一种新颖的函数优化进化算法

进化算法在求解全局优化问题时易陷入局部最优且收敛速度慢. 为了解决这一问题, 设计了一个基于下降尺度函数的杂交算子, 利用下降尺度函数与种群的关系来寻找实值函数的下降方向. 为了提高非均匀变异算子在进化后期的搜索能力, 通过均衡算子的局部搜索和全局搜索能力使其在算法后期仍能跳出局部最优. 在此基础上给出了一种新的进化算法. 最后将其与9个现有的算法进行了比较, 数值实验表明新算法快速有效.     

一种新的混合量子进化算法

量子进化算法(QEA)用于多峰函数优化时,容易陷入局部最优.本文提出一种新的混合量子进化算法,通过双编码机制(经典二进制编码和量子概率编码),以及经典交叉和量子概率编码更新策略,实现了经典遗传算法与量子进化算法的有机结合,在发挥经典遗传算法全局优化能力的同时,利用量子概率搜索提高了算法的局部搜索能力.通过一组典型函数优化实验对该算法的性能进行了考察,并与QEA进行了比较.结果表明,本文算法在解的质量和收敛速度上都要优于QEA.     

一种基于Alopex的进化优化算法

提出一种基于Alopex的进化算法.该算法在迭代过程中从种群中随机选择两个个体,通过计算两个个体自变量和目标函数值的变化情况确定算法进一步搜索方向的概率,逐步迭代最终收敛到全局最优.该算法具备基本进化算法和Alopex算法的优点,在一定程度上具有梯度下降法和模拟退火算法的优点.通过基准函数的测试和反应动力学参数估计的应用表明,该算法的全局搜索能力有了显著提高.特别是对多峰函数能够有效避免早熟收敛问题.     

一种新的混合策略进化算法

进化计算已成功地运用到各种数值优化和组合优化问题中,而运用单一变异算子的进化算法总是存在着对某种函数优化问题性能良好,对另一些却不尽人意的问题。本文提出一种基于经典进化算法和单点变异算法的混合策略进化算法SPCEP。SPCEP算法利用两种变异算子各产生一个后代个体,并选择较好的一个作为唯一的后代。实验结果表明,在处理高维单模函数时,SPCEP的性能比CEP和SPMEP有显著的提高。     

一种有效的解无约束全局优化的进化算法

为了解决进化算法在求解全局优化时易陷入局部最优和收敛速度慢的问题,设计了一个杂交算子,利用种群中最好点与其他点间的关系确定搜索方向,从而快速地找到实值函数的下降方向,一旦算法找到优于种群中最好点的点,利用所构造的两条直线交点的投影对其进行进一步优化,使函数值更迅速地下降.提出了适合杂交算子的初始种群生成方法.设计了一个既能提高收敛速度又能摆脱局部最优的变异算子以增强算法的效果.在此基础上,提出了一个求解全局优化问题的高效进化算法,并从理论上证明了全局收敛性,从数值上验证了有效性.     

一种基于量子进化算法的概率进化算法

针对量子进化算法(QEA)求解二进制编码问题比较有效,而求解多进制编码问题则比较困难,提出一种概率进化算法(PEA)。该算法汲取了量子复合位、叠加态等思想,采用由观测概率构成的概率复合位进行编码,观测和更新操作直接针对观测概率进行。PEA保持了QEA的性能,运算速度远优于QEA,并可以采用任意进制编码。函数优化和背包问题实验验证了PEA的有效性。     

一种新的进化算法——种子优化算法

受自然界种子传播方式的启发,提出一种进化算法--种子优化算法,该算法通过模拟植物生存的自适应现象,逐代进化,寻找最优结果,解决复杂的优化计算问题,对该算法的全局寻优性能进行分析证明,通过典型优化问题的实例仿真实验,表明该算法具有较好的寻优性能.     

一种基于进化方向的新的差分进化算法

变异策略对差分进化算法（DE）算法的成功与否起到至关重要的作用.然而,方向信息在DE变异策略的设计当中并没有被充分地挖掘,且对于如何平衡进化速度和种群多样性这两者之间的矛盾也没有得到很好的解决方案.研究了个体在进化选择操作前后产生的差量信息在变异操作上的导向作用,提出了一种新的基于进化方向的变异策略“DE/current-to-pbest/1/Gvector”.同时,为了测试我们这种新的方向信息能否提高算法的优化能力,我们在自适应差分进化算法（JADE）的基础上提出了一种新的算法DVDE.对CEC2005常用的12个测试函数做了仿真实验,实验结果证明DVDE的算法性能平均优于其他5个目前来说性能最好的DE算法（JADE,SaDE,CoDE,jDE,EPSDE）,特别是对于单峰函数,效果更为明显.实验结果也说明进化方向的加入对于提高算法的收敛速度以及保护种群的多样性避免算法过早陷入局部最优起到了较好的作用.     

解无约束全局优化问题的一个新的进化算法及其收敛性

文章利用一维搜索与局部极小点的消去技术设计了一个新的进化算法。此算法在迭代过程中,可不断消除那些比目前已找到的最好点差的局部极小点,从而使局部极小点的数目随着迭代的进行大量地减少,使算法更易找出全局极小点。另外,将一维搜索巧妙地用于算法之中,加快了收敛速度。并且证明了算法的全局收敛性,最后的数值实验也表明新算法十分有效。     

带约束多目标最优化问题的一种新的进化算法

1 引言多目标最优化问题在科学技术、经济管理等领域大量存在,进化算法一次运算可望求出多目标最优化的许多有效解的特性,引起众多学者的研究兴趣。目前,仅在网址:www.la-nia.mx/～ccoello//emoo/emoobib.html上就可查到近千篇多目标进化算法方面的文献。最近几年出现的多目标进化算法,绝大多数都是研究无约束多目标最优化问题(例如见文[1,2]),而实际问题中遇到的多目标最优化往往都带有约束条件,因而处理约束就是解决现实问题的关键。正如Kalyan-moy Deb等学者在文[3]中指出:“研究者是该把注意力集中在解决约束多目标最优化问题的时候了”。     

一种新的全局优化演化算法

演化算法在求解大型复杂多极值问题的过程中经常容易陷入局部最优,该文提出了一种变换目标函数法来消除早熟收敛。当演化算法检测出局部最优点时,使用填充函数构造变换目标函数,将局部极小点及其邻域提升,保留整体最小值点。从而新方法具有消除局部最优点而保留整体最优点的功能。通过对复杂的无约束优化问题和有约束优化问题的实验,结果显示了新方法具有搜索全局最优解的良好性能。     

基于新模型的动态多目标优化进化算法

在动态多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在时间连续发生变化的情况下依然能求出分布均匀且数量多的Pareto最优解供决策者选择十分重要.对动态多目标优化问题连续变化的时间变量区间进行了任意划分,在得到的每个时间子区间上把动态多目标优化问题近似为静态多目标优化问题,进而在每个子区间上定义了种群的静态序值方差和静态密度方差,然后把目标个数任意的动态多目标优化问题转化成一个双目标静态优化问题.在给出的一种能自动检测时间变化的自检算子下,提出一种新的动态多目标优化进化算法,并且证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题求解十分有效.     

一种新的求解多峰函数优化问题的动态演化算法

本文给出了一种新的求解多峰函数优化问题的定义：定位所有的极值点,包括全局的峰值点和局部的峰值点。传统的演化算法框架都是群体固定的演化迭代过程,对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小．影响了算法的效率。提出一种群体动态可调的演化方式,使得初始群体大小可任意指定,在演化过程中通过聚集和按比例引入新个体两个过程而动态变化。实验表明,该算法能尽可能多地定位峰值点。     

基于(μ+1)演化策略的多目标优化算法

使用(μ 1)演化策略求解多目标优化问题，利用群体中个体间的距离定义拥挤密度函数以衡量群体中个体的密集程度，个体适应值定义为个体的Pareto强度值和拥挤密度值之和。通过对测试函数的实验，验证了算法的可行性和有效性，该算法具有简单、稳健等特点。     

新的仿生优化算法：食物车-蟑螂群优化算法

提出一种新的仿生优化算法——食物车-蟑螂群优化算法。该算法模拟蟑螂的觅食行为,通过食物车在解空间定义域内抛洒食物,吸引蟑螂向食物爬行,完成搜索。在求解过程中通过巢穴变迁、平等搜索和食物筛选等策略加强全局搜索和局部搜索能力,提高算法收敛速度。仿真实验结果表明,该算法寻优率高,收敛速度快。     

基于双群体进化规划的动态优化算法

动态优化问题的优化环境随时间变化导致了最优解随时间移动.为了有效地跟踪最优解,提出了一个基于双群体进化规划的动态优化算法.局部搜索群体运用高斯变异算子,并接受已有信息;全局搜索群体运用柯西变异算子,与已有信息隔离并传送较优个体至局部搜索群体.在进化过程中,它们的群体规模动态地变化.算法有效地利用了已有信息,实现了全局搜索与局部搜索的分离,适合于求解环境变化方式未知的动态优化问题.对三个动态优化模型进行了测试,并与随机初始化群体法进行了比较,仿真结果表明r提出的算法是有效的.     

一个用于多目标优化的进化规划算法

进化计算的群体搜索机制为多目标优化问题的直接求解提供了途径。本文将多目标遗传算法中的一些技术用于进化规划,提出一个多目标进化规划算法,并给出计算实例。     

多目标优化与自适应惩罚的混合约束优化进化算法

提出一种多目标优化与自适应惩罚函数相结合的方法来处理约束优化问题.首先利用多目标优化方法提取当前群体中的主要信息;然后进一步用自适应惩罚函数选出最有价值的信息.将这种约束处理技术与一种基于群的算法生成器模型相结合,即可得到一种新的约束优化进化算法.选取10个标准测试函数对新算法的性能进行数值实验,结果表明了所提出方法的有效性和较强的稳健性,与其他尖端算法相比得到了相似或更优的结果.