新的小生境萤火虫划分聚类算法

针对传统的划分聚类算法过度依赖初始聚类中心并容易陷入局部最优的问题,提出基于萤火虫算法的改进划分聚类算法。该算法将萤火虫个体对应于一组聚类中心的解,类簇的聚合度对应于萤火虫的亮度,通过萤火虫个体之间的相互吸引寻找聚类中心的最优解。在寻优过程中使用随机分布的萤火虫种群克服划分聚类过于依赖初始聚类中心的问题,采用自适应步长的策略加强算法寻找精确解的能力。为了避免在寻优过程中因为种群过于集中而导致算法陷入局部最优,引入小生境技术提高萤火虫的种群多样性。仿真实验结果表明,与传统聚类算法相比,该算法的聚类精度较高,稳定性较好。     

基于聚类排序选择方法的进化算法

为提高进化算法的效率,提出了聚类排序选择方法。主要工作有:(1)提出了新的种群内个体相似度度量,并使用种群所包含不同簇的数量来描述和度量种群的多样性;(2)为解决早熟问题提出了新的基于种群聚类和排序选择的聚类-排序选择方法;(3)导出了选择压力-种群多样性(SP-PD)方程,该方程能描述进化过程中选择压力随种群多样性变化的规律。在基于全面学习粒子群算法环境中作了详实的实验,对16个多峰函数进行了优化。实验结果表明,在10维和30维条件下,在15个函数优化中,新方法明显优于指数排序选择方法,最高能使精度提高4个数量级。     

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.     

多源基因学习的微种群教与学优化及应用

由于微种群教与学优化算法的种群规模较小, 故其种群多样性很难维持. 为提高微种群教与学优化算法的搜索性能, 提出了一种基于多源基因学习的微种群教与学优化算法(micro-population teaching-learning-based optimization based on multi-source gene learning, MTLBO-MGL). 在MTLBO-MGL算法中, 将教阶段和学阶段根据随机选择策略来对个体进行基因水平上的进化操作; 并从基因层面上对种群多样性进行检测和使用稀疏谱聚类方法对种群的每个维度进行聚类. 然后, 根据多样性检测和聚类结果, 选择不同的进化策略来提高所提算法的搜索性能. 在28个测试函数上, 通过将所提算法与其他4种微种群进化算法作对比, 证明了所提算法的整体性能要显著好于所对比的4种算法. 本文还将所提算法应用于无人机三维路径规划问题, 结果表明MTLBO-MGL算法能够在该问题上取得较好结果.     

子种群规模可变的多种群人工蜂群算法

针对人工蜂群算法开发能力不足的问题,提出一种子种群规模可变的多种群人工蜂群算法(DMABCPS).在算法中,以个体均值位置作为中心点将整个种群划分成多个子种群;雇佣蜂阶段使用三种不同策略协同搜索,保证对优良种群的开发、中间种群的平衡和较差种群的探索;观察蜂阶段采用基于成功率的选择机制对两个搜索策略进行自适应选择;此外,算法建立了新的概率选择模型,对子种群以及其内部个体进行选择.最后,通过22个标准函数测试集验证了该算法比得上一些目前较优的算法.     

基于搜索空间划分与Canopy K-means聚类的种群初始化方法

为了提高差分进化算法对搜索空间的探索与开发能力,提高差分进化算法的收敛性与算法的进化效率,提出一种基于搜索空间均匀划分与局部搜索和聚类相结合的种群初始化方法.该方法首先对决策变量空间进行均匀划分,并从各个子空间中随机选择一个个体,得到的个体能够覆盖整个搜索空间;然后,利用Hooke-Jeeves算法对各子空间进行局部搜索得到局部最优的个体,并结合改进的Canopy算法与K-means聚类算法,辨识搜索空间中的前景区域,以此为基础对局部搜索产生的局部最优个体进行筛选,最终生成初始种群中的个体.通过与其他种群初始化方法对CEC2017中5个测试函数进行实验对比,所提出的方法的运行时间可缩减为已有方法的0.75倍,适应度函数可减少为已有方法的0.03倍,且具有最小的标准差以及最优的收敛特性.     

一种保持种群多样性的改进混洗蛙跳算法

针对经典混洗蛙跳算法在函数优化中易陷入局部最优和早熟收敛等缺点,提出一种保持种群多样性的改进型混洗蛙跳算法。其思想是通过反向学习机制初始化种群,并动态改变多样性比例来计算所有分组的最优值的多样性密度,来改进个体进化方式。典型复杂函数测试表明,该算法能有效找出全局最优解。     

一种新颖的差分混合蛙跳算法

在使用智能优化算法处理函数优化问题时,保持种群的多样性及加快种群的收敛速度可以提升一个算法的性能.针对混合蛙跳算法在寻优过程中易陷入局部最优和早熟收敛的缺点,本文提出了一种新颖的差分混合蛙跳算法.该算法借鉴差分进化中的变异交叉思想,在前期利用子群中其他个体的有用信息来更新最差个体,增加局部扰动性,以提高种群的多样性;在后期为加快收敛速度使用最好个体的信息进行变异交叉操作.同时本文使用归档集进一步保留种群的多样性.仿真测试结果表明:该算法在求解优化问题时较基本蛙跳算法和平均值蛙跳算法具有更好的寻优性能.     

基于适应度方差度量种群多样性的GEP算法

为了保持进化过程中种群的多样性,提高算法的收敛速度,保护进化过程中的较优个体,对标准基因表达式编程(GEP)算法进行了改进,提出了一种基于适应度方差度量种群多样性的GEP算法(GEP based on population diversity measure by variance of individuals' fitness,DM-GEP).该算法以个体适应度方差来度量种群多样性,设计了自适应变异算子,使得变异率随着种群多样性情况而变化,且同时兼顾了种群的稳定性以及进化过程中较优个体的保护.仿真结果表明,DM-GEP提高了收敛速度和精确度.     

基于个体相似度的双种群遗传算法

针对标准遗传算法搜索精度低、容易陷入局部最优解的缺陷,提出一种基于个体相似度的双种群遗传算法。将竞争算子和第二个种群引入标准遗传算法中,在主种群内部利用海明距离计算个体之间的相似度,进行种群内部竞争,保留"种子"个体,而与其相似的个体参与种群之间的交流,从而保持种群多样性。使用经典测试函数对该算法进行了仿真实验,结果表明,该算法能有效抑制"早熟"现象,其全局搜索能力和搜索效果都有了明显的提高。     

基于数论佳点集的遗传算法初始种群均匀设计

文章利用数论中的佳点集理论和方法,给出了遗传算法初始种群生成的一种具有良好多样性的均匀分布设计.通过对遗传算法机理的研究,发现初始种群的分布状态不仅直接关系到遗传算法的全局收敛性,还影响算法的搜索效率,所以对初始种群进行科学合理设定是应用遗传算法进行寻优计算的一个重要问题.基于优化设计思想,提出应用佳点集均匀设计方法确定遗传算法的初始种群.这种方法具有简单易行、种群多样性好、更适合多维情况等特点,实验结果验证了该方法可以有效地改善算法的全局收敛性,提高搜索效率.     

基于种群相似度的自适应改进蚁群算法及应用

针对蚁群算法收敛速度较慢、易陷入局部最优的问题,提出了一种基于种群相似度的自适应改进蚁群算法。利用种群相似度对种群内个体的多样性进行度量并根据优化过程中种群相似度的变化情况自适应地调整蚁群算法的参数和信息素更新策略,提升算法的优化性能。该算法用于求解旅行商问题（Traveling Salesman Problem,TSP）问题,并与经典的蚁群系统（Ant Colony System,ACS）及最大最小蚂蚁系统（MAX-MIN Ant System,MMAS）算法进行比较,实验结果表明改进算法在解的质量与算法稳定性方面得到显著提升,有效地平衡了种群多样性与收敛速度之间的矛盾。     

二维目标下分布性与收敛性结合的种群维护策略

种群维护是多目标进化算法的重要组成部分。针对传统方法在维护过程中只考虑分布性的情况,提出一种分布性与收敛性结合的种群维护策略,该方法用一种邻近个体间的相对趋近关系来表示其适应值,弥补了单纯Pareto支配关系的“粗糙性”,并用一种可调邻域的方法对种群的密集程度进行控制。将其与NSGA-II和SPEA2进行对比,实验结果表明该算法在有效保持种群分布性的同时,拥有良好的收敛性和速度。     

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。     

PSO-Based Multiobjective Optimization With Dynamic Population Size and Adaptive Local Archives

Recently, various multiobjective particle swarm optimization (MOPSO) algorithms have been developed to efficiently and effectively solve multiobjective optimization problems. However, the existing MOPSO designs generally adopt a notion to “estimate” a fixed population size sufficiently to explore the search space without incurring excessive computational complexity. To address the issue, this paper proposes the integration of a dynamic population strategy within the multiple-swarm MOPSO. The proposed algorithm is named dynamic population multiple-swarm MOPSO. An additional feature, adaptive local archives, is designed to improve the diversity within each swarm. Performance metrics and benchmark test functions are used to examine the performance of the proposed algorithm compared with that of five selected MOPSOs and two selected multiobjective evolutionary algorithms. In addition, the computational cost of the proposed algorithm is quantified and compared with that of the selected MOPSOs. The proposed algorithm shows competitive results with improved diversity and convergence and demands less computational cost.      

基于免疫算法的属性约简方法

为了求取决策表系统中属性的最小约简,本文提出了一种基于免疫算法的属性约简方法。该算法应用决策表的相对核来初始化种群,根据决策属性对条件属性的依赖度和抗体中条件属性的个数设计抗体的适应度函数,通过免疫记忆特性和抗体浓度的促进与抑制作用,保持了个体的多样性,提高了算法的全局搜索能力,避免陷入局部最优现象,从而求解出最小属性约简集合。实验结果表明,算法快速、有效,能得到较好的最小属性约简。     

基于动态粒子数的微粒群优化算法

提出了基于动态粒子数的微粒群算法,并建立了粒子数变化函数．该函数包含粒子数衰减趋势项和周期振荡项．衰减趋势项能够在种群向最优解不断收敛的过程中逐渐减少粒子数,以提高粒子效率．周期振荡项中的递增阶段代表了新粒子的随机出现,以增加粒子群的多样性,而周期振荡项中的递减阶段代表了探索性能差的粒子逐渐消亡,以提高优化效率．对4个标准函数进行测试,仿真结果表明该算法能有效地减少计算量,并显著提高全局搜索性能．     

基于种群多样性评价的自适应遗传算法

遗传算法是解决优化问题的一种重要而有效的方法,在很多领域中得到了广泛的应用.在实际应用过程中,"过早收敛"是遗传算法经常遇到的问题之一,其主要原因是进化过程中个别优秀个体的迅速繁殖导致种群多样性的过早丧失.针对这一问题,提出了一种基于改进种群熵的多样性评价方法,并根据种群多样性评价及个体的适应度,从宏观和微观两方面对个体操作概率进行动态调整.仿真实验表明改进算法具有良好的全局搜索能力,一定程度上避免了过早收敛.     

基于种群多样度的变参数遗传算法的研究

该文针对基本遗传算法（SGA）所存在的缺陷——早熟现象进行了分析，并在此基础上提出了基于种群多样度的变参数遗传算法（VPGA）。该算法从概率角度分析了遗传操作算子的作用，搜索范围以及多样性的影响，依据种群的多样度对遗传算法的参数进行自动调节，抑制早熟现象。并应用两种遗传算法对评价遗传算法性能的四个著名测试函数进行了仿真测试，仿真结果表明该算法相对于基本遗传算法的优越性和抑制早熟现象的有效性。     

基于反馈机制的克隆反馈优化算法的稳定性研究

克隆选择算法是一种基于克隆选择原理的进化优化算法,但是它因受抗体浓度的影响而稳定性较差。在传统的克隆选择算法的基础上,充分考虑抗体的浓度和种群多样性两方面因素,提出了一种新的基于反馈机制的克隆反馈优化算法。该算法融入了一种进化反馈深度模型和种群生存度设计理念,有效提高了算法的稳定性。最后,将该算法应用到网格计算独立任务调度中,取得了较理想的实验结果。