具有局部定向繁殖策略的自学习进化算法

提出一种具有局部定向繁殖策略的自学习进化算法(Active Evolutionary Algorithm with Local-directional Reproduction Strategy,LRSEA),它在每一代通过进化个体之间适应度差异找到最优进化方向,然后在此方向附近用局部定向繁殖策略进行局部搜索.针对目前进化算法研究中存在对个体主观能动性考虑不足,没有充分利用进化中“优秀信息”的问题,将主动进化机制引入到该算法中,提出反映个体学习能力的积极学习算子.实验结果表明:该算法收敛速度和局部搜索能力有明显改善.     

一种求解数值优化问题的进化规划算法

针对进化规划算法收敛速度慢、容易早熟收敛等问题,提出一种基于探测变异的进化规划算法。该算法通过降维得到多个探测变异量,对个体进行探测变异,使个体始终向适应度好的方向进化,并利用自适应高斯变异标准差伸缩搜索空间,使个体跳出局部最优解。通过3个经典算例对其性能进行测试,实验结果证明该算法收敛速度快,求解质量高,可以解决早熟收敛等问题。     

自适应二次变异差分进化算法

提出一种基于群体适应度方差自适应二次变异的差分进化算法．该算法在运行过程中根据群体适应度方差的大小，增加一种新的变异算子对最优个体和部分其他个体同时进行变异操作，以提高种群多样性，增强差分进化算法跳出局部最优解的能力．对几种典型Benchmarks函数进行了测试，实验结果表明，该方法能有效避免早熟收敛，显著提高算法的全局搜索能力。     

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.     

柔性多面体在遗传算法中的应用研究(Ⅰ)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexble polyhedron hybrid genetic algorithm,FP_HGA).方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点.并用FP_HGA来求解Rosenbrock测试函数的最小值,FP HGA算法和SGA(Simple Genetic Algorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高.     

柔性多面体在遗传算法中的应用研究(I)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexiblepolyhedronhybridgeneticalgorithm,FP_HGA)。方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点。并用FP_HGA来求解Rosenbrock测试函数的最小值,FP_HGA算法和SGA(SimpleGeneticAlgorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高。     

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。     

自适应梯度指导交叉的进化算法

针对进化算法随机盲目搜索的缺点,提出一种新的自适应梯度信息指导交叉的进化算法.该算法首先利用混沌序列初始化种群,在迭代过程中,根据当前最优个体的梯度信息和种群与个体的聚集程度,自适应地确定最优个体的负梯度方向范围,在该范围内随机选择个体与当前最优个体进行算术交叉操作,使交叉后的个体以较大概率向较好解的方向进化.另外,引入自适应变异算子用于平衡算法的开发和探测能力.几个典型测试函数的实验结果表明,新算法具有较高的收敛精度.     

基于势场引导的两阶段协同进化遗传算法

提出一种基于势场引导的两阶段协同进化遗传算法。第一阶段,各种群以有性繁殖为主进化,各种群进化停滞时,通过聚类形成重点搜索区域,缩小了搜索区域,提高了算法效率;第二阶段,各种群以无性繁殖为主进化,加强局部搜索,实现了基于个体适应度的定向进化,提高了算法收敛速度。同时,为了指导种群进化,实现种群间的协同,将环境势场引入至两阶段协同进化过程中。仿真实验表明,该算法具有精度高、收敛速度快等优点,一定程度上克服了目前进化算法的搜索低效性。     

改进差分进化PID参数优化及在凝絮中的应用

针对标准差分进化（DE）收敛速度慢和操作过程中参数为常数从而导致算法鲁棒性相对较差的缺点,采用以个体适应度值最优的个体为基矢量,沿次优个体方向搜索的变异策略来提高算法的搜索速度;提出根据差分矢量大小和个体收敛情况自适应调整变异参数F和交叉概率CR的自适应参数调整策略来确保搜索初期种群的多样性和后期算法的局部搜索能力。并将基于该改进差分进化算法（MDE）优化后的PID控制器用于水厂加药凝絮过程的控制,仿真结果表明该算法收敛速度快,基于该算法的MDE-PID控制器性能好,是PID控制器参数整定的有效搜索方法,也是实现水厂加药凝絮过程良好控制的有效途径。     

基于邻域差分和协方差信息的单目标进化算法

复杂的单目标优化问题是进化计算领域的一个研究热点问题.已有差分进化和协方差进化被认为是处理该问题的较有效的方法,其中差分信息类似于梯度可以有效的指导算法朝着最优解方向搜索,而协方差则是基于统计的方式来生成较优的子代种群.本文引入了协方差信息对差分算子进行改进,提出了一种基于邻域差分和协方差信息的进化算法（DEA/NC）来处理复杂的单目标优化问题.算法对现有差分算子中通常采用的随机选点或结合当前最优解进行差分的方式进行了分析,当随机选择的差分个体间的差异较大时,差分信息不能作为一种局部的梯度信息来指导算法的搜索;而结合最优解的差分信息又会使得种群朝着当前最优解的方向搜索,导致种群快速的陷入局部最优.基于此,本文采用了邻域差分的方式来提高差分算子的有效性,同时避免种群的多样性丢失.另外,引入了协方差来度量个体变量间的相关度,并利用相关度来优化差分算子.最后,算法对cec2014中的单目标优化问题进行了测试,并将实验结果与已有的较好的差分进化算法进行了比较,实验结果表明了本算法的有效性.     

基于自适应机制的多宇宙并行量子衍生进化算法

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。     

具有约束多目标优化的进化算法

针对带有约束多目标优化问题,提出一种多目标优化进化算法。在选择过程中,采用约束的Pareto支配和聚集距离定义适应值,根据适应值挑选出有代表性的个体。在变异过程中,沿着权重梯度方向搜索来寻找可行的Pareto最优解。最后,采用两个数值算例测草算法的性能,结果表明该算法能获得多目标约束优化问题的可行Pareto最优解并且具有较好的分散性。     

一种改进的动力学演化算法

动力学演化算法(DEA)是一种新颖的基于统计机制理论的演化计算技术.DEA通过驱动所有的个体运动和演化,可以有效地保持种群的多样性,但是在解决一些困难的函数优化问题时,DEA收敛速度慢并且易收敛于局部最优解.提出了一种改进的带有多父体杂交和差分变异算子的动力学演化算法(IDEA),有效地加快了DEA的收敛速度并且可以轻易逃离次优解.通过解决典型的数值函数优化问题来证实算法的有效性,实验结果表明,改进的动力学演化算法具有更高的收敛速度和收敛精度.     

精英遗传K-medoids聚类算法

针对K-medoids算法易陷入局部最优和聚类结果不稳定的问题,提出了一种精英遗传K-medoids聚类算法。该算法使用精英策略来控制遗传操作的整体进化方向;根据种群的平均适应度引入若干随机个体来提高种群多样性,从而在一定程度上减少了遗传算法的早熟现象。为了提高进化效率,该算法设计出一种新的交叉方式;为了保证交叉变异结果的优秀性,该算法引入了一种竞争机制。8个数据集的仿真实验表明,该算法在提高聚类准确率的同时,聚类结果的稳定性也有所提高。     

联合弹性碰撞与梯度追踪的WSNs压缩感知重构

为提高压缩感知(Compressed sensing,CS)大规模稀疏信号重构精度,提出了一种联合弹性碰撞优化与改进梯度追踪的WSNs(Wireless sensor networks)压缩感知重构算法.首先,创新地提出一种全新的智能优化算法|弹性碰撞优化算法(Elastic collision optimization algorithm,ECO),ECO模拟物理碰撞信息交互过程,利用自身历史最优解和种群最优解指导进化方向,并且个体以N(0,1)概率形式散落于种群最优解周围,在有效提升收敛速度的同时扩展了个体搜索空间,理论定性分析表明ECO依概率1收敛于全局最优解,而种群多样性指标分析证明了算法全局寻优能力.其次,针对贪婪重构算法高维稀疏信号重构效率低、稀疏度事先设定的缺陷,在设计重构有效性指数的基础上将ECO应用于压缩感知重构算法中,并引入拟牛顿梯度追踪策略,从而实现对大规模稀疏度未知数据的准确重构.最后,利用多维测试函数和WSNs数据采集环境进行仿真,仿真结果表明,ECO在收敛精度和成功率上具有一定优势,而且相比于其他重构算法,高维稀疏信号重构结果明显改善.     

Evolutionary algorithms for optimization problems with uncertainties and hybrid indices

Many optimization problems in real-world applications contain both explicit (quantitative) and implicit (qualitative) indices that usually contain uncertain information. How to effectively incorporate uncertain information in evolutionary algorithms is one of the most important topics in information science. In this paper, we study optimization problems with both interval parameters in explicit indices and interval uncertainties in implicit indices. To incorporate uncertainty in evolutionary algorithms, we construct a mathematical uncertain model of the optimization problem considering the uncertainties of interval objectives; and then we transform the model into a precise one by employing the method of interval analysis; finally, we develop an effective and novel evolutionary optimization algorithm to solve the converted problem by combining traditional genetic algorithms and interactive genetic algorithms. The proposed algorithm consists of clustering of a large population according to the distribution of the individuals and estimation of the implicit indices of an individual based on the similarity among individuals. In our experiments, we apply the proposed algorithm to an interior layout problem, a typical optimization problem with both interval parameters in the explicit index and interval uncertainty in the implicit index. Our experimental results confirm the feasibility and efficiency of the proposed algorithm.     

图象分割阈值平面的进化优化方法

提出了一种基于进化计算的图象分割方法。它首先检测图象的边界,将已经检测得到的边界作为图象分割阈值平面的插值限制条件,将图象分割转化为对这种分割阈值平面的插值优化问题。采用浮点数编码的进化规划方法进行优化计算,进化规划的适应度函数由插值平滑性,分割区域的结构有效性和图象边界点阈值不变性3个限制条件决定,在进化规划收敛时得到图象分割阈值平面。对不同图象的分割实验显示了这种方法的有效性、合理性和较强的抗噪声干扰能力。     

多个粒子参与交叉的一种动态演化算法

运用动态演化算法来求解约束优化问题,能够得到好的解。但由于采用常规的两个粒子参与交叉的交叉算子,使整个算法耗费的时间过多,导致算法的效率不高。文章用多个粒子参与的交叉算子,并以偏序逻辑对群体排序,使得该算法的收敛速度提高。最后通过数值实验表明这种方法的有效性。     

Alopex-based evolutionary algorithm and its application to reaction kinetic parameter estimation

In this paper, a novel Alopex-based evolutionary algorithm (AEA) is proposed, whose distinguished features are stochastic selection and self-adaptive evolutionary computation. The AEA not only inherits the primary characteristics of basic evolutionary algorithms (EAs), but also possesses the merits of gradient methods and simulated annealing algorithm. It can efficiently maintain the population diversity and improve the capabilities of escaping from local optima. The numerical simulation results of 22 benchmark functions demonstrate that the performance of the proposed AEA is superior to that of the basic EAs. Finally, the new algorithm is applied to estimate the kinetic parameters of 2-chlorophenol oxidation of supercritical water. The promising results illustrate the efficiency of the proposed method and show that it could be used as a reliable tool for engineering applications.