基于改进种群多样度的差分进化算法

针对差分进化算法进化后期易出现早熟收敛而陷入局部最优的缺陷,提出了一种基于改进种群多样度的差分进化算法。对进化算法种群多样度进行了研究,经过数学推导,证明了种群多样度与算法全局寻优性能的关系,提出了一种随机变异策略,更好地保持了寻优过程中种群的多样性,增强算法的全局搜索能力。典型测试函数实验表明,改进后的差分进化算法相对于标准差分进化算法具有更好的种群多样性和抑制早熟收敛的能力。     

基于多种群的差分进化算法

针对差分进化算法在寻优过程中存在的种群多样性快速消失,容易收敛到局部最优解,过早成熟的问题。文章提出一种多种群协同搜索的新机制,平衡差分算法前期的全局搜索能力和后期的局部搜索能力。对新改进的多种群差分算法使用基准测试函数进行了对比测试。测试结果表明,多种群差分算法相较于标准差分算法拥有更好的全局搜索能力,更高的精度。     

基于双向搜索差分进化的多目标优化算法

针对差分进化算法求解多目标优化问题时易陷入局部最优的问题,设计了双向搜索机制以增强DE(Differential Evolution,DE)算法的局部搜索能力。一方面降低了算法陷入局部最优的风险,另一方面可增强Pareto解集的多样性,使Pareto前沿面的解集分布更为均匀。实验结果表明,相比于NSGA-II等同类算法,提出的方法在搜索Pareto最优解时效率更高,并且Pareto最优解集的精度及分布程度比前者更好。     

多种群协方差学习差分进化算法

种群多样性与交叉算子在差分进化(DE)算法求解全局优化问题中具有重要作用,该文提出一种多种群协方差学习差分进化(MCDE)算法。首先,采用多种群机制的种群结构,利用每一子种群结合相应的变异策略保证进化过程个体多样性。然后,通过种群间的协方差学习,为交叉操作建立一个适当旋转的坐标系统;同时,使用自适应控制参数来平衡种群的勘测与收敛能力。最后,在单峰函数、多峰函数、偏移函数和高维函数的25个基准测试函数上进行测试,并同其他先进的进化算法对比,实验结果表明该文算法相较于其他算法在求解全局优化问题上达到最优效果。     

基于改进量子旋转门的量子进化数据聚类

在量子进化计算中,量子旋转门是种群进化的主要算子,但是该算子旋转角度的选取是离散且固定的,使问题的搜索容易陷入局部最优.因此,本文提出了一种改进的量子旋转门算子,它能够自适应地计算旋转角度,使种群能够具有比较好的全局搜索能力;同时为了避免陷入局部最优,本文对旋转后的概率幅进行了修正操作.针对数据聚类问题,本文提出了一种...     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

一种新的限制精英的多目标进化算法

在NSGA-Ⅱ算法的基础上,文中提出了一种新的限制精英的多目标进化算法(LEMOEA).通过分布函数的引入,限制了精英选取的数量,增大了解的搜索区域,从而更好地维护了种群多样性.动态变异算子的引入,减缓了算法的收敛速度,增大了解的搜索区域,避免了算法早熟收敛或陷入局部最优.实验结果表明:LEMOEA比NSGA-Ⅱ有更好的收敛效果和种群多样性.     

一种基于差分进化的教与学优化算法

教与学优化算法(TLBO)是一种基于教学过程现象的启发式算法。针对求解高维复杂优化问题时容易陷入局部最优的不足,文章提出了一种基于差分进化的TLBO,采用自适应教学因素和基于差分进化的学习过程来提高基本的TLBO性能。9个复杂的测试函数被用来验证所提出的方法的有效性和准确性。实验结果验证了算法的有效性,表明所提出的算法是一种具有优势的优化算法。     

一种改进的粒子群优化算法

粒子群优化算法(PSO)是一种群体智能进化计算方法,但在搜索过程中粒子紧跟最优粒子运动降低了粒子多样性和全局搜索能力,从而易陷入局部极值.本文提出一种新的粒子群优化算法(PSO-EWD),主要改进体现在2个方面:将惯性权重与进化因子相关联,根据种群的进化状态而改变权重大小,以平衡全局搜索能力与局部搜索能力;将时变的分布式时延引入速度更新公式中,以增加粒子的多样性.本文通过5种算法在9个基准函数上的实验对比,证明了新提出的算法相较于另外4种算法具有更优的适应度值、稳定性和收敛速度.     

梯度策略自适应差分进化算法

差分进化算法是一种有效求解全局优化问题的方法,为进一步提高求解精度,加快求解过程,文中提出一种梯度策略自适应差分进化算法。该算法是在差分进化算法中加入梯度下降法,使其不仅有较好的全局搜索能力,且具有传统优化方法的快速局部搜索能力,因此具有较高搜索精度和较快的搜索过程。通过对CEC2005测试集中的1～14号测试函数进行仿真实验,并与SaDE,NSDE以及CMAES等算法实验结果进行了对比,结果表明了该算法的有效性。     

带局部增强算子的微分进化改进算法

微分进化算法具有鲁棒性强、易于使用、控制参数少等优点.但在搜索中存在一定的盲目性,搜索效率不高.本文通过引入局部增强算子,使种群中的部分个体在当前最优个体附近寻优,以加快算法的收敛速度.利用五个标准的优化算法测试函数对改进算法进行了测试,并与动态微分进化算法和微粒群算法进行了比较.算法分析和仿真结果表明,本文提出的改进算法大大提高了算法搜索效率.     

基于合作模型的协同免疫多目标优化算法

本文针对多目标优化问题Pareto最优解集合(PS)的分布特点,构造了一种基于新的子任务划分方法的合作型协同进化模型,并将该模型引入人工免疫系统中,提出了一种基于合作模型的协同免疫多目标优化算法(A Cooperative Immune Coevolutionary Algorithm for Multiobjective Optimization,CICAMO).CICAMO算法运用Tchebycheff分解方法进行子种群划分,然后对各个子种群建立线性概率统计模型分段逼近整个PS,在抗体繁殖上结合了克隆选择和模型采样两种方式.实验结果表明,CICAMO算法在求解质量和收敛速度上均表现良好,尤其对于决策变量非线性相关的多目标优化问题,性能尤为突出.     

精英免疫克隆选择的协同进化粒子群算法

提出一种精英免疫克隆选择的协同进化粒子群算法（Elite immune clonal selection co-evolutionary particle swarm optimization,EICS-CPSO）.算法借鉴了协同进化思想和精英策略,基于精英种群与普通群体并行协同进化框架.高适应度的精英个体组成精英团体,运用自适应小波变异的免疫克隆选择算子对精英团体进行提升引导操作.普通种群间个体极值采用柯西交互学习机制提高微粒个体极值收敛性能;迁移操作进一步推进了整体信息共享与协同进化.实验结果表明该算法收敛精度快且全局搜索能力强,且具有较好的动态优化性能.实验分析表明该算法对参数不敏感,易于使用.     

基于Lévy飞行的自适应差分进化算法

针对目前差分进化算法存在全局搜索与局部寻优的矛盾、搜索停滞、收敛速度慢的问题,提出一种改进算法:基于Lévy飞行的自适应差分进化算法。该算法鉴于Lévy飞行步长符合重尾分布的特点,在变异过程中结合差分进化算法的基本变异和Lévy飞行变异两种模式,并通过引入自适应缩放因子和交叉概率算子,改善种群在交叉与变异过程中的不足。通过理论分析与Benchmark函数的数值验证,并与其他6种算法进行比较。结果表明,所提新算法能够在全局搜索与局部寻优之间进行较好的平衡,而且收敛速度更快,种群多样性得到了很好的保存,一定程度上避免了搜索停滞的出现。     

基于生态种群捕获竞争模型的多目标Memetic优化算法

本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.     

一种协同神经网络不平衡参数的差分优化方法

协同模式识别方法是协同学原理应用于模式识别领域的一种新方法,识别过程中通过调整神经网络的注意参数,能改进系统的识别性能,对协同神经网络参数在不平衡条件下进行优化,能充分利用协同神经网络的自学习能力,以提高识别效果。差分进化作为一种有效的全局近似最优解的搜索算法,具有收敛性好、速度快的特点,文中提出了一种基于差分进化的方法对协同神经网络中参数进行优化,在协同神经网络的参数空间搜索最优参数,采用了均方适应度方差的机制自适应调整搜索速度和搜索精度,克服差分进化算法参数调整困难的不足,以提高算法的寻优能力,新方法具有全局兼局部寻优能力,不易陷入局部极值,同时新方法采用约简的序参量进化参数,使优化算法能有效提高协同神经网结的效率,实际图像的分类识别结果表明,注意参数的变化会导致完全不同的识别结果,另外,本文还将新算法与平衡参数的方法、其它优化的非平衡参数的协同学习算法进行了全局优化能力的比较,采用新方法具有更快的收敛速度和更优的分类识别效果。      

带局部搜索的动态多群体自适应差分进化算法及函数优化

 提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.     

基于GIS和差分进化粒子群的变电站选址方法

文中提出了一种基于地理信息系统(GIS)和差分进化改进粒子群的配电网变电站优化选址方法。该方法利用GIS确定变电站数量,基于变电站投资运行费用建立有约束条件的目标函数,采用粒子群算法进行变电站选址优化。针对粒子群算法易陷入局部最优且收敛速度慢的问题,借助差分进化引入两个变异因子,在提升粒子群算法收敛速度的同时,避免其陷入局部最优。算例分析结果表明,该方法具有较好的寻优能力和收敛特性,能够有效实现变电站选址优化。     

一种新的解决组合优化问题的自适应柯西进化规划ACEP

 本文在快速进化规划基础上,提出了一种解决组合优化问题的自适应柯西进化规划ACEP.该算法融合了柯西变异的优点,通过调整参量r来适当的改变搜索的步长,相对于经典进化规划CEP和快速进化规划FEP只需一半的种群数量便可快速到达问题的最优解,最后0/1背包问题的对比实验结果表明了其优越性.     

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．