive strategy. For any solution, if it is at a standstill, its own scale factor and crossover rate will be adjusted in terms of the information of all successful solutions. We can obtain satisfactory feasible solutions for constrained optimization problems by combining the NMDE algorithm and a common penalty function method. Experimental results show that the proposed algorithm can yield better solutions than those reported in the literature for most problems, and it can be an efficient alternative to solving constrained optimization problems.     

基于简化群优化算法和协方差矩阵学习的差分进化算法

把SSO算法的交叉策略、协方差矩阵学习策略与传统的DE算法结合,提出一个新的DE算法的变种,我们把它称作SCDE算法。正如我们所知,DE算法的变异策略在DE算法中占据了非常重要的位置,然而,传统的DE算法的变异策略都是用相对位置来产生候选解,本文尝试利用个体历史最优解来诱导变异产生候选解,这将大大提高种群跳出局部最优的能力。此外,将算法的变异和交叉操作放在由种群的协方差矩阵的所有特征向量组成的坐标系中执行,这将使算法的交叉和变异操作具有旋转不变性。实验结果表明,本文提出的新的交叉和变异策略可以大大提高DE算法在CEC 2013中28个测试函数的全局寻优能力。     

求解约束优化问题的ε-DE 算法

差分进化(differential evolution,简称DE)算法解决约束优化问题(constrained optimization problems,简称COPs)时通常采用可行解优先的比较规则,但是该方法不能利用种群中不可行解的信息.设计了可以利用不可行解信息的ε-DE算法.该算法通过构造一种比较准则,使得进化过程可以充分利用种群中优秀不可行解的信息.该准则通过引入种群约束允许放松程度的概念,在进化初始阶段使可行域边界上且拥有较优目标函数的不可行解进入种群;随着进化代数增加,种群约束允许放松程度不断减小,使得种群中不可行解数量减少,直到种群约束允许放松程度为0,种群完全由可行解组成.此外,还选择了一种改进的DE算法作为搜索算法,使得进化过程具有较快的收敛性.13个标准Benchmark函数实验仿真的结果表明:ε-DE算法是目前利用DE算法解决COPs问题中效果最好的.     

改进差分进化算法在可靠性冗余分配问题中的应用

提出一种改进差分进化算法(IDE),以解决系统可靠性冗余分配问题.在罚函数法的基础上,对约束处理方法进行改进. 新约束处理方法在搜索过程中不需要在每一步都计算惩罚函数值,加快了寻优速度.具有良好的通用性,可以引入到其他智能优化算法中.将改进的算法用于求解4类典型的系统可靠性冗余分配问题,实验结果表明了所提出的改进算法具有很好的寻优精度和收敛速度.     

混合差分进化算法

为了克服差分进化算法容易出现早熟和收敛速度慢的问题,提出了一种混合差分进化算法.该算法在趋药性差分进化算法(CDE)的基础上,通过对较优个体进行变异操作,维护了种群多样性、避免早熟;通过将较差的个体与较优个体进行杂交,提高了开采能力、加快了收敛速度.基于这两种策略,算法的开采能力与探索能力达到了平衡.用该算法解决标准函数优化问题,并将仿真结果与其他算法进行比较,数值结果表明该文算法具有较快的收敛速度和很强的跳出局部最优的能力.     

面向双目标应急物资调度的改进差分进化算法

本文对应急物资调度模型的建立及求解该模型的优化算法进行了研究.首先,在资源受限情况下,以配送费用总成本最小和最大缺失损失最小为优化目标,建立了连续消耗问题的多供应点对多受灾点的应急物资调度模型.然后,通过引入DE/best/1变异策略与DE/rand/2变异策略对差分进化算法进行了改进,提出了一种基于双变异策略的改进差分进化算法,将Pareto非支配等级分层与拥挤距离的概念引入到改进差分进化算法中,对约束双目标调度模型进行求解.最后,通过两种不同规模的四组仿真实验,验证了本文提出模型及改进的差分进化算法的可行性和有效性.与基本差分进化算法对比,双变异策略的改进差分进化算法对相同应急物资调度问题进行求解时,得到了更多的Pareto前沿解个数,和较低的应急物资调度配送费用成本与较小的最大缺失损失,同时解分布的广泛性也得到了显著提高.     

航班滑行路径规划和停机位分配联合优化

针对机场的航班滑行路径规划和停机位分配的联合优化调度问题,构建基于冲突回避的滑行道与停机位联合调度模型,并提出改进的自适应差分进化算法求解问题。以最小化航班的滑行时间和旅客转机的行走时间为优化目标,建立非线性混合整数规划联合调度模型。设计考虑了滑行冲突的路径规划算法,完成航班的滑行路径分配,并通过自适应动态调整差分进化算法参数,引入个体位置边界的扰动策略,进一步改善了算法的搜索性能。对国内某枢纽机场的仿真结果表明,所提出的算法可以有效避免滑行冲突,缩短滑行时间,是能够兼顾旅客服务质量和航班场面滑行效率的有效方法。     

差分进化计算研究综述

差分进化计算（DE）是继遗传算法、微粒子群算法、蚁群算法之后的又一个成功的智能算法。它有三个算子即变异算子、交叉算子、选择算子。差分进化利用种群中个体之间的差异信息实现向最优解区域的搜索。实验证明,该算法具有较好的鲁棒性和求解效率。针对该算法的基本思想以及当前的部分研究成果进行了分析介绍。最后对下一步的研究进行了相应的说明和展望。     

基于变异交叉方程与进化选择机制的回溯优化改进算法

针对回溯搜索优化算法存在的收敛速度慢,容易陷入局部最优等问题,提出了一种改进算法。首先利用t分布产生变异尺度系数,加快了算法收敛速度;接着完善交叉方程结构,引入最优个体控制种群搜索方向,有效提高了算法开发能力;最后提出进化选择机制,引入差分进化算法变异因子,一定概率下以较差解替换较优解,避免算法陷入局部最优。在数值实验中,选取了15个测试函数进行仿真测试,并与5种表现良好的算法进行了比较,结果表明,该算法在收敛速度及搜索精度方面有明显优势。     

自适应混合多目标分布估计进化算法

针对多目标分布估计算法全局收敛性较弱的缺陷,提出了一种自适应混合多目标分布估计进化算法。其基本思想是:在多目标分布估计算法中引入全局收敛性较强的差分进化算法,当函数变化率较大时,用分布估计算法产生新种群;当函数变化率较小即算法可能陷入局部收敛时,用差分进化算法产生新种群。理论分析和数值实验结果表明,这种混合算法不仅具有良好的全局收敛性,而且解的分布性和均匀性较没有考虑目标函数变化率的混合多目标分布估计算法也有了一定程度的提高。     

Multiagent based differential evolution approach to optimal power flow

This paper proposes a new differential evolution approach named as multiagent based differential evolution (MADE) based on multiagent systems, for solving optimal power flow problem with non-smooth and non-convex generator fuel cost curves. This method integrates multiagent systems (MAS) and differential evolution (DE) algorithm. An agent in MADE represents an individual to DE and a candidate solution to the optimization problem. All agents live in a lattice like environment, with each agent fixed on a lattice point. In order to obtain optimal solution quickly, each agent competes and cooperates with its neighbors and it can also use knowledge. Making use of these agent-agent interaction and DE mechanism, MADE realizes the purpose of minimizing the value of objective function. MADE applied to optimal power flow is evaluated on 6 bus system and IEEE 30 bus system with different generator characteristics. Simulation results show that the proposed method converges to better solutions much faster than earlier reported approaches.     

基于N阶近邻分析的自适应差分进化算法

针对差分进化算法在求解多模优化问题解可靠性较低的问题,在N阶近邻理论分析及参数整定的基础上,提出一种基于N阶近邻分析的自适应差分进化算法（N--NNADE）.N--NNADE算法在缺少先验知识的情况下,通过分析群体个体间的N阶最短近邻计算种群的全局分布,并利用阶跃信息自适应统计获得种群数量;同时采用K--means算法划分种群,进一步引入不同种群间的交叉变异思想以及父子代同种群则替换最差个体的选择策略实现种群间的协同进化.通过获取更多的全局最优解和部分高质量的局优解来提高算法的可靠性.20个优化问题的数值研究结果表明N--NNADE算法具有比DE（differential evolution）,DERL（differential evolution algorithm withrandom localizations）,ADE（adaptive differential evolution）算法更适合求解复杂的高维多模优化问题.     

A novel hybrid multi-objective immune algorithm with adaptive differential evolution

In this paper, we propose a novel hybrid multi-objective immune algorithm with adaptive differential evolution, named ADE-MOIA, in which the introduction of differential evolution (DE) into multi-objective immune algorithm (MOIA) combines their respective advantages and thus enhances the robustness to solve various kinds of MOPs. In ADE-MOIA, in order to effectively cooperate DE with MOIA, we present a novel adaptive DE operator, which includes a suitable parent selection strategy and a novel adaptive parameter control approach. When performing DE operation, two parents are respectively picked from the current evolved and dominated population in order to provide a correct evolutionary direction. Moreover, based on the evolutionary progress and the success rate of offspring, the crossover rate and scaling factor in DE operator are adaptively varied for each individual. The proposed adaptive DE operator is able to improve both of the convergence speed and population diversity, which are validated by the experimental studies. When comparing ADE-MOIA with several nature-inspired heuristic algorithms, such as NSGA-II, SPEA2, AbYSS, MOEA/D-DE, MIMO and D²MOPSO, simulations show that ADE-MOIA performs better on most of 21 well-known benchmark problems.     

多目标差分进化算法的电力系统无功优化

 在传统电力系统无功优化( Reactive Power Optimization,RPO) 模型中引入电压水平 指标,建立了以网损最小,电压水平最好为目标的多目标差分进化算法( Differential Evolution Algorithm) 的模型。针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,提出一种 具有自适应参数策略的改进差分进化算法并首次用于多目标电力系统无功优化问题。通过在 算法进化过程中调整变异因子F 和交叉因子CR,在初期增加种群的多样性、扩大全局搜索区 域; 从而可以避免算法陷入局部最优解; 同时在后期也加快了收敛速度。将该算法用于电力系 统无功优化并仿真计算了IEEE-14 节点标准测试系统,结果验证模型和算法的有效性。     

数据同化框架下基于差分进化的遥感图像融合

针对现有融合方法的结果图像不易根据后续处理的要求进行自适应调整, 不同方法的优点不易综合的问题, 借鉴气象领域中的数据同化系统能综合其模型算子和观测算子两者优点的思想, 提出一个基于差分进化的遥感图像融合框架. 在该框架下, 将基于对比度àtrous的Contourlet变换作为模型算子, 独立分量分析和àtrous小波变换作为观测算子, 用差分进化(Differential evolution, DE)算法来优化由图像定量评价指标组成的目标函数, 从而获取更合适的图像. 二组实验从视觉效果和定量指标两方面验证了该框架的有效性.