基于混合策略的双种群约束优化算法

提出一种基于混合策略的双种群约束优化算法.利用双种群存储机制处理约束条件,并采用约束支配更新不可行解集,同时采用混合策略进化种群:在进化前期利用Deb准则产生可行解,并保留一部分非劣不可行解参与进化,保持种群多样性;在进化后期让最优个体和次优个体参与进化,使种群快速收敛.仿真实验结果表明,所提出的算法在保证种群多样性的同时,能够较好地收敛到全局最优解,且鲁棒性较好.     

动态罚函数法求解约束优化问题

针对罚函数法在求解约束优化问题时罚系数不易选取的问题,提出一种基于动态罚函数的差分进化算法.利用罚函数法将约束优化问题转化为无约束优化问题.为平衡种群的目标函数和约束违反程度,结合ε约束法设计了一种动态罚系数策略,其中罚系数随着种群质量和进化代数的改变而改变.采用差分进化算法更新种群直到搜索到最优解.对IEEE CEC...     

一种改进的约束优化差分进化算法

提出一种改进的差分进化算法用于求解约束优化问题.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.利用佳点集方法初始化个体以维持种群的多样性.结合差分进化算法两种不同变异策略的特点,对可行个体与不可行个体分别采用DE/best/1变异策略和DE/rand/1策略,以提高算法的全局收敛性能和收敛速率.用几个标准的Benchmark问题进行了测试,实验结果表明该算法是一种求解约束优化问题的有效方法.     

基于种群个体可行性的约束优化进化算法

提出一种新的求解约束优化问题的进化算法.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.基于种群中个体的可行性,分别采用3种不同的交叉方式和混合变异机制用于指导算法快速搜索过程.为了求解位于边界附近的全局最优解,引入一种不可行解保存和替换机制,允许一定比例的最好不可行解进入下一代种群.标准测试问题的实验结果表明了该算法的可行性和有效性.     

基于混合差分进化和alpha约束支配处理的多目标优化算法

针对约束多目标优化问题, 提出了一种基于混合差分进化和alpha约束支配处理的优化算法. 算法在用约束水平度对个体满足约束条件的程度进行定量化表达的同时融入支配关系. 在初期放宽约束水平度, 利用不可行解所携带的有用信息, 增加种群多样性, 在后期紧缩约束水平度, 控制不可行解的比例, 朝可行域方向进化. 同时, 将动态单纯形交叉算子和差分进化结合起来构成一种混合差分进化算法, 提高算法的探索和开发能力. 对6个典型测试函数求解的结果显示, 本文算法无论是在收敛性方面还是解集分散性方面, 与其它算法相比具有很大的优势.     

基于Tent混沌搜索的差分进化算法及其应用

针对差分进化算法求解函数优化问题存在过早收敛和不稳定等缺陷,提出一种利用Tent混沌搜索的差分进化算法(TCDE).用Tent映射初始化种群,并以种群搜索到的最优个体为基础产生Tent混沌序列,以提高种群多样性,增强算法跳出局部最优解的能力.几个典型测试函数的测试结果表明TCDE的搜索能力优于DE.将改进算法应用于近似计算导数,仿真结果表明,新算法不仅能近似求解一阶导数,还能近似计算较复杂的高阶导数.     

基于差分演化与猫群算法融合的群体智能算法

提出一种基于差分演化与猫群算法融合的群体智能算法。该算法基于猫群算法的两种行为模式,引进差分演化的思想,根据分组率随机把群体分成两个种群,一个种群执行猫群算法搜寻模式,另一种群执行差分变异模式,算法采用一种信息共享机制,使两个种群在搜索最优解时可以实现协同进化,信息交流。既实现了不同进化模式间的优势互补,又可以增加种群的多样性。对5个基准函数进行仿真实验并分别与DE和CSO进行比较,表明混合算法同时具有全局搜索和局部搜索最优解性能,收敛速度快,计算精度高,更适合用于求解高维复杂函数。     

解约束优化问题的一种新的罚函数模型

罚函数法是进化算法中解决约束优化问题最常用的方法之一,它通过对不可行解进行惩罚使得搜索逐步进入可行域.罚函数常定义为目标函数与惩罚项之和,其缺陷一方面在于此模型的罚因子难以控制,另一方面当目标函数值与惩罚项的函数值的差值很大时,此模型不能有效地区分可行解与不可行解,从而不能有效处理约束.为了克服这些缺点,首先引入了目标满意度函数与约束满意度函数,前者是根据目标函数对解的满意度给出的一个度量,而后者是根据约束违反度对解的满意度给出的一个度量.然后将两者有机结合,定义了一种新的罚函数,给出了一种新的罚函数模型.并且设置了自适应动态罚因子,其随着当前种群质量和进化代数的改变而改变.因此它很易于控制.进一步设计了新的杂交和变异算子,在此基础上提出了解决约束优化问题的一种新的进化算法.通过对6个常用标准测试函数所作的数据仿真实验表明,提出的算法是十分有效的.     

约束进化算法及其应用研究综述

约束优化问题广泛存在于科学研究和工程实践中,其对应的约束优化进化算法也成为了进化领域的重要研究方向。约束优化进化算法的本质问题是如何有效地利用不可行解和可行解的信息,平衡目标函数和约束条件,使得算法更加高效。首先对约束优化问题进行定义;然后详细分析了目前主流的约束进化算法,同时,基于不同的约束处理机制,将这些机制分为约束和目标分离法、惩罚函数法、多目标优化法、混合法和其他算法,并对这些方法进行了详细的分析和总结;接着指出约束进化算法亟待解决的问题,并明确指出未来需要进一步研究的方向;最后对约束进化算法在工程优化、电子和通信工程、机械设计、环境资源配置、科研领域和管理分配等方面的应用进行了介绍。     

基于内部罚函数的进化算法求解约束优化问题

为解决现有约束处理方法可行解的适应度函数不包含约束条件的问题,提出了一种内部罚函数候选解筛选规则.该候选解筛选规则分别对可行解和不可行解采用内部罚函数和约束违反度进行筛选,从而达到平衡最小化目标函数和满足约束条件的目的.以进化策略算法为基础,给出了基于内部罚函数候选解筛选规则的进化算法的一个实现.进一步地,从理论和实验角度分别验证了内部罚函数候选解筛选规则的有效性:以(1+1)进化算法为例,从进化成功率方面验证了内部罚函数候选解筛选规则的理论有效性;通过13个测试问题的数值实验,从进化成功率、候选解后代是可行解的比例、进化步长和收敛速度方面验证了内部罚函数候选解筛选规则的实验有效性.     

一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

集成协方差矩阵自适应进化策略与差分进化的优化算法

不同智能优化算法在求解优化问题时通常表现出显著的性能差异.差分进化(DE)算法具备较好的全局搜索能力,但存在收敛慢、效率低的不足,协方差矩阵自适应进化策略(CMA–ES)局部搜索能力强,具备旋转不变性,但容易陷入局部最优,因此, DE和CMA–ES之间具有潜在的协同互补能力.针对上述问题,提出了一种集成协方差矩阵自适应进化策略与差分进化的优化算法(CMADE).在CMADE框架中, DE算法负责全局搜索, CMA–ES算法进行局部搜索.通过周期性解交换机制实现CMA–ES和DE两个算法间协同交互和反馈控制.在解交换时,从DE种群中选择优秀个体,利用CMA–ES算法在优秀个体周围进行局部搜索.同时在DE和CMA–ES的混合种群中,综合考虑解的多样性和最优性,选取一定比例的解作为DE算法的新种群进行全局搜索,实现全局搜索与局部搜索的动态平衡.将CMADE算法与CMA–ES, DE, SaDE, jDE, EPSDE, ACODE和SHADE算法在CEC2014标准测试集上进行比较实验.结果表明, CMADE整体性能显著优于其它比较算法.     

一种基于粒子群算法求解约束优化问题的混合算法

通过将粒子群算法(PSO)与差别进化算法(DE)相结合，提出一种混合算法PSODE，用于求解约束优化问题．PSODE是在PSO算法中适当引入不可行解，将粒子群拉向约束边界，加强对约束边界的搜索，同时与DE算法结合以加强搜索能力．基于典型高维复杂函数的仿真表明，该算法简单高效，鲁棒性强．     

一种配电网络差分禁忌线路规划方法

针对配电网络规划问题,基于差分进化算法(DE)和禁忌搜索算法(TS)协同优化框架,提出了一种差分禁忌混合算法(DETS)。首先,将配电约束条件划分为硬约束和软约束,硬约束用于保证配电网络拓扑结构的合理性;软约束用于提高种群多样性。然后,设计DE及TS两层优化结构,外层利用DE快速收敛特性为内层提供较好的初始个体;内层利用TS贡献全局搜索能力,避免陷入局部最优。其次,设计修复算子来避免DE算法易产生不可行解的问题。最后,采用10个标准测试函数验证了DETS算法的性能,同时利用DETS算法实现了某市的中低压配电网络线路规划。     

约束优化进化算法综述

约束优化进化算法主要研究如何利用进化计算方法求解约束优化问题,是进化计算领城的一个重要研究课题.约束优化问题求解存在约束区域离散、等式约束、非线性约束等挑战,其问题的本质是如何处理可行解与不可行解的关系才能使得算法更高效.本文首先介绍了约束优化问题的定义,然后系统地分析了目前存在的约束优化方法,同时基于约束处理机制将这些方法分为罚函数法、可行性法则、随机排序法、约束处理法、多目标优化法、混合法六类,并从约束处理方法的方面对约束优化进化算法的最新研究进展进行综述.最后,指出约束优化进化算法需进一步研究的方向与关键问题.     

求解约束优化问题改进的水波优化算法

为提高约束优化模型的求解精度,提出一种改进的水波优化算法。设计主-从异构种群,结合ε约束处理技术使主群实现探索可行解,从群利用可行解搜寻全局最优解。为加快收敛速度和增强信息交互,主群中个体可以依概率进行个体间学习,设计水波波长函数,使其随着水波的适应度值和违反约束度及时调整。为避免早期收敛,从群采用自适应学习策略以平衡群体的探索和利用。设计随迭代次数变化的放松约束度,提高算法收敛精度。对比实验结果表明,该算法可以获得高质量的可行解。     

基于邻域差分和协方差信息的单目标进化算法

复杂的单目标优化问题是进化计算领域的一个研究热点问题.已有差分进化和协方差进化被认为是处理该问题的较有效的方法,其中差分信息类似于梯度可以有效的指导算法朝着最优解方向搜索,而协方差则是基于统计的方式来生成较优的子代种群.本文引入了协方差信息对差分算子进行改进,提出了一种基于邻域差分和协方差信息的进化算法（DEA/NC）来处理复杂的单目标优化问题.算法对现有差分算子中通常采用的随机选点或结合当前最优解进行差分的方式进行了分析,当随机选择的差分个体间的差异较大时,差分信息不能作为一种局部的梯度信息来指导算法的搜索;而结合最优解的差分信息又会使得种群朝着当前最优解的方向搜索,导致种群快速的陷入局部最优.基于此,本文采用了邻域差分的方式来提高差分算子的有效性,同时避免种群的多样性丢失.另外,引入了协方差来度量个体变量间的相关度,并利用相关度来优化差分算子.最后,算法对cec2014中的单目标优化问题进行了测试,并将实验结果与已有的较好的差分进化算法进行了比较,实验结果表明了本算法的有效性.     

用于约束多目标优化问题的双群体差分进化算法

首先给出一种改进的差分进化算法,然后提出一种基于双群体搜索机制的求解约束多目标优化问题的差分进化算法.该算法同时使用两个群体,其中一个用于保存搜索过程中找到的可行解,另一个用于记录在搜索过程中得到的部分具有某些优良特性的不可行解,避免了构造罚函数和直接删除不可行解.此外,文中算法、NSGA-Ⅱ和SPEA的时间复杂度的比较表明,NSGA-Ⅱ最优,文中算法与SPEA相当.对经典测试函数的仿真结果表明,与NSGA-Ⅱ相比较,文中算法在均匀性及逼近性方面均具有一定的优势.     

双种群差分进化规划算法

标准差分进化算法（SDE）具有算法简单,控制参数少,易于实现等优点。但在难优化问题中,算法存在收敛速度较慢和容易早熟等缺陷。为克服此缺点,提出一种改进算法--双种群差分进化规划算法（BGDEP）。该算法将种群划分为两个子群独立进化,分别采用DE/rand/1/bin和DE/best/2/bin版本生成变异个体。每隔δt（取5~10）代,将两个子群合并为一个种群,再应用混沌重组算子将之划分为两个子群,以实现子群间的信息交流。在双种群协同差分进化的同时,应用非均匀变异算子对其最优个体执行进化规划操作,使得算法具有较快的收敛速度和较强的全局寻优能力。为测试BGDEP的性能,给出了4个30维benchmark函数优化问题的对比数值实验。结果表明,BGDEP的求解精度、收敛速度、鲁棒性等性能优于SDE、双种群差分进化（BGDE）和非均匀变异进化规划（NUMEP）等4种算法。     

参数自适应的精英变异差分进化算法

针对经典差分进化算法(DE)的优化性能容易受到变异策略和控制参数影响的问题，提出了一种参数自适应的精英变异差分进化算法(A parameter Adaptive Elite Mutation Eifferential Evolution algorithm, AMEDE).首先，提出一种精英变异策略的方法，其目的是为了方便获取优秀个体信息；其次，引入新的控制参数，使得算法可以在更大的搜索空间进行搜索；最后，利用自适应参数学习方法，为种群中的每个个体赋予不同的控制参数值，并根据种群多样性和精英个体的信息动态更新个体的参数，使算法避免过早的收敛并提高算法的收敛精度.对本文提出的AMEDE算法与其他6种改进差分进化算法(DE,CoDE,JaDE,JDE,SaDE,GPDE)在16个基准测试函数上进行了三组对比实验.实验结果表明，AMEDE算法在高维函数和低维函数上都具有搜索精度高、收敛速度快和鲁棒性强等优点.