垂直结构群落系统优化算法

为了求解一类复杂非线性优化问题的全局最优解,基于采用垂直结构群落动力学理论,提出了一种新的垂直结构群落系统优化算法,简称为VS-CSO算法。该算法将优化问题的搜索空间视为一个生态系统,该生态系统具有若干个垂直结构分叉营养水平,在各个营养水平中生活着不同种类的生物种群;在每个种群内,有若干生物个体在活动;生物个体不能跨种群迁移,但在同类种群中会相互影响。各种群以循环捕食-被食或资源-消耗连接在一起。运用垂直结构群落动力学模型开发出了通吃算子、择食算子、干扰算子、侵染算子、新生算子、死亡算子。其中,通吃算子和择食算子可实现个体跨种群的信息交换,而干扰算子和侵染算子可实现种群内部个体之间的信息交换,从而确保个体间信息的充分交换;新生算子可适时补充新个体到种群中,而死亡算子可将种群中的虚弱个体适时清除掉,从而大幅提升算法跳出局部陷阱的能力。在求解过程中,VS-CSO算法每次只对极少变量进行处理,因此可求解高维优化问题。测试结果表明,VS-CSO算法能求解一类非常复杂的单峰函数、多峰函数和复合函数优化问题,其求精能力、探索能力及两者的协调性均优良,且具有全局收敛性的特点。该算法为求解一些较高维复杂函数优化问题的全局最优解提供了可行方案。     

微生物动力学优化算法

为了解决一类函数优化问题,利用带时滞影响的混杂食物链微生物培养动力学理论提出一种微生物动力学优化(MDO)算法。在该算法中,假设有多个微生物种群在一个培养系统中培养,微生物种群的生长不但受注入到培养系统中的培养液流量、营养物质和有害物质的浓度影响,而且受种群之间相互作用的影响;定期注入的培养液会突然增加营养物质和有毒物质的浓度,从而会突然加大对种群的影响。利用上述特点构造出了吸收算子、攫取算子、混杂算子和毒素算子;利用这些算子和种群的生长变化,能够快速求解优化问题的全局最优解。仿真实验结果表明,MDO算法对求解维数较高的优化问题具有一定的优势。     

水平结构竞争-互利群落优化算法

为了求解一些非线性优化问题的全局最优解,采用水平结构竞争-互利群落动力学理论,提出了一种新的水平结构竞争-互利群落优化算法(HS-CBCO)。在该算法中,每个种群由若干生物个体组成,种群间相互作用主要是竞争和互利,种群内部各个体之间存在相互影响。运用群落动力学理论开发出了6个算子,其中竞争和互利算子可实现个体跨种群交换信息,而普通影响和强烈影响算子可实现种群内的个体之间的信息交换,从而确保了个体间的信息的充分交换;新生算子可适时补充新个体到种群中,而死亡算子可将种群中的虚弱个体适时清除掉,从而提升了该算法跳出局部陷阱的能力。测试结果表明,HS-CBCO算法的求精能力、探索能力及其两者的协调性均优良,且具有全局收敛性的特点,为复杂优化问题全局最优解的求解提供了解决方案。     

种群具有离散Leslie年龄结构的动力学优化算法

为了解决一些函数优化问题,采用种群具有Leslie年龄结构的动力学模型提出了一种新型群智能优化算法,简称PDO-DLAS算法.在该算法中,假设某种群由具有不同性别、不同年龄的生物个体组成,个体依据其性别和年龄被自动划分成若干类,增加了个体的多样性;每个算子具有明确功能,其中学习算子可实现性别不同但年龄相近个体之间的信息交换;影响算子可实现不同性别、不同年龄个体之间的信息交换;新生算子可增加强壮个体数,死亡算子可以减少虚弱个体数;进化算子可确保算法具有全局收敛性;依据Leslie模型确定该算法中的相关参数,提升了参数确定的科学性;该算法每次进化只处理个体特征数的1/250～1/10,从而使时间复杂度大幅降低.测试结果表明,该算法具有较优越的性能,适于求解维数较高的优化问题.     

种群具有离散Leslie年龄结构的动力学优化算法

为了解决一些函数优化问题,采用种群具有Leslie年龄结构的动力学模型提出了一种新型群智能优化算法,简称PDO-DLAS算法.在该算法中,假设某种群由具有不同性别、不同年龄的生物个体组成,个体依据其性别和年龄被自动划分成若干类,增加了个体的多样性;每个算子具有明确功能,其中学习算子可实现性别不同但年龄相近个体之间的信息交换;影响算子可实现不同性别、不同年龄个体之间的信息交换;新生算子可增加强壮个体数,死亡算子可以减少虚弱个体数;进化算子可确保算法具有全局收敛性;依据Leslie模型确定该算法中的相关参数,提升了参数确定的科学性;该算法每次进化只处理个体特征数的1/250～1/10,从而使时间复杂度大幅降低.测试结果表明,该算法具有较优越的性能,适于求解维数较高的优化问题.     

具脉冲出生和季节性捕杀的种群系统优化算法

为了求解一些非线性优化问题,采用具有脉冲出生和季节性捕杀的种群动力学模型提出了一种新的群智能优化算法(PSO-IBSK).在该算法中,假设某种群由具有幼年和成年两种阶段状态的若干个体组成,幼体是由成体脉冲产生的,经过一段时间后会变成为成体.为了提升种群的整体质量,需要季节性地对一些生长状况不良的成体进行捕杀.该算法中的出生算子和成长算子可分别实现成体向幼体瞬时和延迟传递信息,有助于搜索跳出局部最优解陷阱;捕杀算子可周期性地将不良成体清除,死亡算子可将虚弱个体随机清除,该两个算子有利于提升算法的求精能力;强势算子可实现强壮个体向虚弱个体扩散强壮信息,竞争算子可实现幼年和成体之间的有效信息交换,该两个算子有利于提升算法的探索能力;进化算子可确保算法具有全局收敛性.该算法的大部分参数采用该种群动力学模型确定,具有很好的科学性;该算法每次只处理个体特征数的6‰～8％,从而使时间复杂度大幅降低.测试结果表明,该算法具有较优越的性能,适于求解维数较高的优化问题.     

基于3种群Lotka-Volterra模型的种群动力学函数优化算法

基于3种群Lotka-Volterra模型构造出了可全局收敛的种群动力学优化算法。在该算法中,每个种群对应着优化问题的一个试探解;基于3种群间的每种相互作用关系,提出了相应的图形表示方法以及对应的Lotka-Volterra模型构建方法,种群间的相互作用关系包括竞争关系、互惠共存关系、捕食-被食关系或者它们间的任意组合;3种群间的每种相互作用关系均对应着一种种群进化算子,该算子的数学表达式就是其对应的Lotka-Volterra模型的离散化表达式;另外,为了求解更复杂的优化问题求解,将种群融合、突变和选择等行为也构造成操作算子。所有算子的特性可以确保整个种群的适应度指数要么保持原状不变,要么向好的方向转移,从而确保了算法的全局收敛性;在种群演变过程中,种群从一种状态转移到另一种状态实现了种群对优化问题最优解的搜索。应用可归约随机矩阵的稳定性条件证明了本算法具有全局收敛性。测试结果表明本算法是高效的。     

生态平衡动力学优化算法

为了解决复杂函数优化问题,提出了一种Lotka-Volterra生态平衡动力学优化算法。该算法假设在某个生态系统中有自养者、消费者和分解者3个种群。自养者主要是植物;消费者主要是以自养者为食的动物;分解者主要分解消费者的死有机体,并给自养者提供营养物质。根据上述生态系统中种群的关系构造出了消费者-自养者算子、自养者-分解者算子、分解者-消费者算子和生长算子。自养者、消费者和分解者种群的生长变化相当于搜索空间的试探解从一个位置转移到另外一个位置。该算法具有搜索能力强和全局收敛性的特点,为复杂优化问题的求解提供了一种解决方案。     

种群动力学优化算法

为了快速求解大规模复杂优化问题,基于种群动力学理论构造出了可全局收敛的种群动力学优化算法。在该算法中,每个种群对应着优化问题的一个试探解,种群的一个特征对应于试探解的一个变量;采用正交拉丁方原理构造出了种群初始值确定方法,以达到对搜索空间的均衡分散性和整齐可比性覆盖;将任意两种群间的竞争、互利、捕食-被食、融合、突变和选择等行为用于构造种群的进化策略,以使种群的适应度指数要么保持原状不变,要么向好的方向转移,从而确保整个算法的全局收敛性;在种群演变过程中,种群从一种状态转移到另一种状态,实现了种群对优化问题全局最优解的搜索。应用可归约随机矩阵的稳定性条件证明了本算法具有全局收敛性。测试结果表明本算法是高效的。     

一种维持种群多样性的多目标差分演化算法

差分演化算法是一种简单而有效的全局优化算法。本文将差分演化算法用于求解多目标优化问题,给出了一种维持种群多样性的多目标差分演化算法。该算法采用正交设计法初始化种群,改进差分演化算子,从而有利于维持种群多样性,提高演化算法的搜索性能。初步实验表明,新算法能有效地求解多目标优化问题。     

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法（EIDE）。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。     

An analysis of the equilibrium of migration models for biogeography-based optimization

Motivated by the migration mechanisms of ecosystems, various extensions to biogeography-based optimization (BBO) are proposed here. As a global optimization method, BBO is an original algorithm based on the mathematical model of organism distribution in biological systems. BBO is an evolutionary process that achieves information sharing by biogeography-based migration operators. In BBO, habitats represent candidate problem solutions, and species migration represents the sharing of features between candidate solutions according to the fitness of the habitats. This paper generalizes equilibrium species count results in biogeography theory, explores the behavior of six different migration models in BBO, and investigates performance through 23 benchmark functions with a wide range of dimensions and diverse complexities. The performance study shows that sinusoidal migration curves provide the best performance among the six different models that we explored. In addition, comparison with other biology-based optimization algorithms is investigated, and the influence of the population size, problem dimension, mutation rate, and maximum migration rate of BBO are also studied.     

Performance evaluation of a two stage adaptive genetic algorithm (TSAGA) in structural topology optimization

Genetic algorithm with island and adaptive features has been used for reaching the global optimal solution in the context of structural topology optimization. A two stage adaptive genetic algorithm (TSAGA) involving a self-adaptive island genetic algorithm (SAIGA) for the first stage and adaptive techniques in the second stage is proposed for the use in bit-array represented topology optimization. The first stage, consisting a number of island runs each starting with a different set of random population and searching for better designs in different peaks, helps the algorithm in performing an extensive global search. After the completion of island runs the initial population for the second stage is formed from the best members of each island that provides greater variety and potential for faster improvement and is run for a predefined number of generations. In this second stage the genetic parameters and operators are dynamically adapted with the progress of optimization process in such a way as to increase the convergence rate while maintaining the diversity in population. The results obtained on several single and multiple loading case problems have been compared with other GA and non-GA-based approaches, and the efficiency and effectiveness of the proposed methodology in reaching the global optimal solution is demonstrated.     

协同进化数值优化算法

为了提高进化算法的全局收敛性,提出了一种多种群同时进化的算法。根据生物学基因的多样性理论,新算法保持单个种群的相对纯洁性与整个群体繁殖方式的丰富性,不同的种群采用不同的算子,并在不同的生境繁衍后代,目的是保持种群基因的多样性。当算法陷入局部最优解领域时,可用逆向优化寻找对偶个体,使算法走出局部最优解空间。实验结果表明,在与多组优化数据的比较中,新算法在所有单项与综合项目上全部名列第一。     

生物地理学优化算法中迁移算子的比较

生物地理学优化算法(Biogeography-Based Optimization,BBO)是一种模仿物种迁移规律的智能优化算法,其中迁移算子是影响优化效果的关键环节.基于迁移地的选择模式(以迁出率高的栖息地为主导或者以迁入率高的栖息地为主导)和迁移量的规模(单变量和部分变量),提出了BBO算法中可能存在的四种迁移方式.通过对13个经典实例的实验仿真,比较4种迁移算子的优化结果,阐明了产生差异的原因.实验结果表明,迁入主导的部分迁移式算子优化效果最好.     

一种新的免疫算法及其在多模态函数优化中的应用

提取免疫应答的部分简化机制并结合小生境技术,提出一种用于多峰值或非连续函数优化的免疫算法.该算法由记忆细胞获取、克隆选择、亲和突变及群体更新这四种算子模块构成.这些算子的有机组合不仅为最优化问题的解决提供了实用新方法,而且反映了抗体应答抗原的简化运行机制.算法设计的重点是借鉴小生境共享实现方法的思想建立有助于增强群体多样性及保留优良抗体的记忆细胞获取算子,以及利用亲和成熟机理设计抗体突变算子.所获算法具有整体和局部搜索能力及并行搜索特点.理论证明了其收敛性.仿真事例比较表明此算法不仅是有效的,而且能快速搜索到多个最优解(针对于多解最优化问题).     

基于小生境免疫遗传算法的硅钢片优化排样

提出一种基于小生境免疫遗传算法的多级序列优化方法,并解决硅钢片优化排样问题。以免疫算法为基础,通过遗传算法进化抗体群,利用小生境技术保持抗体群的多样性。遗传算子和免疫记忆策略加快了优良个体的产生,提高了算法的收敛速度。共享机制和克隆抑制策略提高了算法的全局搜索能力,有效地避免早熟收敛现象。实际生产数据排样结果表明,该算法是有效、可行的。     

Parallel chaos optimization algorithm with migration and merging operation

Chaos optimization algorithm (COA) utilizes the chaotic maps to generate the pseudo-random sequences mapped as the decision variables for global optimization applications. A kind of parallel chaos optimization algorithm (PCOA) has been proposed in our former studies to improve COA. The salient feature of PCOA lies in its pseudo-parallel mechanism. However, all individuals in the PCOA search independently without utilizing the fitness and diversity information of the population. In view of the limitation of PCOA, a novel PCOA with migration and merging operation (denoted as MMO-PCOA) is proposed in this paper. Specifically, parallel individuals are randomly selected to be conducted migration and merging operation with the so far parallel solutions. Both migration and merging operation exchange information within population and produce new candidate individuals, which are different from those generated by stochastic chaotic sequences. Consequently, a good balance between exploration and exploitation can be achieved in the MMO-PCOA. The impacts of different one-dimensional maps and parallel numbers on the MMO-PCOA are also discussed. Benchmark functions and parameter identification problems are used to test the performance of the MMO-PCOA. Simulation results, compared with other optimization algorithms, show the superiority of the proposed MMO-PCOA algorithm.