基于差分演化和克隆选择机制的优化算法

为了解决函数优化过程中的“早熟收敛”和“搜索迟钝”问题,将差分演化算法与克隆选择算法进行了结合,提出了一种新的差分演化克隆选择算法。该算法将克隆选择操作引入到差分演化算法中,达到了既能够选出最好个体又能够保证种群多样性的效果。实验结果表明该算法在多峰值函数优化问题中,具有求解精度较高,收敛速度较快等优点。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

基于维度分组交叉的自适应差分进化算法

为了解决求解高维复杂问题时存在收敛速度慢、求解精度低、容易陷入局部搜索等问题,提出维度分组交叉算法和自适应多模式并行差分进化算法。算法利用种群中各维变量之间的相关性进行维度划分,通过k个种群分别在k个维度划分上进行自适应差分进化,在种群间按维度划分进行交叉操作,从而较好实现了多种群的协同差分进化。最后对4个benchmark高维函数进行算法验证,实验结果表明,该算法在提高算法的寻优速度的同时,还有效地克服了早熟收敛等问题。     

一种利用膜计算求解高维函数的全局优化算法

鉴于传统优化算法在求解高维多模态优化问题时存在收敛速度慢,求解精度低的缺点,针对上述问题提出了一种基于膜计算的优化算法。算法首先对高维空间进行分割,分割后每个子空间作为一个基本膜,基本膜区域中采用差分局部搜索策略提高算法的局部搜索能力和收敛速度。基本膜区域将局部最优解定时传送给表层膜。表层膜区域中采用全局搜索策略寻找全局最优解。通过对5个benchmark函数仿真验证,实验结果表明,该算法在收敛速度,求解精度和稳定性方面都有较大优势。     

基于Laplace分布变异的改进差分进化算法

为了提高差分进化算法(DEA)的收敛速度和寻优精度,提出了一种改进的差分进化算法。在该算法中,引入了基于Laplace分布的变异算子,并且能根据以往的进化经验自适应地调整进化策略及交叉概率以适应不同阶段的进化。通过5个典型Benchmark函数的测试结果表明,该算法的收敛速度快、求解精度高、鲁棒性较强,适合求解高维复杂的全局优化问题。     

改进差分进化策略在多峰值函数优化中的应用

针对差分演化算法与进化策略算法中所存在的不足,将模拟退火算子引入到差分演化算法的变异操作中,这样有助于在进化前期进行全局搜索,后期进行局部搜索;在标准进化策略的基础上,加入差分变异操作,提出了一种新的差分进化策略双重变异算法。通过测试算例可看出,该方法在多峰值函数优化问题中,具有求解精度较高,收敛速度较快等特点。     

改进的樽海鞘群算法

针对樽海鞘群算法在对函数优化问题求解上出现的求解精度不高、收敛速度慢的缺点,提出了一种改进的群海鞘群算法.对于领导者引入加权重心取代最优个体位置,防止过早聚集在最优个体附近;对于追随者引入自适应惯性权重平衡算法的全局搜索和局部寻优能力;最后对于个体进行逐维随机差分变异,减少维间干扰,提高了种群的多样性.仿真实验结果表明改进的樽海鞘群算法在均值、标准差和收敛曲线优于标准樽海鞘群算法和其他改进算法,说明改进后的算法提高了寻优性能,有较高的求解精度和较快的收敛速度.     

求解高维优化问题的混合灰狼优化算法

针对基本灰狼优化算法在求解高维优化问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出一种基于混沌映射和的精英反向学习策略的混合灰狼优化算法用于解决无约束高维函数优化问题. 该混合算法首先采用混沌序列产生初始种群为算法进行全局搜索奠定基础;对当前种群中的精英个体分别执行精英反向学习策略以协调算法的勘探和开采能力;在搜索过程中对决策层个体进行混沌扰动,以避免算法陷入局部最优的可能性. 选取10个高维(100维、500维和1000维)标准测试函数进行数值实验,结果表明混合灰狼优化算法在求解精度及收敛速度指标上明显优于对比算法.     

自适应混沌果蝇优化算法

本文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,融入混沌算法对果蝇优化算法的进化机制进行优化,提出自适应混沌果蝇优化算法(ACFOA)。在算法处于收敛状态时,应用混沌算法进行全局寻优,从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明,ACFOA算法具有更好的全局搜索能力,在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

高维多峰函数的量子行为粒子群优化算法改进研究

针对群智能优化算法求解高维多峰函数时,难以优化粒子每一维和易陷入局部极值点问题,在分析了量子行为粒子群优化（QPSO）算法机理的基础上,对QPSO算法进行改进：采取前后代粒子逐维对比优化,以及构造一种新的调控收缩-扩张系数的函数。实验结果表明,改进算法在收敛精度与收敛速度上都十分显著地优于QPSO算法,而且具有很强的避免陷入局部最优的能力,非常适合求解高维、多峰优化问题。