自适应调整差分进化算法在优化问题中的应用

差分进化算法在求解优化问题时,进化后期由于种群多样性急剧下降,算法全局搜索能力被削弱,极易陷入局部最优解而"早熟"收敛.针对该问题定义了算法停滞系数和个体相似系数.根据算法停滞系数自适应调整算法的缩放系数.同时,根据个体相似系数判定种群普通个体与最优个体的相似性,并以此为基础对相似个体实施基因重构操作,从而避免种群个体严重趋同造成的种群多样性下降问题.将改进算法应用于标准测试函数和车辆路径问题的优化.模拟计算结果表明:改进算法的优化结果优于标准差分进化算法,改进的差分进化算法具有更强的全局寻优能力,适于求解复杂优化问题.     

基于混合策略的差分进化算法

针对传统差分进化算法在求解问题中种群易收敛、易早熟的问题,提出了一种基于混合策略的差分进化算法.该算法根据粒子适应度、适应度标准差和粒子间距离标准差,将种群分为3个不同大小、不同功能的子种群,每个子种群采用不同策略和控制参数来实现自己被指定的功能.算法在搜索过程中既增强了种群的全局搜索能力,又增加了收敛精度.通过对4个标准函数的测试,仿真结果表明该算法比其他算法具有更好的寻优能力.     

基于改进的DE算法对PID参数的优化

通过改进标准差分进化算法的放缩因子,得到一种改进的差分进化算法.这种改进的差分进化算法具有自适应的特点,能自调整放缩因子的大小,而标准差分进化算法的放缩因子通常取某个常数.将这种改进的差分进化算法用于PID参数的优化,克服了一些传统方法过于直接、不能寻优的缺点.仿真结果显示,改进的差分进化算法,具有较快的响应速率和较好的鲁棒性.     

基于反学习和正交交叉算子的元胞差分进化算法

提出了一种基于正交交叉算子的元胞差分进化算法.进化初期采用反学习初始化方法获得初始候选种群,利用元胞结构的局部搜索方法替代控制参数调节差分进化算法的选择压力,从而平衡差分进化算法的探索能力和开发能力,利用元胞自动机的并行演化机制保持种群的多样性,从而避免陷入局部最优.该算法利用无交叉因子的正交交叉算子,通过多元素重复试验加速种群收敛速度.对多个典型测试函数的仿真实验结果表明,所提出的算法相较于多个差分进化改进算法具有更快的收敛速度和更好的计算精度.     

一种基于混合差分策略的改进差分进化算法

对启发式优化算法中的差分进化算法进行改进．在进化过程中并行交叉采用DE／rand／1／exp和DE／best／1／exp差分策略，应用聚集度因子进行种群重构，缩小了种群重构后的搜索范围，有效避免了种群重构的随机性．仿真结果表明，改进算法与使用单一差分策略的差分进化算法及PSO算法相比．寻优能力得到了显著提高．     

改进差分进化算法在非线性模型预测控制中的应用

为了解决非线性模型预测控制在实际工程系统应用时,传统方法求解非凸的非线性规划问题容易陷入局部极小,计算量随着问题维数的增加呈几何级数增长的问题,对传统的差分进化算法进行了改进.通过动态调节差分进化算法的主要参数加快差分进化算法的收敛速度,同时采用多种突变策略增加种群的多样性,有效克服了传统差分进化算法容易陷入局部极小的缺点.在简单三容液位系统上的仿真实验结果证明了该算法的有效性和可行性,在工业应用中具有较好的应用前景.     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。     

改进差分进化算法及其在模糊聚类分析中的应用

针对差分进化算法早熟与搜索效率不理想的问题,提出一种改进的差分进化算法。算法在变异阶段采用多策略与多参数并行的方法一次产生多个变异个体,有效地保持了种群中个体的多样性,抑制了早熟现象的发生。根据竞争机制选择适应度最好的变异个体进行选择操作,提高了搜索效率。与差分进化及其改进算法的对比实验表明了算法的有效性,并把提出的算法应用到模糊聚类分析中,较好的解决了原始聚类模型求解容易陷入局部极值的问题。     

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。     

控制参数协进化的差分进化算法及其应用

提出一种控制参数协进化的差分进化算法（DE-CPCE）,实现算法控制参数随种群搜优进展,自适应动态调整。DE-CPCE算法将控制参数作为原始个体的共生个体,且每一个原始个体都有各自的共生个体;算法在对原优化问题进行差分进化搜优的同时,以原始个体进化效率作为共生个体（即控制参数）的评价,并通过共生个体的差分进化操作实现其协进化。DE-CPCE算法能随优化问题搜优进展,自适应动态调整算法控制参数,实时为算法搜优提供最优的控制参数。仿真研究表明,DE-CPCE算法的控制参数具有动态自适应性;并且在与文中所提及的算法（DE/rand/1,DE/best/1,DE/rand-to-best/1,DE/rand/2,DE/best/2,self-adaptive Pareto DE and self-adaptive DE）比较中,该算法能以较高概率求得全局最优值,且收敛速率快,求得最优解的精度高。同时,应用DE-CPCE算法估计SO2催化氧化反应动力学模型参数,结果优于文献报道。     

精英克隆局部搜索的多目标动态环境经济调度差分进化算法

为有效解决复杂多目标动态环境经济调度问题,提出一种基于精英克隆局部搜索的多目标动态环境经济调度差分进化算法。以传统的差分进化(differential evolution, DE)算法为框架,为了提高DE算法的开采和探索能力,增设精英群的克隆和突变机制,采用动态选择方式确定精英群,有效增强算法的全局搜索能力。数值试验以IEEE-30的10机、15机系统为测试实例,并将提出的算法与三种代表性算法比较。结果表明,新算法所获的Pareto前沿具有较好的收敛性和延展性,可为电力系统调度人员提供更灵活的决策方案。     

Harmony search algorithm with differential evolution based control parameter co-evolution and its application in chemical process dynamic optimization

A modified harmony search algorithm with co-evolutional control parameters(DEHS), applied through differential evolution optimization, is proposed. In DEHS, two control parameters, i.e., harmony memory considering rate and pitch adjusting rate, are encoded as a symbiotic individual of an original individual(i.e., harmony vector). Harmony search operators are applied to evolving the original population. DE is applied to co-evolving the symbiotic population based on feedback information from the original population. Thus, with the evolution of the original population in DEHS, the symbiotic population is dynamically and self-adaptively adjusted, and real-time optimum control parameters are obtained. The proposed DEHS algorithm has been applied to various benchmark functions and two typical dynamic optimization problems. The experimental results show that the performance of the proposed algorithm is better than that of other HS variants. Satisfactory results are obtained in the application.     

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。     

基于搜索偏好知识的复杂多模差分进化算法

针对复杂多模优化问题,提出一种基于搜索偏好知识的差分进化算法PKLSHADE。PKLSHADE将先验搜索偏好知识注入到种群的进化过程,在不同的进化阶段对种群的多样性和集约性区分考虑,进化早期重视差分扰动以增强算法的全局开发能力,进化后期更多围绕当前最优解进行局部精细搜索。同时,基于搜索偏好知识的变异策略能够实现差分进化算法全局开发和局部搜索的自适应平滑过渡,避免两搜索阶段的硬切换。在CEC2017复杂混合多模函数上的实验结果及统计分析表明,PKLSHADE在最优解的精度、算法的稳定性等方面均优于LSHADE、EBLSHADE、jSO及AMECoDEs等近年来的优秀差分进化算法。     

混沌局部搜索策略的差分进化算法

提出了一种应用混沌局部搜索策略的差分进化算法(CLSDE),在每一代中通过DE/best/2/bin形式的差分进化算法找到最佳个体,然后在最佳个体的附近用混沌的方法进行局部搜索.6个基本测试函数的优化结果表明:CLSDE寻优结果得到的最大值、最小值、平均值、标准差都比DE/best/2/bin好,而且收敛速度比DE/best/2/bin快.     

差异进化算法参数研究及自适应处理

差异进化算法(DE)是近年来提出的一种高效进化算法,具有收敛快、控制参数少、程序实现简单等优点。本文在详细介绍了差异进化算法的基本原理之后,通过四个典型函数最小值问题的数值分析,系统研究了为取得较快的进化速度,算法中交叉因子和变异因子这两个主要控制参数的取值问题,并对标准差异进化算法进行了改进,提出自适应变异差异进化算法(AMDE)。数值测试分析表明,AMDE在提高进化速度的同时,将关键控制参数由三个减为两个,降低了算法对参数的敏感程度,减小了差异进化算法的应用难度。     

基于微分进化算法的SVM参数选择

支持向量机(support vector machines, SVM)的性能在很大程度上取决于参数的设置, 所以参数选择问题一直是SVM理论和应用研究中的重点问题.SVM的参数选择本质上是一个优化搜索过程, 并且这个优化问题往往是多峰的.微分进化算法(differential evolution, DE)是一种实数编码的基于种群进化的优化算法, 具有强劲的全局搜索能力, 在多峰函数的寻优问题上已表现出优异的性能.为此, 将DE算法用于SVM参数选择, 提出了基于DE算法的SVM参数选择方法(DE-SVM).在标准数据集上的几个仿真实验证明了该方法的有效性.与基于微粒群算法(partical swarm algorithm, PSO)的参数选择方法相比, DE-SVM在复杂问题或多参数的寻优问题上具有更快的寻优速度.     

基于膜概念和Kriging模型混合优化算法的翼型设计

在气动优化设计中,发展一些计算代价小同时又具有较好的全局/局部搜索平衡能力的优化算法十分重要。针对此,文章提出了一种基于膜概念和Kriging模型的混合优化算法。该算法对细胞膜的结构和新陈代谢运作机制进行了仿真,将粒子群优化算法与差分进化算法有机地结合了起来,增强了算法的寻优能力,同时,引入Kriging模型进行预估寻优,极大地减少了计算开销。函数测试结果表明,该混合算法具有很好的寻优能力。将该算法应用到单段翼翼型和两段翼翼型的设计之中,取得了良好的结果。     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊C均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值．文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO—FCM）．利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题。同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM进行图像分割．实验表明,该方法能解决FCM算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果．