求解函数优化问题的一种高效混合演化算法

在郭涛算法的基础上设计出了一种求解函数优化问题的高效混合演化算法。新算法的主要特点有两个:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;引入自适应搜索子空间使群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。测试函数表明,该算法正确高效,求解精度极高,指正了文献[3]中的错误,所求函数全局最小值优于文献[3]记录的最好结果。     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间.高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的.数值试验表明新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果.     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。数值试验表明:新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果。     

一种新的求解0-1背包问题的自适应算法

提出了一种新的求解0-1背包问题的自适应算法——改进郭涛算法IGT。新算法实现了真正意义上的子空间搜索过程,引入了变维子空间,加入了变异算子,同时还与贪心算法相结合,并引入启发式修正算子,以保证算法的局部搜索能力和群体多样性。     

一个通用的混合非线性规划问题的演化算法

提出了一种新的求解非线性规划问题的演化算法，它是在郭涛算法的基础上提出的，新算法的主要特点是引入了变维子空间，加入了子空间搜索过程和规范化约束条件以及增加了处理带等式约束的实数规划，整数规划，0－1规划和混合整数规划问题的功能，使之成为一种求解非线性规划（NLP）问题的通用算法，数值实验表明，新算法不仅是一种通用的算法，而且与已有算法的计算结果相比，其解的精确度也最好。     

基于正交差异混合演化算法的制造资源选择

对制造资源的选择问题进行分析,并建立数学模型,提出一种适合求解该问题的正交差异混合演化算法。该算法使用子空间收缩技术和多子竞争策略,使收敛速度得到明显提高。实验结果表明,与其他算法相比,该混合演化算法在解的质量、稳定性和收敛速度方面均具有较好的性能。     

基于郭涛算法的演化神经网络

提出了一种新的演化神经网络算法GTEANN,该算法基于高效的郭涛算法,同时完成在网络结构空间和权值空间的搜索,以实现前馈神经网络的自动化设计。本方法采用的编码方案直观有效,基于该编码表示,神经网络的学习过程是一个复杂的混合整实数非线性规划问题,例如杂交操作包括网络的同构和规整处理。初步实验结果表明该方法收敛,能够达到根据训练样本自动优化设计多层前馈神经网络的目的。     

正交文化算法及其在布局优化问题中的应用

布局优化问题是工程应用中普遍存在的一种组合优化问题,属于NP完备问题。针对布局优化问题,将差异演化算法和郭涛算法融入文化算法的框架,利用正交设计方法初始化种群,提出了一种正交文化算法。通过对一个带约束的和一个较大规模的不带约束的布局优化问题进行性能比较,验证了该算法的可行性和有效性。     

差异演化算法应用问题研究

差异演化算法作为一种较新的演化算法,具有全局搜索能力强、控制参数少、算法简单、容易实现等特点,但在具体应用中仍面临着演化模式如何选择及最佳种群大小如何取值等问题。本文利用典型的五类多变量函数对差异演化算法常用演化模式进行了比较测试研究,给出了演化模式选择建议;在同时考虑种群大小对差异演化算法优化效率及优化结果两方面影响的情况下,利用测试函数对最佳种群大小的取值进行了研究,给出了差异演化算法用于多变量函数优化时种群大小的适用取值范围。     

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。     

改进的混合粒子群算法

从研究分析粒子群算法和郭涛算法的特点出发,提出一种综合两算法优点的混合算法。新算法改变了粒子的更新方式,以子空间搜索和串行搜索相结合的多点并行搜索,扩大了算法的搜索范围,减少了粒子对初值的依赖,增强了算法跳出局部最优的能力;通过后代较优个体变异产生子群,提高了算法局部寻优能力;实验证明,该算法正确高效。     

基于差分演化的自适应参数控制蚁群算法

蚁群算法存在对参数的依赖、早熟和停滞等缺点但具有与其他算法容易结合的特点,据此,将差分演化算法应用到蚁群算法的参数选取中,提出一种改进的蚁群算法。将蚁群算法的参数作为差分演化算法解空间的向量元素,在自适应地寻找蚁群算法最优参数组合的同时求解问题的最优解。改进算法对蚁群算法中的参数进行自适应调整,可避免大量盲目的测试,扩大蚁群算法的搜索空间,提高全局搜索能力。在典型的旅行商问题上进行对比实验,结果验证了改进算法的优化性能高于传统的蚁群算法。     

求解带约束的多峰函数优化问题的新演化算法

求解带约束的多峰函数优化问题在科学研究和工程应用中具有重要的现实意义。本文在对郭涛算法和“两阶段子空间演化算法”改进的基础上,通过采用混沌初始化和混沌变异算子,给出了一种求解带约束条件的多峰函数优化问题的有效的演化算法。通过对具有多峰的复杂函数的测试表明:该算法在求解质量和收敛速度方面都得到了很好的结果,表现出较强的鲁棒性。     

改进的差异演化算法

针对差异演化算法求解复杂优化问题效率不高问题,提出一种改进的差异演化算法。该算法采用单种群机制提高全局搜索能力,利用二次局部变异操作使当前种群中的部分个体在当前最优个体附近寻优,增强局部搜索能力。利用不同类型的标准测试函数对该算法进行测试,并与差异演化算法、动态差异演化算法和粒子群优化算法进行比较。仿真结果表明,改进的差异演化算法显著提高了搜索效率。     

基于差分演化算法的软子空间聚类

软子空间聚类算法的性能主要取决于其目标函数和搜索策略.文中提出了一种基于差分演化算法的软子空间聚类算法DESC.首先,设计了一个结合模糊加权类内相似性和界约束权值矩阵的新目标函数.然后,提出了新的隶属度计算方法.最后,引入了一种有效的全局搜索算法——复合差分演化算法,并运用该算法优化新目标函数和搜索子空间中的聚类.实验表明,新目标函数和复合差分演化算法的引入有效地提高了软子空间聚类算法的性能,新算法较已有软子空间聚类算法有明显优势.     

基于演化搜索信息的量子行为粒子群优化算法

针对量子行为粒子群优化算法可能过早收敛而陷入局部最优的问题,提出了基于演化搜索信息的非重复访问量子行为粒子群优化算法（Non-revisited QPSO,NrQPSO）。该算法将演化搜索信息记录方案和标准QPSO算法结合起来,确保所有更新的粒子位置都是未被重复访问的,并通过变异操作增加粒子的多样性。演化搜索信息记录方案利用二维空间分割树（BSP）将连续搜索空间划分为不同的重叠子区域,并且将子区域作为粒子变异范围,使得相应的变异操作是一种无参数的自适应变异。对比其他传统算法,通过对八个标准测试函数的实验结果表明,NrQPSO算法在处理多峰和单峰测试函数时具有更好的优化性能,收敛精度和收敛速度都得到了提高,证明该算法的有效性。     

基于混沌理论的差异演化算法研究

差异演化算法（Differential Evolution，DE）足一种基于群体个体间差异的进化计算方法，可以对高维复杂空间进行有效搜索。利用混沌（Chaos）信号的遍历性与随机性，结合DE算法，提出了一种基于混沌的DE优化算法（CDE）。与DE相比，CDE减少了控制参数。通过典型高维非线性测试函数的验证，测试结果显示该方法在优化速度、搜索效率和避免陷入局部极值点方面，大大提高DE算法的性能，在不同情兜下几乎具有最佳的函数优化性能，从而具有一定的鲁棒性。     

一种求解背包问题的混合差异演化算法

为增强差异演化算法在求解背包问题时的局部搜索能力,提出拉马克-鲍德温混合差异演化算法。该算法采用双种群协同进化,以差异演化算法为主体,在演化过程中分别引入拉马克进化和鲍德温效应2种局部搜索算子,引导种群进化方向。仿真实验结果表明,该算法求解精度高,收敛速度快,能够高效求解背包问题。     

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。     

基于自适应配对控制的多目标演化算法

为了平衡搜索过程中的开采和勘探,设计一种聚类辅助的基于繁殖效用的自适应配对控制策略,进而提出一种基于自适应配对控制的多目标演化算法(ACEA).利用K-means聚类算法发掘种群分布结构,以配对控制概率限制从同一类邻居或者整个种群中挑选父个体繁殖新解,以加强局部搜索或者勘探.采用的配对控制概率根据不同繁殖机制在过去一定代数的繁殖效用,在每一代中自适应地更新.选取标准测试题以及5种代表性的多目标演化算法测试ACEA的性能,通过结果验证所提出算法的优越性.