首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 328 毫秒

1.  多目标强度Pareto混沌差分进化算法  被引次数:1
   章萌  章卫国  孙勇《控制与决策》,2012年第1期
   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.    

2.  一种混沌差分进化和粒子群优化混合算法*  
   阳春华  钱晓山  桂卫华《计算机应用研究》,2011年第28卷第2期
   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。    

3.  利用混沌差分进化算法预测RNA二级结构  被引次数:1
   胡桂武  彭宏《计算机科学》,2007年第34卷第9期
   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。    

4.  一种自适应多目标离散差分进化算法  被引次数:1
   张明明  赵曙光  王旭《计算机工程与应用》,2009年第45卷第26期
   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。    

5.  改进的思维进化算法在阵列天线综合中的应用  被引次数:1
   刘建霞  李楠  谢克明《测试技术学报》,2009年第23卷第4期
   思维进化算法(Mind Evolutionary Algorithm,MEA)采用趋同和异化操作,通过模仿人类思维进化的过程进行寻优,克服了早熟现象,提高了算法的搜索能力.针对基本思维进化算法中产生初始种群的盲目性、补充淘汰临时子群体的单一性以及现有搜索方式易陷入小区域局部收敛的问题,提出了一种多混沌思维进化算法.该算法采用两种不同的混沌序列,提高了种群的多样性,扩大了搜索范围.将多混沌思维进化算法应用于等间距直线阵列天线综合.良好的仿真结果表明了多混沌思维进化算法在阵列天线综合的优越性.    

6.  改进多种群差分进化算法的混沌系统参数估计  
   何廷年  李晓红  蒋芸《计算机工程》,2015年第2期
   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。    

7.  基于多变异个体的多目标差分进化改进算法  
   沈佳杰  江 红  王 肃《计算机工程》,2014年第5期
   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。    

8.  基于混沌粒子群算法的多目标调度优化研究  
   张琪  屈卫清  熊伟清《激光杂志》,2015年第1期
   针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。    

9.  一种用于多目标约束优化的改进进化算法  被引次数:2
   俞国燕  李鹏  何真  孙延明《计算机集成制造系统》,2009年第15卷第6期
   当前求解多目标优化的进化算法主要考虑如何处理相互冲突的多个目标间的优化,很少考虑对约束条件处理的问题.对此,给出了一种基于双群体搜索机制的改进差分进化算法,以求解多目标约束优化问题.采用两个不同种群,分别保存可行个体与不可行个体的双群体约束处理策略,利用基于Pareto的分类排序多目标优化技术,完成对进化个体解的评价.并通过群体混沌初始化、自适应交叉和变异操作来提高基本差分进化算法的性能.对三个经典测试函数的仿真结果表明,文中算法在均匀性、逼近性及收敛速度三方面均优于非支配排序遗传算法,而收敛速度也优于另两种改进进化算法.    

10.  采用多目标改进差分进化算法的环境经济发电调度  
   胡斌  王国平  李国强《陕西电力》,2013年第41卷第1期
   针对差分进化算法在迭代过程中可能出现的早熟收敛问题,在算法中加入早熟判定系数和混沌优化,提出了改进差分进化算法;将改进差分进化算法扩展到多目标规划领域,形成了多目标改进差分进化算法,并应用于多目标环境经济发电调度.根据模糊集方法从帕累托前沿中选择最优折衷解.以6机系统为例进行仿真计算,结果验证了本文所提多目标改进差分进化算法在解决环境经济发电调度中的可行性和有效性.    

11.  基于混沌和差分进化的混合粒子群优化算法  被引次数:1
   刘建平《计算机仿真》,2012年第29卷第2期
   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。    

12.  基于动态多策略差分进化模型的MOEA/D算法*  
   林震《计算机应用研究》,2017年第34卷第9期
   在基于分解技术的多目标进化算法的框架中,引入一种动态多策略差分进化模型。该模型在分析不同差分进化策略的特点基础上,选择了三种差分进化策略,并对每种策略分配一子种群。在进化过程中,依据每种策略对邻域更新的贡献度,动态的调整其子种群的大小。对比分析采用不同差分进化算法的性能,结果表明运用多个策略之间相互协同进化,有利于提高算法性能。将新算法同NSG-II和MOEA/D算法在LZ09系列基准函数上进行性能对比,实验结果显示该算法的收敛性和多样性均优于对比算法。将新应用于I型梁多目标优化设计问题中,获得的Pareto前沿均匀,且解集域较宽广,对比分析表明算法的工程实用性。    

13.  动态种群差分进化算法研究  
   王占奎  郑艳玲  杜家熙《苏州科技学院学报(工程技术版)》,2011年第24卷第3期
   针对标准差分进化算法易早熟的缺点,模拟人类社会民族融合的进化历程,提出了动态种群差分进化算法(DPDE)。算法中将种群分为多个独立的子种群,子种群之间采用相互移民来进行信息交换,设置种群分裂和融合的条件来动态控制子种群个数。通过数值实验用几种典型的测试函数对DPDE的搜索性能进行了测试,实验结果表明,该算法能有效地避免早熟,具有良好的全局收敛性。    

14.  混沌差分进化粒子群协同优化算法  
   匡芳君  张思扬  金忠  徐蔚鸿《微电子学与计算机》,2014年第8期
   为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.    

15.  基于群体信息挖掘的协同差分进化算法及其应用  
   李昕  颜学峰《化工进展》,2009年第28卷第5期
   为了提高差分进化算法的寻优速度和寻优效能,提出了一种基于群体信息挖掘的协同差分进化算法。该算法首先利用协同进化的思想,将种群分解成不同的子种群,每个子种群采用不同的差分策略进行独立的差分和交叉操作,再将各个子种群合并成一个种群,并根据每个个体的适应度值挑选出最优个体;为了提高差分进化算法的局部搜索能力,引入了多元回归分析和模式搜索算法,对于整个种群,利用最小二乘法求得种群的寻优方向信息,并以此来指导种群中的每一个个体进行模式搜索。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量模型参数估计中的实际应用表明:该算法的性能比传统的差分进化算法有较大的提高,取得了较好的效果。    

16.  混沌蜜蜂双种群进化遗传算法  被引次数:1
   卢雪燕  钟建敏《计算机应用与软件》,2009年第26卷第11期
   利用混沌运动的遍历性、随机性和规律性等特点,提出混沌蜜蜂双种群进化遗传算法。该算法在基于蜜蜂双种群进化遗传算法的基础上,利用混沌优化进行改善初始种群质量和利用混沌退化变异算子代替常规算法中的变异算子,避免搜索过程陷入局部极值。实验结果表明,该算法计算速度快、收敛性好,提高了常规遗传算法的收敛速度和优化效果。    

17.  基于改进多目标差分进化算法的诺西肽发酵过程优化  被引次数:1
   牛大鹏  王福利  何大阔  贾明兴《控制理论与应用》,2010年第27卷第4期
   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.    

18.  基于RQGA和非支配排序的多目标混沌量子遗传算法  
   王瑞琪  李珂  张承慧  裴文卉《电机与控制学报》,2012年第16卷第4期
   为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,借鉴实数编码遗传算法和多目标优化理论,构建一种多目标混沌量子遗传算法.在分析量子位概率的混沌特性、量子态干涉特性和量子位实数编码的基础上,采用量子位概率交叉和混沌变异的方式进化种群,以提高寻优能力和收敛速度,利用非支配排序、精英保留和分层聚类等多目标优化策略保持种群多样性的同时,保证进化向Pareto全局最优解集方向进行.通过混合算法性能对比测试验证了多算法集成的有效性,并分析关键参数对算法性能的影响.电力系统多目标无功优化的仿真结果验证了该算法的有效性和可行性.    

19.  工程约束优化的自适应罚函数混合离散差分进化算法  被引次数:1
   车林仙  程志红《机械工程学报》,2011年第47卷第3期
   将离散约束优化问题转化为非负整数约束规划问题,开发求解该问题的离散差分进化算法。该算法采用基于混沌映射的种群初始化、双版本变异和带随机扰动项的取整运算等新策略。针对非线性约束条件,给出惩罚基数的计算方法和连续映射基函数的表达式,在此基础上设计处理非线性约束的自适应惩罚因子。提出一种刻画种群多样性的新测度——种群二次平均基因距离及基于新测度的依概率混沌移民算子。将自适应罚函数法、依概率混沌移民操作与离散差分进化算法有机融合,构造面向工程约束优化的混合离散差分进化算法。对3个离散约束优化实例进行验证,结果表明,混合算法具有良好的鲁棒性且优于离散粒子群算法。应用混合算法求解斜齿圆柱齿轮传动优化设计问题,结果优于遗传算法及其改进算法、离散粒子群算法,目标函数值较遗传算法及其改进算法分别下降41%和10%。    

20.  基于ADEMO/D-ENS算法的表决冗余系统多目标可靠度优化与分配  
   刘志君  高亚奎  章卫国  胡云池《西北工业大学学报》,2014年第6期
   为了解决具有表决冗余结构的系统可靠度多目标优化与分配问题,提出了一种新颖的算法——基于解耦的邻域种群集多目标自适应差分进化算法(ADEMO/D-ENS),该算法将变邻域解耦算法和PM自适应差分进化算法相结合,不仅克服了经典差分进化算法存在的缺陷,同时解决了解耦算法邻域种群选择的问题,并将该算法和NSGA-2算法进行了仿真对比。最后,将ADEMO/D-ENS算法用于某系统可靠度和成本的多目标优化,确定了系统可靠度和成本的Pareto前沿,并给出了决策者感兴趣的组件可靠度和冗余度数据。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号