多目标混沌差分进化算法

将差分进化算法用于多目标优化问题,提出了多目标混沌差分进化算法(CDEMO).该算法利用混沌序列初始化种群,并用混沌备用种群进行替换操作.该操作不仅起到了维持非劣最优解集均匀性的作用,而且增强了算法的搜索功能.对CDEMO的性能进行研究,数值实验结果表明了CDEMO的有效性.

     

多目标强度Pareto 混沌差分进化算法

提出一种多目标强度Pareto混沌差分进化算法(SPCDE).首先利用Tent映射进行种群的混沌初始化,采用一种基于均匀排挤机制的截断排挤操作和混沌替换操作进行种群的环境选择操作;然后基于一种变缩放因子的差分变异策略进行变异操作,通过计算支配关系得到变异个体;最后通过支配关系的计算和环境选择操作进行进化选择操作并得到子代个体.以上操作不仅提高了算法的收敛性能,而且保证了Pareto最优解的均匀分布性.数值实验结果表明了该算法的有效性.     

一种混沌差分进化和粒子群优化混合算法*

为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。     

基于多变异个体的多目标差分进化改进算法

针对多目标差分进化算法在高维函数下收敛速度慢和易早熟的问题,提出一种基于多变异个体的多目标差分进化改进算法。通过在多目标差分进化算法的个体变异及交叉操作中,引入多个变异个体,使得在高维多目标函数情况下,多目标差分进化算法种群可以更好地保持多样性,减少种群陷入局部最优解的可能性,从而提高该算法在高维多目标优化问题环境下,最优值解的搜索速度及全局最优值解的查找能力。实验结果表明,在高维多目标环境下,与标准多目标差分进化算法相比,该算法可以更快速地找到多个目标函数组的非劣最优值解集。     

改进多种群差分进化算法的混沌系统参数估计

针对混沌系统参数估计的多峰寻优问题,提出一种改进的多种群差分进化算法。改进差分进化算法的变异操作,使其前期更适合全局性搜索,利用α核心集对当前种群进行聚类,分别对聚类后的子群选用贪婪的差分变异算子完成深度搜索,比较所选取各子群的最优值,得到全局最优值作为是否结束搜索的判断依据,并将其应用到混沌系统参数估计中。实验结果表明,该算法对于多峰值、大空间的全局性参数估计在收敛速度、精度上优于混合量子进化算法、改进粒子群优化算法以及DE/best/2算法。     

基于反向学习的跨种群差分进化算法

针对差分进化（DE）算法存在的寻优精度低、收敛速度慢等问题,借鉴混沌分散策略、反向学习策略（OBL）以及跨种群并行机制,提出一种基于反向学习的跨种群差分进化算法（OLCPDE）。采用混沌分散策略进行种群初始化,将种群划分为精英种群和普通种群,对两个子种群分别采用标准的差分进化策略和基于反向学习的差分进化策略;同时,为进一步提高算法对单峰函数的求解精度和稳定性,采用了一种跨种群的差分进化策略,运用三种策略对子种群进行操作,达到共同进化的目的。实验独立运行30次,OLCPDE在12个标准的测试函数中,有11个函数都能稳定地收敛到全局最优解,优于对比算法。实验结果表明,OLCPDE收敛精度高,能有效避免陷入局部最优点。     

利用混沌差分进化算法预测RNA二级结构

RNA二级结构预测在生物信息学中具有重要意义。本文针对RNA二级结构预测，提出了一种混沌差分进化算法。算法对种群进行混沌初始化，利用混沌扰动产生新的个体，缩小搜索空间；根据个体的适应值和种群密度自适应地对个体进行混沌更新，改善了种群的多样性。该算法充分利用了差分进化算法速度快以及混沌的遍历性、随机性和规律性等特点，有效克服了早熟现象，提高了算法的全局搜索能力。实验证明了算法的有效性。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于混沌差分进化模糊聚类的多模型建模

针对模糊C-均值聚类算法存在对初始聚类中心敏感和聚类目标函数容易陷入局部最优的问题,提出了1种基于混沌差分进化模糊C-均值聚类的多模型建模方法.该方法采用混沌差分进化算法对模糊C-均值聚类的目标函数进行全局寻优,能有效的解决上述问题.将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该算法的有效性.     

一种自适应多目标离散差分进化算法

提出一种自适应多目标离散差分进化算法。该算法将差分进化引入多目标优化领域,采用一种新的自适应离散差分进化策略增强算法的全局搜索能力,以获得更优的Pareto近似解,并结合Pareto快速分层排序策略和基于聚集密度的按层修剪操作对种群进行更新维护,使解集保持良好的多样性。实例测试和算法比较表明,该算法能有效求解离散域和连续域上不同类型的多目标优化问题,且在收敛性、分布性、稳定性方面均表现较好。     

基于改进多目标差分进化算法的诺西肽发酵过程优化

诺西肽发酵存在着产量较低和生产效率不高的问题, 多目标优化是解决此类问题的有效途径. 将差分进化算法引入多目标优化, 构建了改进的多目标差分进化算法((IDEMO). 根据Pareto优劣等级和拥挤距离对种群进行选择操作, 并引入自适应变异算子和棍沌迁移算子以改善算法性能. 在诺西肽分批发酵动力学模型的基础上建立了多目标优化的模型, 并利用IDEMO对此优化问题进行了求解, 优化结果表明了算法的有效性.     

An improved teaching-learning-based optimization algorithm for numerical and engineering optimization problems

The teaching-learning-based optimization (TLBO) algorithm, one of the recently proposed population-based algorithms, simulates the teaching-learning process in the classroom. This study proposes an improved TLBO (ITLBO), in which a feedback phase, mutation crossover operation of differential evolution (DE) algorithms, and chaotic perturbation mechanism are incorporated to significantly improve the performance of the algorithm. The feedback phase is used to enhance the learning style of the students and to promote the exploration capacity of the TLBO. The mutation crossover operation of DE is introduced to increase population diversity and to prevent premature convergence. The chaotic perturbation mechanism is used to ensure that the algorithm can escape the local optimal. Simulation results based on ten unconstrained benchmark problems and five constrained engineering design problems show that the ITLBO algorithm is better than, or at least comparable to, other state-of-the-art algorithms.     

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO。引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力。8个单峰和多峰基准函数优化求解的测试结果表明,CODEGWO算法可以有效提升寻优精度和收敛速度。     

求解多目标问题的Memetic免疫优化算法

将基于Pareto支配关系的局部下山算子和差分算子引入免疫多目标优化算法之中,提出了一种求解多目标问题的Memetic免疫优化算法(Memetic immune algorithm for multiobjective optimization,简称MIAMO).该算法利用种群中抗体在决策空间上的位置关系设计了两种有效的启发式局部搜索策略,提高了免疫多目标优化算法的求解效率.仿真实验结果表明,MIAMO与其他4种有效的多目标优化算法相比,不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且算法的收敛速度与免疫多目标优化算法相比明显加快.     

Incremental multiple objective genetic algorithms

This paper presents a new genetic algorithm approach to multiobjective optimization problems--incremental multiple objective genetic algorithms (IMOGA). Different from conventional MOGA methods, it takes each objective into consideration incrementally. The whole evolution is divided into as many phases as the number of objectives, and one more objective is considered in each phase. Each phase is composed of two stages. First, an independent population is evolved to optimize one specific objective. Second, the better-performing individuals from the single-objecive population evolved in the above stage and the multiobjective population evolved in the last phase are joined together by the operation of integration. The resulting population then becomes an initial multiobjective population, to which a multiobjective evolution based on the incremented objective set is applied. The experiment results show that, in most problems, the performance of IMOGA is better than that of three other MOGAs, NSGA-II, SPEA, and PAES. IMOGA can find more solutions during the same time span, and the quality of solutions is better.     

基于分解和多策略变异的多目标差分进化算法*

差分进化是一种有效的优化技术,已成功用于多目标优化问题。但也存在Pareto最优集合的收敛慢和多样性差等问题。针对上述不足,本文提出了一种基于分解和多策略变异的多目标差分进化算法(MODE/DMSM)。该算法利用基于分解的方法将多目标优化问题分解为多个单目标优化问题;通过高效的非支配排序方法选择具有良好收敛性和多样性的解来指导差分进化过程;采用了多策略变异方法来平衡进化过程中收敛性和多样性。在ZDT和DTLZ的10个测试函数上的仿真结果表明,本文算法在Parato最优集合的收敛性和多样性优于其他六种代表性多目标优化算法。     

Multiobjective differential evolution in the optimization of topological active models

We performed a combination of differential evolution and a multiobjective approach for the optimization of topological active nets, a deformable model that integrates features of region-based and boundary-based segmentation techniques. As the deformation of the model is determined by the minimization of different energy components, the multiobjective methodology provides a natural solution to the minimization of the different energy components or objectives. This approach also provides a solution to the need of an experimental tuning of the weight of the energy parameters, which is also needed for each kind of image.We used a well established evolutionary multiobjective optimization algorithm, SPEA2, adapted to our application. The incorporation of the differential evolution approach in the SPEA2 algorithm allows a faster search of the Pareto Front, incorporating the main advantages of both algorithms and minimizing the designer decisions. The combined approach permits the correct segmentation of real images in the 2D and 3D domains.     

Multiobjective evolutionary algorithm based on multimethod with dynamic resources allocation

In the last two decades, multiobjective optimization has become main stream and various multiobjective evolutionary algorithms (MOEAs) have been suggested in the field of evolutionary computing (EC) for solving hard combinatorial and continuous multiobjective optimization problems. Most MOEAs employ single evolutionary operators such as crossover, mutation and selection for population evolution. In this paper, we suggest a multiobjective evolutionary algorithm based on multimethods (MMTD) with dynamic resource allocation for coping with continuous multi-objective optimization problems (MOPs). The suggested algorithm employs two well known population based stochastic algorithms namely MOEA/D and NSGA-II as constituent algorithms for population evolution with a dynamic resource allocation scheme. We have examined the performance of the proposed MMTD on two different MOPs test suites: the widely used ZDT problems and the recently formulated test instances for the special session on MOEAs competition of the 2009 IEEE congress on evolutionary computation (CEC’09). Experimental results obtained by the suggested MMTD are more promising than those of some state-of-the-art MOEAs in terms of the inverted generational distance (IGD)-metric on most test problems.     

基于改进混沌优化的多目标遗传算法

针对多目标遗传算法存在的缺陷,提出了基于改进混沌优化的多目标遗传算法．引入基于改Tent映射的自适应变尺度混沌优化方法细化搜索空间和高效寻优,结合非支配排序的群体分级机制和精英保留等多目标优化策略,保持种群多样性的同时保证了进化向Pareto优解集的方向进行．多目标测试函数的数值仿真和电力系统无功优化的算例分析表明了该算法的有效性和可行性．