基于极大熵差分进化混合算法求解非线性方程组*

针对非线性方程组,给出了一种新的算法——极大熵差分进化混合算法。首先把非线性方程组转换为一个不可微优化问题;然后用一个称之为凝聚函数的光滑函数直接代替不可微的极大值函数,从而可把非线性方程组的求解转换为无约束优化问题,利用差分进化算法对其进行求解。计算结果表明,该算法在求解的准确性和有效性均优于其他算法。     

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.     

分形变异因子修正的差分进化算法?

为提高差分进化算法的求解精度,其变异策略应适应目标函数整体变化趋势和随机变化部分。文中提出利用不同的Hurst指数的分形布朗运动改进差分进化算法变异策略,进而构建分形变异因子修正的差分进化算法。针对该算法应用CEC2005进化计算国际会议提出的25个标准测试函数进行测试,至少有10个测试函数的计算结果优于其他差分进化算法,其余测试结果大部分相近,因此文中算法能提高优化问题的求解精度和适应性。     

量子差分进化算法及在函数极值优化中的应用研究

本文提出一种基于量子差分进化算法的识别方法.首先根据样本数据建立非线性回归模型,然后采用差分进化算法优化模型参数.方法简单直观,物理概念清楚.以函数极值优化为例进行仿真,结果表明该方法计算效率有所降低,但寻优能力明显提高,整体优化性能优于原算法.     

解决高维优化问题的差分进化算法

针对高维优化问题难以解决并且优化耗费时间长的问题,提出了一种解决高维优化问题的差分进化算法。将协同进化思想引入到差分进化领域,采用一种由状态观测器和随机分组策略组成的协同进化方案。其中,状态观测器根据搜索状态反馈信息适时地调用随机分组策略重新分组;随机分组策略将高维优化问题分解为若干较低维的子问题,而后分别进化。该方案有效地增强了算法解决高维优化问题的搜索速度和搜索能力。经典型的实例测试,并与其他一流差分进化算法比较,实验结果表明:所提算法能有效地求解不同类型的高维优化问题,在搜索速度方面有明显提升,尤其对可分解的高维优化问题极具竞争力。     

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。     

解决高维优化问题的差分进化算法

针对高维优化问题难以解决并且优化耗费时间长的问题,提出了一种解决高维优化问题的差分进化算法。将协同进化思想引入到差分进化领域,采用一种由状态观测器和随机分组策略组成的协同进化方案。其中,状态观测器根据搜索状态反馈信息适时地调用随机分组策略重新分组;随机分组策略将高维优化问题分解为若干较低维的子问题,而后分别进化。该方案有效地增强了算法解决高维优化问题的搜索速度和搜索能力。经典型的实例测试,并与其他一流差分进化算法比较,实验结果表明:所提算法能有效地求解不同类型的高维优化问题,在搜索速度方面有明显提升,尤其对可分解的高维优化问题极具竞争力。     

云环境下求解大规模优化问题的协同差分进化算法

差分进化是一种求解连续优化问题的高效算法。然而差分进化算法求解大规模优化问题时,随着问题维数的增加,算法的性能下降,且搜索时间呈指数上升。针对此问题,本文提出了一种新的基于Spark的合作协同差分进化算法（SparkDECC）。SparkDECC采用分治策略,首先通过随机分组方法将高维优化问题分解成多个低维子问题,然后利用Spark的弹性分布式数据模型,对每个子问题并行求解,最后利用协同机制得到高维问题的完整解。通过在13个高维测试函数上进行的对比实验和分析,实验结果表明算法加速明显且可扩展性好,验证了SparkDECC的有效性和适用性。     

人工萤火虫与差分进化混合优化算法

人工萤火虫优化算法在寻找函数全局最优值时存在着收敛速度慢、易陷入局部最优、收敛成功率和计算精度低等缺点,为此,文中将人工鱼群算法的觅食行为嵌入到人工萤火虫算法,并与差分进化算法融合,提出一种基于人工萤火虫与差分进化的混合优化算法.最后,通过4个典型测试函数和1个应用实例进行测试,结果表明所提出的混合算法收敛速度快,计算精度高,其整体逼近性能比基本人工萤火虫和差分进化算法更优.     

基于Oracle罚函数的自适应约束差分进化算法

为有效求解约束优化问题,减少算法参数,提出基于Oracle罚函数方法的自适应约束差分进化算法。为满足求解优化问题的常用标准,提出一种改进的Oracle罚函数方法。将改进的Oracle罚函数方法与三种自适应差分进化算法相结合,提出三种自适应约束差分进化算法。对11个典型测试函数的优化结果验证了Oracle罚函数方法与自适应差分进化算法结合的有效性。与参考文献中提出的算法的比较结果表明该方法具有良好的寻优性能,因此基于Oracle罚函数方法的自适应约束差分进化算法是一种有效约束优化方法。     

基于模拟退火的混合差分演化算法研究

介绍了一种求解函数优化问题的新策略--差分演化算法,与其它算法相比,该算法具有稳健性强,收敛速度快的优点;同时,把模拟退火策略融入到差分演化的过程中,提出了一个混合演化算法--基于模拟退火的混合差分演化算法,实验表明混合后的算法比单一的差分演化算法更稳健,收敛速度也略有提高.     

非线性l-1模极小化问题的极大熵差分进化算法

针对一类非线性l-1模极小化问题目标函数非光滑的特点给求解带来的困难,利用差分进化算法并结合极大熵函数法给出了解决此类问题的一种有效算法。利用极大熵函数将l-1模极小化问题转化为一个光滑函数的无约束最优化问题,利用差分进化算法对其进行求解。实验结果表明,该方法是有效的。     

GPU加速的差分进化粒子滤波算法

为了解决实时系统中粒子滤波的计算复杂性问题,本文提出了一种零bank冲突并行规约的差分进化粒子滤波方法。该方法首先分析了并行差分进化粒子滤波算法在GPU中的内存访问模式,根据粒子滤波器的均方根误差与内存访问bank(存储体)冲突度成正比的关系,提出了一种去除bank冲突的有填充寻址的差分进化粒子滤波算法,降低了计算复杂度。将该算法在NVIDIA GTX960 GPU中实现,与串行差分进化粒子滤波算法进行比较。实验表明,随着粒子数增加,计算量以指数增加,采用GPU加速的跟踪算法的执行时间明显减少,有效提高了跟踪精度、降低了计算时间。     

基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

GPU加速的神经网络BP算法*

近年来图形处理器(GPU)快速拓展的可编程性能力加上渲染流水线的高速度及并行性,使得图形处理器通用计算(GPGPU)迅速成为一个研究热点。针对大规模神经网络BP算法效率低下问题,提出了一种GPU加速的神经网络BP算法。将BP网络的前向计算、反向学习转换为GPU纹理的渲染过程,从而利用GPU强大的浮点运算能力和高度并行的计算特性对BP算法进行求解。实验结果表明,在保证求解结果准确度不变的情况下,该方法运行效率有明显的提高。     

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。