多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.     

混合精英策略的元胞多目标遗传算法及其应用

为了提高Pareto解集的收敛性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种混合精英策略的元胞多目标遗传算法。该算法在分析元胞种群结构的特点基础上,融入一种混合精英策略,提高算法的收敛性能。为了更好的平衡算法的全局搜索和局部寻优的能力,加入一种差分进化交叉算子。通过与同类算法在21个基准函数上对比实验,结果表明,引入混合精英策略和差分进化策略能够提高算法的性能,与其他优秀算法进行比较的结果说明,新算法有更好的收敛性和多样性。工程实例求解结果表明了算法的工程可行性。     

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。     

基于云平台的在线服务性产品任务流分配设计与研究

针对云计算环境下满足用户服务质量(QoS)约束条件的在线服务性产品任务流分配问题,提出一种基于QoS约束的差分进化算法(QoS-DE算法),以便实现多目标优化全局最优问题。该算法首先构建了云计算环境下的QoS模型,并对在线服务性产品的工作流分配约束指标进行了分析。然后利用差分进化算法实现约束条件下的计算资源多目标优化模型求解,并通过自适应的惯性权重调节,提高了全局优化能力。CloudSim云仿真平台上的测试结果表明,相比经典Min-Min算法和QoS-GA算法,提出的QoS-DE算法能够将任务合理分配到对应的节点,并在执行时间、执行费用等指标方面上表现出更好的性能。     

基于动态种群多策略差分进化模型的多目标进化算法

针对复杂的多目标优化问题,根据不同差分进化策略的特点,提出一种基于动态种群多策略差分进化模型和分解机制的多目标进化算法（MOEA／D-DPMD）。该算法将种群划分为3个子种群,每个子种群分配一种差分进化策略。为了提高算法的性能,依据每种差分进化策略的贡献度,动态的调整子种群的规模,各差分进化策略之间相互配合协同进化。采用具有复杂的PS的LZ09系列基准函数,测试新算法的性能,仿真结果表明邻域规模为25时性能最好。通过不同差分进化策略之间的对比分析,新算法也具有较强的优势。将其与MOEAD／DE和NSGA-II算法对比分析,结果显示该算法的收敛性和多样性均优于另外两种算法,是求解复杂多目标问题的有效方法。     

基于二进制差分进化算法的MIMO 雷达阵列优化

针对智能优化算法在MIMO雷达稀疏阵列优化中具有条件约束和局部收敛等问题,本文提出一种参数自适应的二进制差分进化(Adaptive Binary Differential Evolution,ABDE)算法。首先,提出一种规范化的编码方式,解决阵元数和孔径约束问题。通过依次添加、去除阵元,并判断操作对目标函数值的影响来决定阵元位置。其次,改进差分进化算法。借鉴和声搜索(Harmony Search,HS)算法,引入随机扰动,从而增加种群的多样性。通过定义一种二进制差分变异方式BDE/best/1,使父代信息尽量多地传递给子代。然后,提出参数自适应调整策略。利用logistic函数,构造S型的种群进化曲线。最后,MIMO雷达阵列优化设计实验验证了算法的有效性。     

基于约束差分进化的阵列置零

阵列置零的同时,阵列的旁瓣电平升高、主瓣增益降低甚至阵列指向都会发生改变,导致阵列性能降低。针对阵列置零时阵列性能降低问题,提出一种约束优化模型。在约束优化模型中不仅设置了零陷深度约束和近旁瓣电平约束,还设置了阵列期望方向增益约束及阵列指向约束。在满足约束条件下,使得阵列旁瓣电平最低。并且针对标准约束差分进化算法收敛慢,采用自适应约束差分进化(e-SADE)算法,该算法采用多种变异方式相结合、自适应地调节交叉概率和缩放因子。运用自适应约束差分进化分别通过调节阵元相位和阵列功率一定时的阵元权值求解这个约束优化问题,仿真结果表明提出的方法实现了需求的目标方向图,利用自适应约束差分进化算法优化实现阵列置零是有效可行的。     

多波段雷达杂波反演大气波导方法研究

提出了一种利用多个雷达频率杂波反演蒸发波导高度的改进算法,并用基于非支配排序的多目标优化差分进化算法(MODE)进行实现。以X波段(10525MHz)和K波段(24150 MHz)的雷达频率为例,对目标函数特性进行分析,结果显示:目标函数是一个多峰函数,且不同的频率其多峰特性不同;同时用MODE算法进行多目标函数优化仿真反演,并与传统的基于单目标函数优化反演的差分进化算法(SODE)进行对比分析,证明多目标优化反演算法能具有更高的精度和稳定性。     

基于SSA ELM和自适应差分进化算法的拉曼放大器设计北大核心CSCD

提出了一种将樽海鞘群算法优化极限学习机与自适应差分进化算法相结合的方法,并利用该方法优化多泵浦拉曼光纤放大器的参数配置。采用极限学习机构建泵浦参数和拉曼增益之间的非线性映射,并利用樽海鞘群优化算法对极限学习机参数进行优化获得最佳模型。对比分析了上述模型与BP神经网络和传统的极限学习机模型在评价指标方面的差异,结果表明本文所提出的模型预测性能较好。为了提高增益平坦性,利用自适应差分进化算法优化泵浦参数,得到最佳的参数配置。仿真结果表明,利用该方法设计出的拉曼放大器达到了预期效果,其目标增益与预测增益的最大误差不超过05dB。该方法为今后拉曼光纤放大器的设计提供了一种新的思路方法。     

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。