基于滤子混合协同进化算法的无功优化

混合整数非线性规划问题存在于大量工程和管理中,针对此问题提出一种滤子混合协同进化算法.利用滤子技术代替罚函数处理约束条件,采用混合编码和由差分进化算法与遗传算法异构的种群协同解决混合整数变量问题,引入基于平均熵和Logistic混沌初始化增加算法鲁棒性,利用自适应缩放因子和精英交流学习策略构成策略协同,与种群协同耦合,以提高算法搜索能力.以IEEE30节点测试系统进行无功优化为例,仿真结果表明所提出的算法具有全局搜索能力和有效性.     

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.     

新颖的阻塞流水车间调度量子差分进化算法

针对阻塞流水车间调度问题(BFSP),提出了一种新颖的量子差分进化(NQDE)算法,用于最小化最大完工时间。该算法将量子进化算法(QEA)与差分进化(DE)相结合,设计一种新颖的量子旋转机制控制种群进化方向,增强种群多样性;采用高效的基于变邻域搜索的量子进化算法(QEA-VNS)协同进化策略增强算法的全局搜索能力,进一步提高解的质量。基于Taillard's benchmark实例仿真,结果表明,所提算法在最优解数量上明显高于目前较好的启发式算法--INEH,改进了110个实例中64个实例的当前最优解;在性能上也优于目前有效的元启发式算法--新型蛙跳算法(NMSFLA)和混合量子差分进化(HQDE),产生最优解的平均百分比偏差(ARPD)均下降约6%。NQDE算法适合大规模阻塞流水车间调度问题。     

基于改进量子差分进化的含分布式电源的配电网无功优化

差分进化算法（DE）已被证明为解决无功优化问题的有效方法.随着越来越多的分布式电源并网,对配电网潮流、电压均有一定改变,同时也影响了DE的鲁棒性和性能.本文在研究DE基础上,针对其收敛过早、局部搜索能力较差的缺陷,分析了量子计算思想和人工蜂群算法的优势,提出改进量子差分进化混合算法（IQDE）.通过量子编码思想提高了种群个体的多样性,人工蜂群算法的观察蜂加速进化操作和侦查蜂随机搜索操作分别提高了算法的局部搜索和全局搜索性能.建立以有功网损最小为目标的数学模型,将IQDE算法和DE算法分别用于14节点和30节点标准数据集进行大量仿真实验.实验结果表明,IQDE算法用更少的收敛时间、更小的种群规模便可以获得与DE算法相同甚至更佳的优化效果,并且可以很好的应用于解决难分布式电源的配电网无功优化问题.     

一种双种群协同进化算法在湿法炼锌过程中的应用

为了求解针铁矿法沉铁过程的多目标协调优化模型,从提高全局寻优能力和解的精度出发,提出一种基于改进全局搜索量子进化算法和局部搜索差分进化算法的双种群协同进化算法.数值仿真验证了该进化算法具有较好的收敛性和求解精度;典型工况的仿真优化结果表明了该多目标协调优化模型指导实际生产的可行性,以及所提出算法的有效性.     

应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Diffe-rential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。     

混合量子差分进化算法及应用

量子进化算法基于量子旋转门更新量子比特状态影响了算法搜索性能．提出一种差分进化（DE）与和声搜索（Hs）相结合更新量子比特状态的混合量子差分进化算法（HQDE）．该方法采用实数量子角形式编码染色体,设计一种由差分进化计算更新量子位状态的量子差分进化算法（QDE）和一种由和声搜索更新量子位状态的量子和声搜索（QHS）,并相互机制融合,采用两种不同进化策略共同作用产生种群新量子个体以克服常规算法中早熟及收敛速度慢等缺陷;在此基础上,算法还引入量子非门算子对当前最劣个体以一定概率选中的量子比特位进行变异操作增强算法跳出局部最优解能力．理论分析证明该算法收敛于全局最优解．0／1背包问题及旅行商问题实例测试结果验证了该方法有效性．     

求解背包问题的混合量子进化算法

针对量子进化计算中反馈信息利用不充分并容易早熟的不足,将量子进化计算与及蚂蚁寻优策略融合,提出了一种新的优化方法—混合量子进化算法(HQEA).以量子染色体表示智能蚂蚁所有可能的搜索路径,初始阶段采用量子进化学习,设计了智能蚂蚁网络及衔接算子,进化学习所得结果表示智能蚂蚁路径选择的概率,并利用蚁群寻优策略继续搜索求精确解.理论证明该算法具有全局收敛性.最后以背包问题对算法进行了测试.     

动态双子群协同进化果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,提出动态双子群协同进化果蝇优化算法(DDSCFOA).该算法在运行过程中根据群体的进化水平,动态地将整个种群划分为先进子群和后进子群;先进子群采用混沌算法在局部最优解邻域内进行精细的局部搜索,后进子群采用基本FOA算法进行全局搜索,较好地平衡局部搜索能力和全局搜索能力;两个子群间的信息通过全局最优个体的更新和种群个体的重组进行交换.DDSCFOA算法能跳出局部极值,避免陷入局部最优.仿真结果表明,动态双子群协同进化的策略有效可行,DDSCFOA算法比基本FOA算法具有更好的优化性能.     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能,提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先,利用Halton序列建立初始种群,保证种群在初始阶段具有均匀分布和较高多样性;然后,通过差分变异算子引导种群变异,促进种群向优势个体移动同时进行更大范围寻优;最后,利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力,提高优化效率及解集质量。选取7个典型函数进行实验测试,并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明,该算法避免了其他四种算法的局部最优问题,明显提高了解集分布均匀性和分布广度,具有更好的收敛精度和稳定性。     

受粒子群和差分进化启发的人工蜂群算法

针对基本人工蜂群算法搜索策略探索能力强而开发能力弱的特点,受粒子群和差分进化思想的启发,提出了两种新的搜索策略：PSO-DE-PABC和PSO-DE-GABC。前者在随机个体附近产生新的候选位置以提高算法的多样性;后者在最优解附近产生新的候选位置以提高算法的收敛速度,并加入差分进化中的差异向量来增加种群的多样性。在此基础上,引入维度因子来控制算法的收敛速度,并且使用一种利用当前种群信息的侦查策略来增强算法的局部搜索能力。通过对10组标准测试函数的实验仿真并与基本ABC、GABC和ABC/best算法相比,结果表明PSO-DE-GABC和PSO-DE-PABC对数值优化具有更高的收敛速度和收敛精度。     

基于混合优化算法的最大独立集问题求解

蚁群优化算法（ACO）的正反馈机制使其具有强大的局部搜索性能，但其全局优化性的优劣在很大程度上与挥发系数的选择有关，如选择得不合适则易将使算法陷入局部最优，而禁忌搜索算法（TS）则具有强大的全局优化性能。为了弥补单一ACO算法的局限性，将ACO算法与TS算法组合起来，提出了基于TS和ACO算法的混合优化算法HTSACO，并将该混合优化算法用于求解最大独立集问题。实验表明：与标准蚁群优化算法相比，该算法显示出了很高的全局优化性和计算效率。     

一种动态划分的混合连续域蚁群优化算法

连续域蚁群优化算法在处理高维问题时易陷入局部最优,而且收敛速度较慢。针对这些问题,提出了一种改进的连续域蚁群优化算法。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用全局搜索策略进行预处理,这样能提高算法的收敛速度和收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效提高连续域蚁群优化算法的收敛速度并改善解的质量。     

A comparison between optimization algorithms applied to synchronization of bilateral teleoperation systems against time delay and modeling uncertainties

The goal of this paper is to achieve optimal performance for synchronization of bilateral teleoperation systems against time delay and modeling uncertainties, in both free and contact motions. Time delay in bilateral teleoperation systems imposes a delicate tradeoff between the conflicting requirements of stability and transparency. To this reason, in this paper, population-based optimization algorithms are employed to tuning the proposed controller parameters. The performance of tuned controllers is compared with the gains obtained by Cuckoo Optimization Algorithm (COA), Biogeography-Based Optimization (BBO), Imperialist Competitive Algorithm (ICA), Artificial Bee Colony (ABC), Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Ant Colony Optimization with continuous domain (ACOR), Self-adaptive Differential Evolution with Neighborhood Search (SaNSDE), Adaptive Differential Evolution with Optional External Archive (JADE), Differential Evolution with Ensemble of Parameters and mutation strategies (EPSDE) and Cuckoo Search (CS). Through numerical simulations, the validity of the proposed method is illustrated. It is also shown that the COA algorithm is able to solve synchronization problem with high performance in stable transparent bilateral teleoperation systems.     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%~36.26%和5%~11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。     

结合头脑风暴优化的混合蚁群优化算法

特征选择能够有效提升数据分类的性能。为了进一步提升蚁群优化（ACO）在特征选择上的求解能力,提出一种结合头脑风暴优化的混合蚁群优化（ABO）算法。该算法利用信息交流档案维护历史较好解,并通过基于松弛因子的时间最久优先方法动态更新档案。当ACO的全局最优解多次未更新时,采用基于Fuch混沌映射方法的路径-想法转换算子将档案中的路径解转换为想法解,并将其作为初始种群,通过头脑风暴优化（BSO）在更广阔的空间中搜索较好解。对所提算法在6组典型的二分类数据集上进行实验,分析了其参数敏感性,并与混合萤火虫粒子群优化（HFPSO）算法、粒子群优化与引力搜索算法（PSOGSA）以及遗传算法（GA） 这三种典型的演化算法进行对比。实验结果表明,相较于对比算法,所提算法在分类正确率上至少可提高2.88%~5.35%,在F1指标上至少可提高0.02~0.05,验证了所提算法的有效性和优越性。     

一种求解动态优化问题的改进自适应差分进化算法

针对原始动态自适应差分进化（SADE）算法局部搜索能力弱和寻优精度低的问题,提出一种求解动态优化问题的邻域搜索差分进化（NSDE）算法。通过引入邻域搜索机制,在划分种群最优个体的邻域空间范围内产生候选解,选取候选解集合中的最优解并对种群最优个体进行迭代,增强算法局部搜索能力。在传统基于距离的排斥方案中,引入hill-valley函数追踪邻近峰,提高算法寻优精度。实验结果表明,与SADE、人工免疫网络动态优化、多种群竞争差分进化和改进差分进化算法相比,NSDE算法在49个测试问题中分别有28、38、29和38个测试问题的平均误差更小,综合性能表现更好。     

基于DE的ε-SVRM参数优化研究

参数优化是ε-支持向量回归机研究领域的重要问题,其本质是一个优化搜索的过程。基于差异演化算法在求解优化问题上的有效性,提出了以差异演化算法寻优技巧的ε 支持向量回归机参数优化方法。将该算法应用于受噪声影响的标准函数,与采用遗传算法、蚁群算法、粒子群算法对支持向量机进行优化的仿真实验结果对比表明由DE算法所确定的ε 支持向量回归机具有较好的预测性能。     

基于差分进化的生物地理学优化算法

针对生物地理学优化算法在实数编码时搜索能力较弱的缺点,提出一种基于差分进化的混合优化算法(BBO/DEs)。通过将差分进化的搜索性与生物地理优化算法的利用性有机结合,以解决原算法在局部搜索时容易出现早熟的问题;并构造一种基于Levy分布的变异方式,确保种群在进化过程中保持多样性;最后通过实验比较,选取了合适的试验策略。利用高维标准测试函数对相关算法进行实验,结果表明该算法能够克服搜索能力不足的缺点,并继承了原算法的快速收敛性能,可以有效兼顾精度与速度的要求。     

演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性,通过演化信息的协助,提出动态协同随机漂移粒子群优化（CRDPSO）算法。利用上下文粒子的向量信息,粒子之间的动态协作增加了种群多样性,这有助于提高群体的搜索能力,并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代,利用二维空间分割树结构来存储算法中的估计解的位置和适应度值,从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略,因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法（DE）、协方差矩阵适应进化策略算法（CMA-ES）、非重复访问遗传算法（cNrGA）以及三种改进的量子行为粒子群算法（QPSO）进行比较。实验结果表明,不管是对于单峰还是多峰测试函数,CRDPSO的性能均是最优的,证明了该算法的有效性。