基于混合优化策略的微分进化改进算法

微分进化算法具有控制参数少、鲁棒性强、易于使用等优点，并具有不同的优化策略．本文在对微分进化算法各优化策略性能进行分析的基础上，提出了基于混合优化策略的微分进化改进算法．改进算法的主要思想是将种群中的个体随机地分成两组，每组采用不同的优化策略．利用五个标准的优化算法测试函数对改进算法的收敛速度和搜索成功率进行了测试，并与动态微分进化算法和微粒群算法进行了比较．实验结果表明，本文提出的改进算法在保证算法搜索成功率的同时，大大提高了算法搜索效率．     

指派问题的变异蚁群算法求解

指派是现实生活中经常遇到的一类问题，文章建立了指派问题的数学模型，并用具有变异特征的蚁群算法对其加以解决。蚁群算法是一种进化算法，适合解决组合优化问题，指派问题是组合优化问题中的一个分支。实验结果表明。使用变异蚁群算法解决指派问题，提高了搜索效率，能够在短时间内得到最优分配方案。     

一种思维进化蜂群算法

人工蜂群算法（ABC ）是一种模拟蜜蜂群智能搜索行为的随机优化算法,已成功用于解决许多优化问题。为有效改善ABC算法的性能,文章结合思维进化的思想提出了一种思维进化蜂群算法（MEABC ）,该算法通过学习和按维更新策略对ABC算法进行了改进,并对改进算法的收敛性进行了分析。通过四个标准测试函数的仿真实验,验证了MEABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。     

求解多目标优化问题的若干算法概述

文章首先给出了多目标优化的数学模型,回顾了多目标优化的基本概念。其次,简要总结了多目标优化问题的传统方法和进化算法,其中对进化算法为遗传算法的求解方法进行了详细阐述,分析了传统方法和进化算法的优缺点。最后,对多目标优化领域的热点问题进行展望。     

群智能理论及应用

作为一种新兴演化计算技术，群智能已成为新的研究热点，它与人工生命，特别是进化策略和遗传算法有着极为特殊的联系，已完成的理论和应用研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法．更为重要的是，群智能的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证．本文介绍了群智能理论的产生和发展过程，并着力阐述了两种典型算法；微粒群算法和蚁群算法的基本原理以及研究现状．     

人机交互的Copula和协同优化算法在分布估算中的应用

人机交互的Copula函数和协同优化理论相结合的算法能有效解决分布估计算法在优化变量强相关问题的过程中存在的效果差、模型估计时间长等问题.该方法首先将Copula函数作为各个边缘分布函数的连接函数来建立一个解分布的概率模型;然后产生种群的过程中人工的选择其他种群中的优良个体,替换本种群中较差的个体并采用协同优化的思想,在种群进化时充分考虑其他种群中的个体的影响,最大限度的保证向着最优进化的方向发展.将该方法应用在对3个相互独立的种群进化上,其实验参数反演结果表明,该算法不但增强了优化的效果,而且还有效的避免了早熟,加快了算法的收敛速度.同时也表明了人机交互的过程在解决较为复杂的实际问题中的有效性和可操作性.     

基于混合进化算法的特征选择方法研究

特征选择（Feature Selection,FS）是一种有效的数据预处理方法，它可以通过选择高维数据中一组具有高相关性和低冗余性的特征，从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题，其中基于教与学优化（Teaching and Learning-based Optimization Algorithm,TLBO）的特征选择模型由于其高效的全局搜索能力受到越来越多学者的关注.然而，随着数据规模的不断扩大，这些算法所具有的模型不稳定、模型精确度低和局部搜索能力差等局限性，使算法的研究逐步陷入困境.为解决上述问题，本文提出了融合教与学优化算法与局部搜索方法（Local Search,LS）的混合进化Wrapper算法模型（Teaching and Learning-based Optimization-Local Search Algorithm,TLBOLS）.首先，由于传统的教与学优化算法不能直接用于求解特征选择问题，算法在初始化阶段将实数型编码转为二进制编码，然后为保证种群的多样性，在教阶段引入最差个体重启机制，并针对进化班级过程中学习者与教学者两种身份采...     

基于差分进化算法和遗传算法的混合优化 算法及其在阵列天线方向图综合中的应用

阵列天线方向图综合作为智能天线的一项重要技术对于复杂系统的优化问题提出了更高的要求.本文结合差分进化的基本思想和遗传算法的基因交叉和变异方法构建了一种新的混合优化方法.该算法使用差分进化算子作为主要优化手段,结合遗传算法优胜劣汰的基本思想以及其中的交叉和变异方法,通过融合两种优化方法各自的优点,可以显著改善多参数、高度非线性问题的优化结果、提高计算效率.计算机仿真结果表明,与现有算法相比,该算法用于天线方向图综合具有收敛速度快、优化能力强、算法可靠等优势.     

一种基于Kriging模型和受限差分进化的电磁结构快速优化算法

进化算法在各类电磁结构优化设计中有着广泛的应用，但由于需要在参数空间中进行随机搜索并仿真试探，优化效率普遍较低.针对这一问题，提出受限差分进化（Differential Evolution，DE）算法与Kriging代理模型相结合的电磁结构快速优化算法.算法根据参考设计结果建立圆柱管道空间，通过参数变换将进化区域限制在管道内部.Kriging模型学习管道内样本及其仿真数据，代替电磁仿真快速预测进化产生下一代种群的响应.相比整个参数空间，该算法DE寻优和Kriging学习的区域被显著减小，优化效率得到提升.通过一个波导双孔定向耦合器的优化设计，表明该方法的求解质量和收敛速度优于现有算法.     

一种稀布矩形平面阵的多约束优化方法

针对矩形孔径平面稀布阵的多约束优化问题(包括阵元数、阵列孔径和最小阵元间距约束), 提出了一种基于矩阵映射的差分进化算法.该方法把差分进化算法的优化变量与阵元位置坐标按照特定的关系进行矩阵映射, 使含有多约束的阵元分布优化问题转换为仅含差分进化算法优化变量上、下限约束的优化问题, 从根本上避免了进化过程中的不可行解.通过抑制阵列峰值副瓣电平进行仿真实验, 结果显示了该算法的高效性和稳健性, 且能获得比现有方法更好的优化结果.     

先锋遗传算法在多峰值函数优化中的应用

本文对遗传算法应用于多峰值数值函数优化进行了研究,通过对算法的综合和改进,克服了传统遗传算法计算多峰值函数时容易出现的遗传漂移问题,实现了优化目的,证实了先锋遗传算法应用于此类问题的可行性和有效性.     

遗传算法在赋形波束阵列天线优化中的应用

本文对遗传算法应用于赋形波束阵列天线优化进行了研究,通过对算法的综合和改进,使赋形波束阵列天线在给定副瓣电平和波束覆盖的条件下,增益得到了明显改善,达到了优化的目的,证实了遗传算法应用于此类问题的可行性和有效性.     

粒子群优化算法及其应用

粒子群优化（PSO）算法是一种新颖的演化算法，它属于一类随机全局优化技术，PSO算法通过粒子间的相互作用在复杂搜索空间中发现最优区域。PSO的优势在于简单而又功能强大。介绍了基本的PSO算法、研究现状及其应用，并讨论将来可能的研究内容。     

基于选择的遗传算法在列车运行调整中的研究

针对列车运行的特点,将降低列车群的总晚点时间和提高相邻列车对客流的吸纳水平作为性能指标,通过对复线列车运行控制优化模型的分析,引入基于选择的遗传算法;并且利用基于选择的遗传算法对列车运行调整这一问题进行优化,为列车运行调整优化引入一种新的方法。     

太赫兹光谱结合机器学习的甜味剂检测

以三氯蔗糖、赤藓糖醇、木糖醇3种人工甜味剂为研究对象,采用太赫兹时域光谱技术,结合多种机器学习和优化算法对甜味剂与面粉混合物的光谱数据进行系统的分类识别和定量回归研究。结果表明,麻雀搜索算法-支持向量机模型/支持向量回归模型(SSA-SVM/SVR)对混合物的定性及定量分析结果均达到最优,分类预测的准确率达到95.56%,定量回归预测的最佳回归系数R2为0.999 8,实现了3种甜味剂和面粉混合物的高精确度分类和定量分析,为人工甜味剂的快速检测提供了一种有效可靠的新思路。     

GAAA算法在直线步进电机控制中的应用

对与蚁群算法融合的遗传算法应用于直线步进电机PID控制系统的参数优化进行了研究,通过对系统参数的优化设计,使得PID控制系统的稳定性、抗干扰能力有了很大的提高,达到了优化目的,证实了融合算法应用于此类问题的可行性和有效性.     

聚类分析的遗传算法方法

本文提出了一种利用遗传算法来对传统的聚类算法中的目标函数进行寻优的聚类分析方法，实验结果表明，本文方法得到最优（或近似最优）解的可能性比ｃ－均值和ｃ－线聚类算法大得多。     

量子行为粒子群算法在图像恢复中的应用

遗传算法等智能搜索技术避免了图像恢复方法中存在的较多约束和计算量过大的问题,但遗传算法存在“过早收敛”现象。作为一种新的智能优化算法-量子行为粒子群优化算法,在全局收敛性和稳定性上有较好的表现。文章提出了一种基于量子行为粒子群算法的图像恢复方法,并与基于标准遗传算法的图像恢复进行了比较。仿真结果表明,该算法可使图像恢复结果和效率得以较大的改善和提高,具有推广应用价值。     

可信遗传算法设计

论述了评价标准不一致是目前遗传算法研究领域中普遍存在的问题,探讨了遗传算法客观评判准则的问题,给出了客观评判准则存在的充分条件,并分析了客观评判准则是否具有可信性以及是否对关键参数敏感等问题,进一步提出了可信遗传算法设计的概念,给出了可信遗传算法的设计流程.最后,以旅行商问题为例,对文章提出的概念和流程做了进一步说明.     

Meta-heuristic optimization algorithms for comparative analysis of uniform and non-uniform elliptical array antenna for enhanced gain

In this article, the synthesis of a non-uniform elliptical array antenna (EAA) is presented applying three relatively new, well-performing meta-heuristic optimization algorithms; quantum particle swarm optimization (QPSO), symbiotic organism search (SOS), and moth fly optimization (MFO) algorithms. The design objective allows simultaneous minimization of side lobes and maximization of gain by finding the best optimal combination of angular locuses of the antennas in the array structure. The proposed technique is efficient enough to resolve the underlying multi-objective problems at two principle planes of radiation and adaptable enough to the effective implementation of additional design constraints which make this design suitable for practical high-frequency applications as well as long-distance communication. The iterative accomplishment of the three algorithms is compared depending on the radiation parameters as well as statistical parameters. The outcomes are validated by performing a t test on the obtained data sets.