一种量子行为磷虾算法及其仿真分析

针对基本磷虾算法收敛效率低下,容易收敛到局部极值的缺点,基于协同进化和量子计算基本理论,提出一种量子行为磷虾算法,称为协同进化量子磷虾算法(cooperative evolution quantum krill herd algorithm,CEQKHA).该算法将磷虾种群划分为主种群和辅种群,各种群能够独立进化,并实现优良个体的交换.利用量子进化行为方式更新磷虾个体位置,引进delta势阱,将粒子势阱中心设置为最优个体位置,获取磷虾进化后的位置,并分别将主种群和辅种群个体采用不同的位置更新方式,提高种群勘探和开采的能力.对所提出的算法进行了收敛性分析,证明了所提出算法的收敛性能.最后利用基准函数进行了仿真对比分析,经仿真验证,所提出的CEQKHA能得到更优解,具备良好的优化性能.     

协同进化引力磷虾觅食算法

在对当前基本磷虾觅食算法的特性进行分析和研究后,针对基本磷虾觅食算法运行速度慢、全局收敛性不强等缺点,为提高磷虾觅食算法收敛性能,引入协同进化机制和引力算法思想,提出一种协同进化引力磷虾觅食算法（co-evolutionary gravitational krill herd algorithm,CGKH）。首先,为深入挖掘种群内部个体性能,将种群分为两个子种群进行协同竞争操作,提高种群整体竞争性能,同时将协同竞争后的种群划分为开采磷虾、跟随磷虾和侦察磷虾,并依据开采、跟随和侦察3个阶段进行协同进化,以提高种群局部开采能力;其次,借鉴引力算法基本思想,将磷虾个体觅食行为中的吸引度转化为邻域个体引力,确保个体向最优个体方向寻优;最后,为避免进化停滞和陷入局部极值,采用聚群和追尾行为对磷虾个体进行随机扰动,以提高种群后期个体多样性。对算法的收敛性能和漂移特性进行了分析,同时对算法进化能力进行了分析。利用同类型算法和不同类型算法进行了仿真对比分析,充分验证了所提出算法的优良性能。     

协同进化免疫记忆克隆算法

为提高免疫克隆算法的收敛性能,基于协调勘探和开采的思想,提出一种新型协同进化免疫记忆克隆算法.将整个进化种群分为免疫克隆种群和免疫记忆种群,将免疫克隆种群又分为2个子种群,在每个免疫克隆子种群内部采用协同竞争模式,动态更新种群规模,并采用适应度共享、动态变异机制和浓度调节机制的克隆扩增以增加种群多样性;在免疫记忆种群中采用混沌精细搜索以及精英交叉机制,提高免疫记忆种群的开采能力.利用基准测试函数进行仿真并与相关方法对比分析,所提出的算法收敛效果优越,能有效地提高全局收敛性能.     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

协同量子智能体进化算法及其性能分析

针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取三级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

基于全局最优解和随机采样的改进人工蜂群算法

为进一步提高人工蜂群算法的收敛速度、开采能力,提出了基于全局最优解和随机采样的改进人工蜂群算法.算法在跟随蜂阶段采用全局最优引导与完全随机采样相结合的高斯搜索策略,以加快算法的收敛速度,平衡探索和开采能力,避免陷入局部最优.在侦察蜂阶段引入包含被遗弃蜜源信息的高斯方程产生新蜜源,加快搜索速度.在12个基准测试函数上进行了比较实验,实验结果表明该改进的算法求解简单函数时,收敛速度更快,求解较复杂的函数时,解的精度和稳定性得到一定的提高.     

一种用于函数优化的量子克隆算法

为了解决传统量子进化算法用于复杂函数优化易陷入早熟和收敛速度慢等问题,将克隆算子引入到量子进化算法中,提出了一种新型的进化算法一量子克隆算法.该算法既借鉴了量子进化算法的高效并行性又利用克隆算子增加种群的多样性.提高了算法在解决函数优化问题的全局寻优能力.仿真结果表明,该算法优于传统的量子进化算法,较好地解决了复杂函数的优化问题.     

基于自适应进化策略的人工蜂群优化算法

提出一种自适应进化策略的人工蜂群优化算法来提高基本人工蜂群优化算法的性能。算法中每个引领蜂拥有4种进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定引领蜂个体的进化行为,并通过多策略进化概率变异方式来提升个体寻优速度或避免陷入局部最优解。典型高维复杂函数测试表明,该算法具有很好的收敛精度和计算速度。     

余弦适应性骨架差分进化算法

针对传统差分进化算法在解决复杂优化问题时存在收敛速度慢的问题,提出了一种余弦适应性骨架差分进化算法(CABDE),算法设计了一种新的变异策略适应性机制。该机制引入一个余弦适应性因子,实现高斯变异策略和DE/current-to-best/1变异策略的优势互补,以平衡算法的勘探能力和开采能力。其中,高斯变异策略具有较强的全局搜索能力,有利于维持种群多样性。DE/current-to-best/1变异策略具有较强的局部搜索能力,能够加快对较优区域的开采。同时,高斯变异策略和DE/current-to-best/1变异策略都利用当前最优个体来引导算法搜索方向,从而尽可能地加快收敛速度。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略。设计的变异策略适应性机制能够在维持种群多样性的同时加快收敛速度。为测试算法性能,采用18个不同特性的测试函数对算法进行数值实验。对CABDE算法的变异策略和参数动态变化进行了分析,实验结果验证了变异策略和参数动态变化的有效性。此外,CABDE算法分别与新近的骨架算法变体、差分进化算法变体、粒子群优化算法变体和人工蜂群算法变体进行了比较。实验结果表明CABDE算法获得了较高的求解精度,加快了收敛速度,整体上优于其他比较算法。     

基于等级信息反馈的进化算法

为了解决高维优化问题,提出了一种新的基于等级信息反馈的进化算法.该算法对变异尺度分成若干等级,并设置矩阵对父代各个维度上的变异等级、变异结果和变异次数等信息进行记录,利用这些反馈信息来指导后代个体的变异维度选择和变异尺度的生成;算法的超变异算子给予最优个体在其领域范围内进行多次搜索的机会以提高算法结果的精度.试验结果表明,与其他改进算法相比,该算法具有较好的全局收敛性,不易陷入局部最优解且算法的收敛速度和稳定性有显著提高.     

An adaptive genetic algorithm with diversity-guided mutation and its global convergence property

An adaptive genetic algorithm with diversity-guided mutation, which combines adaptive probabilities of crossover and mutation was proposed. By means of homogeneous finite Markov chains, it is proved that adaptive genetic algorithm with diversity-guided mutation and genetic algorithm with diversity-guided mutation converge to the global optimum if they maintain the best solutions, and the convergence of adaptive genetic algorithms with adaptive probabilities of crossover and mutation was studied. The performances of the above algorithms in optimizing several unimodal and multimodal functions were compared. The results show that for multimodal functions the average convergence generation of the adaptive genetic algorithm with diversity-guided mutation is about 900 less than that of adaptive genetic algorithm with adaptive probabilities and genetic algorithm with diversity-guided mutation, and the adaptive genetic algorithm with diversity-guided mutation does not lead to premature convergence. It is also shown that the better balance between overcoming premature convergence and quickening convergence speed can be gotten.     

求解多峰函数优化问题的免疫量子进化算法

提出了一种求解多峰函数优化问题的免疫量子进化算法, 该算法依据小生境机制将量子表达的初始 种群划分为子群组, 再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞 交叉变异、抗体的促进与抑制等进化机制, 找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的 天然并行性和免疫算法的充分自适应性, 它比传统的进化算法具有更好的种群多样性, 更快的收敛速度, 更有效的 全局和局域寻优能力;证明了算法的收敛性, 最后通过仿真实验表明了该算法的优越性。     

基于相似性学习的整数规划问题演化求解

将学习机制引入到变异算子中,定义了个体距离、相似性和邻域等概念,用距离反映个体间的差异程度,用相似性描述个体间对应基因位的类似程度,用邻域实现对种群按相似性分割。提出了基于相似性学习的自适应演化算法,从而使得变异算子具有了很强的导向性,避免了传统达尔文演化策略的半盲目性,使计算结果稳定地收敛到全局最优解。以下料问题为例,对算法进行数值试验,运算结果表明该算法能很好求解整数规划问题。     

改进的变参数粒子群优化算法

为了提高标准粒子群优化(PSO)算法在收敛速度和优化精度上的性能,提出一种改进的变参数粒子群优化(MAPSO)算法.该方法以进化状态因子计算策略和进化状态估计模型为基础,引入了算法参数控制和变异算子,提高了算法的收敛速度和全局优化能力.在多个基准单峰和多峰优化问题上,对已有的2种算法和MAPSO算法进行了测试和比较,结果表明：在优化精度上,MAPSO算法在6个基准测试函数的4个测试函数上都优于另2种算法;在收敛速度方面,MAPSO算法在5个测试函数上都优于其他2个算法,体现了MAPSO算法在多个性能指标上的优越性.     

用于网络编码优化的改进量子进化算法

网络编码允许网络中间节点对输入数据进行处理而非简单转发,提高了网络的吞吐量和鲁棒性,已经被证明能够达到网络最大流最小割限制。但网络节点的编码操作引发了额外的计算及资源开销。为此,该文提出了一种针对网络编码优化的改进量子进化算法IQEA-NC,以满足达到理论多播速率的情况下最小化网络的编码开销目的。IQEA-NC对传统量子进化算法进行了有效的改进,降低了算法搜索空间,增强了全局搜索能力,同时避免了陷入局部最优。仿真对比实验表明,同已有的量子进化算法及其他进化算法相比,该方法提高了优化性能,在准确性和收敛速度上都具有较大的优势。     

改进的基于平滑函数的全局优化进化算法

为了解决进化算法在求解全局优化时易陷入局部极小点的问题,引入了平滑函数,利用目前最好点来消除比其差的局部极小点;设计了适合该平滑函数的杂交算子,利用平滑函数与种群的关系寻找实值函数的下降方向。设计了一个变异算子,增加了种群的多样性。在此基础上,设计了一个求解全局优化问题的高效进化算法,并从理论上证明了其全局收敛性,从数值上验证了其有效性。     

一种基于随机数扰动变异的果蝇优化算法

针对果蝇优化算法在解决现实中复杂高维优化问题时不稳定、精度不高、易陷入局部最优、移动步长取值不易确定的缺陷,提出一种改进的果蝇优化算法。改进算法对每代果蝇群体的最优解实施随机数扰动变异,作为果蝇个体位置更新的移动步长,并为移动步长设置动态惯性扰动因子,使移动步长的取值具有自适应性。在8个高维峰值函数上做性能分析实验。结果表明:改进算法在收敛精度和收敛速度上较对比算法有显著提升,在较高目标精度下的寻优成功率达到100%。说明改进算法通过对果蝇群体的最优解实施随机数扰动变异,能够增加果蝇个体分布的离散程度,扩展果蝇群体的多样性,使果蝇更易跳出局部极值的束缚,显著提高算法的收敛精度和收敛速度。