全局与局部模型交替辅助的差分进化算法

为求解实际复杂工程应用中的高维计算费时优化问题,提出一种全局与局部代理模型交替辅助的差分进化算法。利用历史样本训练全局和局部代理模型,通过交替搜索全局和局部代理模型得到模型最优解并对其进行真实目标函数评价,实现探索和开采的平衡以减少真实目标函数的计算次数,同时通过针对性地选择个体进行真实目标函数计算,辅助算法快速找到目标函数的较优解。在15个低维测试问题和14个高维测试问题上的实验结果表明,在有限的计算资源情况下,该算法在12个低维测试问题上相较于最优重启策略代理辅助的社会学习粒子群优化算法、基于主动学习的代理模型辅助的粒子群优化算法等表现更好,在7个高维测试问题上相较于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法、求解高维费时问题的代理辅助的多种群优化算法等能找到目标函数的更优解。     

一种优化高维复杂函数的PSO算法

对于高维复杂函数，一般粒子群优化算法收敛速度慢，易早熟收敛。本文重构一个适合高维复杂函数惯性权重函数，使粒子群算法寻优过程中的全局收搜能力和局部收搜能力良好平衡，以达到快速收敛，高效避免早熟问题，获得最优解。对典型高维复杂函数的仿真表明：算法在求解质量和求解速度两方面都得到了好的结果。     

一种优化高维函数的量子-粒子群算法

提出了一种改进的量子—粒子群算法来改善维数束缚问题。对于存在高维问题的量子—粒子群算法,引入了相互学习方法,使用多个粒子群用来优化解向量的分量,从而帮助粒子群克服维数束缚找到最优解;另外在每一次迭代过程中根据遗传算法中适应度函数对参与相互学习的粒子解的数目进行最优选取,从而有效减少了时间花费。对经典函数的测试计算表明,改进的混合算法确保了搜索精度,在时间花费上也得到了较好的改善。     

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。     

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法（SFLA）的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO）,并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。     

基于MMTD算法的粒子群的解Ⅱ

粒子群算法是一种寻找最优解的算法,该算法在寻找的过程中需要粒子所得的目前解具有判断力和记忆力.然而正是由于该算法中的粒子对当前的解具有判断力,才能够使得粒子群中的粒子能够较快地找到最优解.粒子群中的粒子在求解过程中所得的结果可分为三种:优,中,差,这三种解的属性符合中介思想.然而MMTD的算法正是中介思想的一种应用,因此论文将MMTD算法在粒子群上进行应用,该算法能够对粒子群解的属性上做出判断.     

基于MMTD算法的粒子群的解

粒子群算法是一种寻找最优解的算法,该算法在寻找的过程中需要粒子所得的目前解具有判断力和记忆力.然而正是由于该算法中的粒子对当前的解具有判断力,这才能够使得粒子群中的粒子能够较快地找到最优解.粒子群中的粒子在求解过程中所得的结果可分为三种：优,中,差,这三种解的属性符合中介思想.然而MMTD的算法正是中介思想的一种应用,因此本文将MMTD算法在粒子群上进行应用,该算法能够对粒子群解的属性上做出判断.     

基于IKGC-PSO算法的无人机三维路径规划系统

为了解决标准粒子群算法在无人机三维路径规划中存在的易陷入局部最优、动态化不足和路径平滑性差等问题,提出了一种基于粒子群算法和遗传算法的,融入K均值精英化和柯西变异的优化算法;采用K均值聚类算法进行精英初始化,优化粒子种群的分布;动态化学习因子,强化惯性权重的全局性,保留粒子群算法收敛速度快的优点;融入遗传思想,采用柯西变异的方法,提高寻解最优解的能力;在对比实验中,模拟了实际的复杂三维环境,选取了路径总长度、飞行高度差以及马尔科夫生存状态组成目标函数;结果表明改进算法的鲁棒性提高了98%,求解质量相较于IPSO算法和PSO算法分别提高了5.8%和10.6%,验证了优化后方法的有效性和鲁棒性。     

基于不同行为的两分群交换粒子群优化算法

为了寻找复杂多峰函数的全局最优解,在标准粒子群优化算法的基础上,提出一种基于不同行为的两分群交换粒子群优化算法。该算法将微粒分成大小相同的2个种群,不同种群采用不同进化模型。利用不同进化模型具有不同进化行为的特点,两分群相互影响并促进。该方法可以保持种群多样性,降低陷入局部极值的可能性。对一些复杂函数的仿真结果表明,该算法易于找到全局最优解。     

求解TSP问题的人工鱼群算法

人工鱼群算法在函数优化问题中取得了较好的应用,但在组合优化问题中的应用相对较少。因此,文中用人工鱼群算法来求解TSP问题,并与标准粒子群算法和基本遗传算法进行了比较分析。通过仿真实验对公认的TSP测试数据中算例Oliver30进行测试并与目前已知最优解进行了对比,结果表明,人工鱼群算法解决TSP问题时可以收敛到已知最优解,并且解的质量要优于标准粒子群算法和基本遗传算法。     

智能体遗传算法空间维数的比较研究

将智能体引入到遗传算法构成一个局部环境,可有效保持种群的多样性从而获得优良的优化性能。但是这个局部环境的空间维数一直未得到研究。根据智能体遗传算法的工作原理,空间维数越小,越能避免过早收敛现象发生。基于此,提出一种维数为1的链式智能体遗传算法(CAGA),并针对函数优化问题将其与文献[4]提出的维数为2的网络式智能体遗传算法(MAGA)进行了比较。实验采用了多个多维复杂函数进行优化实验,结果表明,该遗传算法比二维网格式遗传算法可获得更优的优化结果。     

A multiagent genetic algorithm for global numerical optimization.

In this paper, multiagent systems and genetic algorithms are integrated to form a new algorithm, multiagent genetic algorithm (MAGA), for solving the global numerical optimization problem. An agent in MAGA represents a candidate solution to the optimization problem in hand. All agents live in a latticelike environment, with each agent fixed on a lattice-point. In order to increase energies, they compete or cooperate with their neighbors, and they can also use knowledge. Making use of these agent-agent interactions, MAGA realizes the purpose of minimizing the objective function value. Theoretical analyzes show that MAGA converges to the global optimum. In the first part of the experiments, ten benchmark functions are used to test the performance of MAGA, and the scalability of MAGA along the problem dimension is studied with great care. The results show that MAGA achieves a good performance when the dimensions are increased from 20-10,000. Moreover, even when the dimensions are increased to as high as 10,000, MAGA still can find high quality solutions at a low computational cost. Therefore, MAGA has good scalability and is a competent algorithm for solving high dimensional optimization problems. To the best of our knowledge, no researchers have ever optimized the functions with 10,000 dimensions by means of evolution. In the second part of the experiments, MAGA is applied to a practical case, the approximation of linear systems, with a satisfactory result.     

基于倒位变异的蜉蝣优化算法

蜉蝣算法(Mayfly Algorithm,MA)作为一种新型群智能优化算法,具有较好的寻优性能.但在高维非线性复杂问题上,蜉蝣算法依然容易出现早熟收敛现象.本文提出一种基于倒位变异的蜉蝣算法(Inversion Variation Mayfly Algorithm,IVMA),改变原算法在变异上的操作,随机选择个体的随机维度向全局最优个体的随机维度靠近,同时利用精英策略保留进化成果.利用倒位操作,将最优个体某一维度段内位置发生倒转,提高了算法跳出局部最优的能力.通过对10个测试函数的结果分析,表明本文所提出的算法具有较好的收敛精度,收敛性能得到了提高.     

Attributed multi-objective comprehensive learning particle swarm optimization for optimal security of networks

In particle swarm optimization (PSO) each particle uses its personal and global or local best positions by linear summation. However, it is very time consuming to find the global or local best positions in case of complex problems. To overcome this problem, we propose a new multi-objective variant of PSO called attributed multi-objective comprehensive learning particle swarm optimizer (A-MOCLPSO). In this technique, we do not use global or local best positions to modify the velocity of a particle; instead, we use the best position of a randomly selected particle from the whole population to update the velocity of each dimension. This method not only increases the speed of the algorithm but also searches in more promising areas of the search space. We perform an extensive experimentation on well-known benchmark problems such as Schaffer (SCH), Kursawa (KUR), and Zitzler–Deb–Thiele (ZDT) functions. The experiments show very convincing results when the proposed technique is compared with existing versions of PSO known as multi-objective comprehensive learning particle swarm optimizer (MOCLPSO) and multi-objective particle swarm optimization (MOPSO), as well as non-dominated sorting genetic algorithm II (NSGA-II). As a case study, we apply our proposed A-MOCLPSO algorithm on an attack tree model for the security hardening problem of a networked system in order to optimize the total security cost and the residual damage, and provide diverse solutions for the problem. The results of our experiments show that the proposed algorithm outperforms the previous solutions obtained for the security hardening problem using NSGA-II, as well as MOCLPSO for the same problem. Hence, the proposed algorithm can be considered as a strong alternative to solve multi-objective optimization problems.     

函数优化异步并行演化算法

提出了一种新型、高效的函数优化异步并行演化算法,利用这个算法,在巨型并行计算机上解决了一些高难度的大型优化问题,其中包括一个超高维的非线性规划问题－BUMP问题。由于BUMP问题的强非线性和超我峰特性,目前还未见有超过50维的BUMP问题的结果发表。而在此不仅仅得到了从2维到50维迄今最好的解,而且一直计算到了1000000维,并得到了满意的结果。数值实验表明,新算法是鲁棒和高效的。     

混合SPMD模拟退火算法及其应用

模拟退火算法由于有很好的数学特性－以概率1收敛于全局最优值,再加上其算法本身与特定的问题无关,因此被广泛地用于各种组合优化问题。但是,模拟退火算法又具有收敛速度慢,执行时间长,算法性能与初始值有关及参数敏感等特点,使得它在不少应用中成为一种低效甚至是不可行的算法。文中提出一种混合SPMD模拟退火算法,在克服经典模拟退火算法内在串行性的同时,进一步和下山法结合起来,并综合多种优化方法,在一定的处理机规模内取得了可扩展和并行效果,显著提高了算法的收敛速度,克服了算法性能对初始值和参数选择的过分依赖,在提高算法性能的同时,方便了算法的使用。该算法已在一个机群系统THNPSC－1上得以实现,并在材料科学的一个定量电子晶体学研究问题中得到应用,降低了该问题的求解时间,提高了求解质量。     

基于Krylov子空间方法的网络入侵数据聚类

网络信息安全中的数据具有维数高、规模复杂等特性。网络入侵检测需要对网络入侵信息进行合理的分析,筛选出危险的带有攻击性的行为。随着数据维数的不断升高,传统的基于距离的聚类分析方法不再适用。针对此,本文提出一种基于Krylov子空间方法的高维数据聚类分析算法,首先将高维数据投影到低维空间,实现数据的降维,再用基于遗传算法的K-means算法在低维空间中进行数据的聚类,避免了数据属性的丢失,同时也提高了高维数据聚类分析的效率。最后,使用KDD Cup 99数据进行实验,实验验证了方法的有效性和精确性。     

一种求解高维复杂函数优化问题的混合粒子群优化算法

对于高维复杂函数,传统的确定性算法易陷入局部最小,而单一的全局随机搜索算法收敛速度慢.本文通过将粒子群优化算法和单纯形法相结合,利用前者搜索速度快、搜索范围广和后者收敛速度快的特 性,提出一种快速、易实现的混合粒子群优化算法.基于典型高维复杂函数的仿真表明:该混合算法效率高、优化性能好、对初值具有很强的鲁棒性,其性能大大优于单一的优化方法.     

Multiobjective approach for detecting communities in heterogeneous networks

Online social networks have a strong potential to be divided into a number of dense substructures, called communities. In such heterogeneous networks, the communities refer not only to dense parts of links but also to clusters present among other dimensions such as users' profiles, comments, and information flows. To find communities in these networks, researchers have developed a number of methods; however, to the best of the authors' knowledge, these methods are limited in taking only 2 dimensions into account, and they are also not able to give a sense of how users behave in their communities. To deal with these issues, this paper proposes a multiobjective optimization model in which a specific objective function has been used for each considered dimension in a given network. Because of the NP‐hardness of the studied problem, an efficient and effective multiobjective metaheuristic algorithm has been developed. By juxtaposing the nondominated solutions obtained, the proposed algorithm can demonstrate how users behave in their communities. To illustrate the effectiveness of the algorithm, a set of experiments with a comprehensive evaluation method is provided. The results show the superiority and the stability of the proposed algorithm.     

基于ReliefF和蚁群算法的特征基因选择方法

针对高维小样本的DNA微阵列数据多分类问题,提出一种基于ReliefF和蚁群算法的特征基因选择方法(ReliefF and Ant Colony Optimization, ReFACO)。该方法首先采用ReliefF算法评估特征权重,根据阈值筛选出无关基因;然后引入改进的蚁群算法,在迭代改进的过程中寻找最优基因子集;最后利用经典分类算法对维数约简后的数据分类识别。经实验证明,该方法可以有效地剔除无关和冗余基因,并利用较少特征基因达到较高多分类效果。