基于混合差分遗传算法的Bouc-Wen迟滞模型辨识策略

提出一种应用于Bouc-Wen迟滞模型的混合差分遗传算法.该算法可以自适应调节缩放因子来改变交叉概率因子的值,同样也可以自动调节交叉概率因子来调整缩放因子的值.通过缩放因子和交叉概率因子的混合作用,能使算法前期维持种群多样性,同时强化对全局最优值的搜索能力,从而快速寻找最适模型参数.在算法后期,随着局部最优值搜索能力的提高,会进一步提高最优模型参数的精度.与传统的自适应差分遗传算法在Bouc-Wen迟滞模型上的应用进行对比,仿真结果表明所提出的混合差分遗传算法不仅收敛速度更快而且计算精度更高.     

一种基于正交设计的快速差分演化算法及其应用研究

为了进一步加快差分演化算法的速度和增强算法的鲁棒性,提出了一种基于正交设计的快速差分演化算法,并把它应用于函数优化问题的求解中.新算法在保持传统差分演化算法的简单、有效等特性的同时,具有以下特征：1）采用基于正交设计的杂交算子,并结合直观统计法产生最优子个体;2）采用决策变量分块策略,以减少正交实验次数,加快算法收敛速度;3）提出一种基于非凸理论的多父体混合自适应杂交变异算子,以增强算法的非凸搜索能力和自适应能力;4）简化基本差分演化算法的缩放因子,尽量减少算法的控制参数,方便工程人员的使用.通过对12个标准测试函数进行实验,并与其他演化算法的结果相比较,其结果表明,新算法在解的精度、稳定性和收敛性上表现出很好的性能.     

基于改进差分进化算法的PID优化设计

提出一种基于改进差分进化算法的PID控制器参数优化方法.针对差分进化算法的优化性能受控制参数取值和差分进化类型的影响较大,算法容易早熟收敛的问题,提出改进差分进化算法.该算法在标准差分进化理论基础上对差分矢量的初始种群、缩放因子、交叉概率和差分进化模式进行优化,将缩放因子和交叉概率由固定数值设计为随机函数,随着搜索过程的进行,自适应选取差分进化模式,从而增强搜索能力.在PID参数的优化设计中通过仿真实验研究,表明采用新方法获得的PID控制器性能优于基于常规方法、遗传算法和基本差分进化算法设计的PID控制器.     

自适应控制参数的通用差异演化算法研究

为提高求解多目标优化问题效率,对通用差异演化(GDE)算法及其自适应参数控制问题进行了研究。首先,分析了GDE3算法的编码、交叉、变异、选择等原理和算法流程;然后,利用个体的适应度作为参数调整的依据,并结合一定的调整概率提出一种新的对缩放因子和交叉概率参数自适应控制策略,提高算法的搜索能力;最后,通过典型的多目标函数对自适应控制参数的通用演化算法(selfGDE3)、GDE3和非劣分层遗传算法2(NS-GA-Ⅱ)的性能进行比较分析,结果表明,selfGDE3算法具有良好的搜索性能。     

基于logistic 模型的自适应差分进化算法

提出一种基于logistic模型的自适应差分进化算法.该算法在运行过程中可自动调节缩放因子和交叉概率因子的大小,能在算法初期保持种群多样性,提高全局最优值的搜索能力,而在算法后期,随着局部最优值搜索能力的提高算法渐趋稳定.对几种典型Benchmarks函数进行了测试,实验结果表明所提出的算法收敛速度快、计算精度高.     

求解函数优化问题的改进布谷鸟搜索算法

为了提高布谷鸟搜索算法求解函数优化问题的求精能力和收敛速度,提出了一种基于自适应机制的改进算法.自适应机制用于控制缩放因子和发现概率,以提高种群的多样性,避免早熟,从而使更多的个体参与演化,达到提高求精能力和收敛速度的效果.仿真实验结果表明,与标准的布谷鸟搜索算法相比,基于自适应机制缩放因子的改进算法(rCS)和基于自适应机制发现概率的改进算法(paCS)在求精能力和收敛速度上都有明显的提高;同时具有自适应缩放因子和自适应发现概率的改进算法(iCS)比rCS和paCS具有更优的求精能力和收敛速度.     

基于混合变异策略的改进差分进化算法及函数优化

针对差分进化算法DE 传统变异策略不能有效平衡全局搜索和局部搜索,并且算 子固定,导致算法早收敛、搜索效率较低。基于DE 变异策略性能,提出一种混合变异策略, 力图平衡算法探索和开发能力,使得前期增强全局搜索,保持种群多样性; 后期偏重局部搜 索,尽快收敛到全局最优值。同时操作算子采用随机正态缩放因子F 和时变交叉概率因子CＲ, 进一步改善算法性能。几个典型Benchmarks 测试函数实验表明: 该改进型差分进化算法能有 效避免早收敛,较好地提高算法的全局收敛能力和搜索效率。     

一种新型的差分演化算法及其应用研究

提出了一种新的基于简单多样性规则的改进差分演化算法,并把它运用于约束全局最优化问题的求解中。新算法的特征是: 1)提出一种新的混合自适应交叉变异算子,以增强算法的搜索能力; 2)采用具有保持群体多样性的约束函数处理技术; 3)简化基本差分演化算法的缩放因子,尽量减少算法的控制参数,方便工程人员的使用。通过对13个标准测试函数进行测试,并与其他演化算法结果进行比较。实验结果表明,新算法在求解精度和稳定性具有很好的性能,而且其函数平均评价次数要低于所比较的其他演化算法。     

加权变异策略动态差分进化算法

针对差分进化算法在解决高维优化问题时易早熟收敛、求解精度低和参数设置麻烦等问题,提出一种加权变异策略动态差分进化算法（WMDDE）。为了动态平衡全局搜索与局部搜索能力,跳出局部最优,将标准差分进化算法的变异策略DE/rand/1和DE/best/1进行加权组合,提出两种新的随机扰动加权变异算子。提出一种动态自适应调整缩放因子和交叉概率因子的策略,避免参数设置的麻烦,提高算法的稳定性。在11个Benchmark函数上的测试结果表明,新算法能有效避免早熟收敛,全局寻优能力强,且在高维时寻优速度、求解精度和稳定性均优于4种DE进化算法。     

差分进化算法的交叉概率因子递增策略研究

为了有效地控制差分进化算法的全局搜索和局部搜索,基于递增交叉概率因子的基本思想,在已有的自适应二次变异差分进化算法的基础上,提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的交叉概率因子递增策略,并用4种经典函数对它进行测试。测试结果表明,对于多数连续优化问题,在初始参数相同的情况下,凹函数递增策略优于线性策略,而线性优于凸函数策略。凹函数递增策略能够在不影响收敛精度的情况下较大幅度地提高差分进化算法的收敛速度。     

基于多代种群进化信息改进的差分进化算法研究

差分进化算法是进化算法中一种性能较为优良的全局数值优化算法,已在人工智能、信号处理等方面取得广泛应用,但当前研究往往仅考虑进化过程中某一代种群的分布信息,而忽略进化过程中多代种群累积的分布信息,造成信息利用不充分。借助自适应协方差矩阵进化策略的思想,充分利用进化过程中累积的种群分布信息,同时,由于自适应协方差矩阵存在收敛早熟、易陷入局部最优的缺点,先后对变异和交叉操作进行相应改进,以平衡算法的全局搜索能力和局部搜索能力。首先,根据种群中个体适应度值进行排序,由余弦函数改进的概率模型计算个体参与变异操作的概率,基向量和差分向量中末端向量根据概率值降序选择,差分向量中起始向量升序选择,从而提高种群的搜索范围;然后,对协方差矩阵进行特征分解,并在由特征向量构建的坐标系中执行交叉操作,该种方式生成的实验向量更接近全局最优解。针对上述改进操作,采用IEEE CEC2014作为评估函数,实验结果表明,相比现有的差分进化改进算法,本改进算法的实验性能提升更为明显。     

具有Pbest引导机制的适应性多策略差分进化算法

为进一步提升差分进化算法的收敛性能, 提出一种具有Pbest引导机制的适应性多策略差分进化算法(AMSDE)。AMSDE设计交叉概率控制参数库、变异尺度参数库及差分变异策略库, 其中, 交叉概率采用Logistic混沌序列来模拟, 尺度参数采用线性变化机制产生, 差分变异策略库采用6个常用的差分变异策略组成, 并给出算法运行的框架。最后, 基于25个标准测试函数的仿真结果表明, AMSDE的收敛性能优于现存的其它差分进化算法, 具有较好的收敛精度及收敛速度。     

基于变异交叉方程与进化选择机制的回溯优化改进算法

针对回溯搜索优化算法存在的收敛速度慢,容易陷入局部最优等问题,提出了一种改进算法。首先利用t分布产生变异尺度系数,加快了算法收敛速度;接着完善交叉方程结构,引入最优个体控制种群搜索方向,有效提高了算法开发能力;最后提出进化选择机制,引入差分进化算法变异因子,一定概率下以较差解替换较优解,避免算法陷入局部最优。在数值实验中,选取了15个测试函数进行仿真测试,并与5种表现良好的算法进行了比较,结果表明,该算法在收敛速度及搜索精度方面有明显优势。     

基于隐马尔可夫链的自适应MODE及应用

不同的控制参数设定和生成策略（交叉和变异）都会对多目标差分进化算法的性能产生显著影响。为实现其控制参数和变异策略的实时自适应调整,提出一种基于隐马尔可夫链的自适应多目标差分进化算法。该算法利用隐马尔可夫模型对种群信息进行分析并得到最优序列,通过最优序列与实际状态序列的对比得出变异缩放因子[F]与交叉概率[CR]的最大似然估计值,从而实现控制参数的自适应调整;同时,通过隐马尔可夫模型得到一组策略链来辅助多目标差分进化算法来选择合适的变异策略。通过与其他9种多目标进化算法在16个测试函数上的对比研究,结果表明所提算法的整体性能优于其他比较算法。最后,将该算法用于求解海铁联运能耗优化问题,所得结果能够为决策者提供多种可行方案。     

随机扰动不同种群变异策略的多目标进化算法

为了提高多目标优化问题非支配解集的收敛性和多样性,解决算法后期易陷入局部最优的问题,根据不同差分进化策略特点,添加随机扰动,基于改进切比雪夫机制提出了一种自适应差分进化策略的分解多目标进化算法（MOEA/D-ADE-levy）。首先使用混合水平正交实验产生均匀权重向量并应用于改进切比雪夫机制分解子问题得到均匀分布的初始种群;其次将种群分为优秀个体、中间个体和较差个体,对不同个体采用不同的变异策略,对变异因子F和交叉概率CR采用自适应机制,提高非支配解集的收敛性和多样性;最后对陷入局部最优的解集增加levy随机扰动,增大其全局搜索的能力,跳出局部最优。采用DTLZ测试函数验证算法有效性,将所提算法与NSGA2、NSGA3、MOEA\D、MOEA\D-DE等常用算法进行比较,使用GD和IGD评价指标对算法进行多样性和收敛性分析,实验结果表明,该算法在收敛性和多样性方面得到了改进与提高,能得到更优的Pareto解集。     

基于模拟退火的混合差分进化算法及其在联合补货-配送集成优化中的应用

针对差分进化 (Differential evolution, DE)算法搜索效率较低和容易陷入局部最优的缺点,设计了基于SA的混合差分进化算法(SA-based Hybrid DE, SAHDE),以提高DE算法的全局寻优能力。该算法采用自适应变异算子和交叉算子,并结合模拟退火(Simulated Annealing, SA)算法的Metropolis 准则。首先通过标准测试函数对改进的SAHDE进行性能测试,证明了该算法比DE、自适应混合DE (Adaptive Hybrid DE, AHDE)和遗传算法(Genetic Algorithm, GA)更有效。进而将该算法运用到联合补货-配送集成优化(典型NP-hard)问题的求解中,通过大规模的算例分析,证实SAHDE在解决联合补货-配送优化问题比DE、AHDE和GA更有效。     

基于改进帝王蝶优化算法的特征选择方法

针对帝王蝶优化算法(MBO)全局搜索能力较弱、在迁移过程中容易出现种群多样性减少等问题,文中提出基于柯西变异的差分自适应MBO及其特征选择算法.首先,使用差分进化算法中的变异操作替换MBO的迁移算子,提升全局搜索能力.然后,将自适应调整策略融入MBO的调整算子,改变单一的调整方式.最后,对每次更新的种群进行柯西变异,增加种群多样性.为了验证改进帝王蝶优化算法及其特征选择方法的性能,通过基准函数和UCI数据集两部分实验对其进行测试,结果表明文中算法性能较优.     

基于群体分布的自适应差分进化算法

差分进化算法是一种简单有效的启发式全局优化算法,但是其优化性能受差分进化策略及控制参数取值的影响较大,不合适的策略和参数容易导致算法早熟收敛。因此,针对差分进化算法搜索过程中变异策略和控制参数的选择问题,文中提出了一种基于群体分布的自适应差分进化算法(Population Distribution-based Self-adaptive Differential Evolution,PDSDE)。首先,设计适应因子以衡量当前种群的分布情况,进而实现算法所处进化阶段的自适应判断;然后,根据不同进化阶段的特点,设计阶段特定的变异策略和控制参数,并设计自适应机制以实现算法策略和参数的动态调整,从而平衡算法的全局探测和局部搜索能力,以达到提高算法搜索效率的目的;最后,将所提算法与6种主流改进算法进行比较。15个典型测试函数的数值实验表明,所提算法在平均函数评价次数、求解精度、收敛速度等指标的评价优于文中给出的6种主流改进算法,因此可以证明所提算法的计算代价、优化性能和收敛性能更具优势。     

基于自适应交叉概率因子的差分进化算法及其应用

基本差分进化算法的控制参数在进化过程中是保持不变的,但是交叉概率因子的大小影响种群进化的 多样性以及种群的收敛速度．本文提出一种根据种群平均适应度方差非线性改变交叉概率因子的方法．在种群多样 性降低时增大该因子,使之接受更多变异个体的基因,有利于加强局部搜索和加速收敛速率;多样性增大时减小该 因子,避免该个体基因结构遭到过多的破坏,促使该个体的进化,有利于保持种群的多样性和完成全局搜索．并且 给出了一种新的变异方式,这种变异方式一方面能提高算法的收敛速度,另一方面能在一定程度上保持较高的种群 多样性．最后将其应用到热连轧精轧机组负荷分配优化中,改进后的优化方法在性能上要优于所对比算法．