基于随机扩散搜索的协同差分进化算法

针对差分进化算法存在的收敛速度慢、稳健性差等问题,借鉴多种群并行机制和随机搜索策略,提出一种基于随机扩散搜索的协同差分进化算法。引入反向混沌搜索的初始化机制,利用随机扩散搜索策略将种群分为成功和失败2个子群并进行改进,对改进的成功和失败子群分别采用不同的差分策略,克服单一差分策略的缺陷,同时定期使子群的部分最好与最差个体实现一对一的信息交流,从而达到协同进化的目的。仿真结果证明,与粒子群优化算法及差分进化算法相比,该算法具有较好的收敛速度和寻优能力。     

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。     

迁徙差分进化算法及其在RNA二级结构预测中的应用

对优化问题和游牧民族迁徙行为的比较研究表明,两者存在相似之处。模拟游牧民族迁徙机制提出了一种迁徙策略,并且与差分进化算法相结合,提高了算法摆脱局部极值的能力;通过集成技术,充分发挥各种差分进化算法的优点,实现协同进化,提高了算法的全局搜索能力。最后应用于预测RNA二级结构,实验表明,该算法是有效的。     

迁徙差分进化算法及其在RNA二级结构预测中的应用

对优化问题和游牧民族迁徙行为的比较研究表明,两者存在相似之处。模拟游牧民族迁徙机制提出了一种迁徙策略,并且与差分进化算法相结合,提高了算法摆脱局部极值的能力;通过集成技术,充分发挥各种差分进化算法的优点,实现协同进化,提高了算法的全局搜索能力。最后应用于预测RNA二级结构,实验表明,该算法是有效的。     

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。     

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.     

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。     

混合模式搜索的分布式memetic差分进化算法

针对差分进化（DE）算法存在的早熟收敛与搜索停滞的问题,提出memetic分布式差分进化（DDE）算法。将memetic算法的思想融入到差分进化算法中,采用分布式的种群结构以及memetic算法中的混合策略,前者将初始种群分为多个子种群,子种群间根据冯·诺依曼拓扑结构周期性地实现信息交流,后者将差分进化算法作为进化的主要框架,模式搜索作为辅助手段,从而平衡算法的探索与开发能力。所提算法充分利用了模式搜索和差分进化算法的优势,建立了有效的搜索机制,增强了算法摆脱局部最优的能力,能够满足搜索过程对种群多样性及收敛速度的需求。将所提算法与几种先进的差分进化算法相比较,对标准测试函数进行优化的实验结果显示：所提算法在解的质量和收敛性能方面,均优于其他几种相比较的先进的差分进化算法。     

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。     

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.

     

基于混沌搜索的微分进化算法

针对基本微分进化算法在后期收敛速度慢,搜索能力差等问题,利用混沌搜索的随机性、遍历性以及对初值的敏感性等特性,提出了一种混合混沌搜索的微分进化算法——混沌微分进化算法。该算法既保持了基本微分进化算法结构简单的特点,又能提高算法的收敛速度、计算精度以及全局寻优能力。数值仿真结果表明,该算法的性能优于基本微分进化算法。     

基于免疫粒子群集成的RNA二级结构预测算法

RNA二级结构预测在计算生物学中具有重要意义,针对RNA二级结构预测,提出了一种新的免疫粒子群集成算法,根据个体的浓度和适应值概率,利用免疫机制,在粒子群优化算法中设计了免疫替换算子,有效防止了粒子群优化算法易陷入局部最优的缺陷;通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后用免疫粒子群集成算法去预测RNA二级结构,实验证明了算法的有效性。     

Optimisation of algorithm control parameters in cultural differential evolution applied to molecular crystallography

Evolutionary search and optimisation algorithms have been used successfully in many areas of materials science and chemistry. In recent years, these techniques have been applied to, and revolutionised the study of crystal structures from powder diffraction data. In this paper we present the application of a hybrid global optimisation technique, cultural differential evolution (CDE), to crystal structure determination from powder diffraction data. The combination of the principles of social evolution and biological evolution, through the pruning of the parameter search space shows significant improvement in the efficiency of the calculations over traditional dictates of biological evolution alone. Results are presented in which a range of algorithm control parameters, i.e., population size, mutation and recombination rates, extent of culture-based pruning are used to assess the performance of this hybrid technique. The effects of these control parameters on the speed and efficiency of the optimisation calculations are discussed, and the potential advantages of the CDE approach demonstrated through an average 40% improvement in terms of speed of convergence of the calculations presented, and a maximum gain of 68% with larger population size.     

基于混沌序列的自适应进化规划算法*

针对进化规划在进化搜索过程中存在较多非法个体这一问题,提出一种新的自适应进化规划算法。该算法根据混沌序列的特性,将混沌序列引入到进化规划的变异算子中。理论分析和实验表明,与基于Guassian变异的进化规划相比,该算法不仅具有良好的快速收敛性和鲁棒性,而且能够有效地消除非法解,计算简单、容易实现。     

基于混沌序列的自适应进化规划算法

针对进化规划在进化搜索过程中存在较多非法个体这一问题,提出一种新的自适应进化规划算法.该算法根据混沌序列的特性,将混沌序列引入到进化规划的变异算子中.理论分析和实验表明,与基于Guassian变异的进化规划相比,该算法不仅具有良好的快速收敛性和鲁棒性,而且能够有效地消除非法解,计算简单、容易实现.     

一种新的混沌差分进化算法

提出一种新的混沌差分进化(CDE)算法,在每一代中通过差分进化(DE)算法找到最佳个体,在最佳个体附近用混沌方法进行局部搜索,通过引入调节因子加强其搜索能力。6个基本测试函数的优化结果表明,当误差函数精度为10-14时,与DE相比,CDE的寻优能力更强、收敛速度较快。     

基于茎区组合的RNA二级结构预测算法

RNA二级结构预测是生物信息学的研究热点和难点,特别是对于含假结的RNA二级结构的预测,已经被证明是NP问题。根据RNA折叠的特点,提出了一种基于茎区组合的智能优化算法来预测RNA 的二级结构。该算法以RNA的茎区为基本单元,结合图论思想,通过二元关系的基本理论,依据自由能最小原则获取茎区的最优组合。该算法的时间复杂度为O(n3),空间复杂度为O(n2),而且可以发现假结。实验结果证明了算法的有效性。     

基于极大极小距离密度的多目标微分进化算法

微分进化(differential evolution)是一种新的简单而有效的直接全局优化算法,并在许多领域得到了成功应用.提出了基于极大极小距离密度的多目标微分进化算法.新算法定义了极大极小距离密度,给出了基于极大极小距离密度的Pareto候选解集的维护方法,保证了非劣解集的多样性.并根据个体间的Pareto.支配关系和极大极小距离密度改进了微分进化的选择操作,保证了算法的收敛性,实现了利用微分进化算法求解多目标优化问题.通过对5个ZDT测试函数、两个高维测试函数的实验及与其他多目标进化算法的对比和分析,验证了新算法的可行性和有效性.