一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

多策略协方差矩阵学习差分进化算法

针对差分进化算法（DE）存在的早熟收敛和搜索停滞的问题,提出了多策略协方差矩阵学习的差分进化算法。通过协方差矩阵建立特征坐标系,通过在特征坐标系中执行变异和交叉操作,来充分利用当前种群的分布信息以及各变量之间的关系,保证种群能朝着全局最优解的方向进化;根据历史进化信息来选择变异策略的方式使得个体能选择当前最合适的变异策略,提高找到最优解的概率;交叉概率的自适应也一定程度上平衡算法的全局探索能力和局部探索能力。对算法的收敛性进行了证明,同时将算法在CEC2017测试集上进行了仿真实验,并将实验结果跟其他优秀的差分进化算法进行了对比,对比结果表明了该算法的有效性。     

参数自适应的精英变异差分进化算法

针对经典差分进化算法(DE)的优化性能容易受到变异策略和控制参数影响的问题，提出了一种参数自适应的精英变异差分进化算法(A parameter Adaptive Elite Mutation Eifferential Evolution algorithm, AMEDE).首先，提出一种精英变异策略的方法，其目的是为了方便获取优秀个体信息；其次，引入新的控制参数，使得算法可以在更大的搜索空间进行搜索；最后，利用自适应参数学习方法，为种群中的每个个体赋予不同的控制参数值，并根据种群多样性和精英个体的信息动态更新个体的参数，使算法避免过早的收敛并提高算法的收敛精度.对本文提出的AMEDE算法与其他6种改进差分进化算法(DE,CoDE,JaDE,JDE,SaDE,GPDE)在16个基准测试函数上进行了三组对比实验.实验结果表明，AMEDE算法在高维函数和低维函数上都具有搜索精度高、收敛速度快和鲁棒性强等优点.     

基于交叉变异策略的双种群差分进化算法

为加强差分进化算法的全局搜索能力,提出了一种基于交叉变异策略的双种群差分进化算法（CMDPDE）。CMDPDE中,两个种群分别采用大小不同的缩放因子和交叉因子,在每代进化完毕后,对其中缩放因子和交叉因子较小的种群执行交叉或变异策略来寻找更优的个体,同时两个种群之间每10代进行一次信息交流。这种方式与单种群差分进化算法相比,可以通过双种群和交叉变异策略来增加解的多样性,使算法能在更大的范围内寻优。6个Benchmark函数的实验结果证明CMDPDE具有较好的寻优能力。     

基于状态估计反馈的策略自适应差分进化算法

借鉴闭环控制思想, 提出基于状态估计反馈的策略自适应差分进化(Differential evolution, DE)算法, 通过设计状态评价因子自适应判定种群个体所处于的阶段, 实现变异策略的反馈调节, 达到平衡算法全局探测和局部搜索的目的.首先, 基于抽象凸理论对种群个体建立进化状态估计模型, 提取下界估计信息并结合进化知识设计状态评价因子, 以判定当前种群的进化状态; 其次, 利用状态评价因子的反馈信息, 实现不同进化状态下策略的自适应调整以指导种群进化, 达到提高算法搜索效率的目的.另外, 20个典型测试函数与CEC2013测试集的实验结果表明, 所提算法在计算代价、收敛速度和解的质量方面优于主流改进差分进化算法和非差分进化算法.     

双种群差分进化规划算法

标准差分进化算法（SDE）具有算法简单,控制参数少,易于实现等优点。但在难优化问题中,算法存在收敛速度较慢和容易早熟等缺陷。为克服此缺点,提出一种改进算法--双种群差分进化规划算法（BGDEP）。该算法将种群划分为两个子群独立进化,分别采用DE/rand/1/bin和DE/best/2/bin版本生成变异个体。每隔δt（取5~10）代,将两个子群合并为一个种群,再应用混沌重组算子将之划分为两个子群,以实现子群间的信息交流。在双种群协同差分进化的同时,应用非均匀变异算子对其最优个体执行进化规划操作,使得算法具有较快的收敛速度和较强的全局寻优能力。为测试BGDEP的性能,给出了4个30维benchmark函数优化问题的对比数值实验。结果表明,BGDEP的求解精度、收敛速度、鲁棒性等性能优于SDE、双种群差分进化（BGDE）和非均匀变异进化规划（NUMEP）等4种算法。     

基于新变异策略的动态自适应差分进化算法

针对差分进化算法在复杂优化问题求解时后期收敛速度慢、易陷入局部最优和参数设置繁琐等问题,提出一种基于新变异策略的动态自适应差分进化算法p-ADE.首先,新变异策略中通过利用种群的全局最优解和目标个体的历史最优解引导种群搜索方向,为下一代个体的生成引入更多有效的方向性信息,避免差分向量中个体随机选择导致的搜索盲目性.其次,为加快收敛速度、提高算法稳定性、避免参数设置的繁琐与不精确,提出一种参数动态自适应调整策略,动态平衡算法局部搜索与全局搜索间的关系,有效调节个体在进化过程中的变异程度.在10个Benchmark函数上的实验结果表明,p-ADE相对于多种先进DE优化策略和全局优化算法在收敛精度、速度和鲁棒性上均具有明显优势.     

一种改进的约束优化差分进化算法

提出一种改进的差分进化算法用于求解约束优化问题.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.利用佳点集方法初始化个体以维持种群的多样性.结合差分进化算法两种不同变异策略的特点,对可行个体与不可行个体分别采用DE/best/1变异策略和DE/rand/1策略,以提高算法的全局收敛性能和收敛速率.用几个标准的Benchmark问题进行了测试,实验结果表明该算法是一种求解约束优化问题的有效方法.     

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。     

基于最优高斯随机游走和个体筛选策略的差分进化算法

针对差分进化算法开发能力较差的问题, 提出一种具有快速收敛的新型差分进化算法. 首先, 利用最优高斯随机游走策略提高算法的开发能力; 然后, 采用基于个体优化性能的简化交叉变异策略实现种群的进化操作以加强其局部搜索能力; 最后, 通过个体筛选策略进一步提高算法的探索能力以避免陷入局部最优. 12 个标准测试函 数和两种带约束的工程优化问题的实验结果表明, 所提出的算法在收敛速度、算法可靠性及收敛精度方面均优于EPSDE、SaDE、JADE、BSA、CoBiDE、GSA和ABC等算法, 在加强算法探索能力的同时能够有效地提高算法的开发能力.

     

基于自适应变异算子的差分进化算法

针对差分演化算法易于早熟、收敛速度慢和收敛精度低等问题,提出一种基于自适应变异算子的差分进化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略,首次将加权异维学习策略引入差分演化算法中,有效地提高了种群的多样性;根据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能依据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,加快算法收敛速度、提高其收敛精度。通过在20个典型的测试函数上进行测试,与7种具有代表性的算法相比,结果表明提出的算法在求解精度和收敛速度上具有很大优势,并显示出了非常好的鲁棒性。     

具有Pbest引导机制的适应性多策略差分进化算法

为进一步提升差分进化算法的收敛性能, 提出一种具有Pbest引导机制的适应性多策略差分进化算法(AMSDE)。AMSDE设计交叉概率控制参数库、变异尺度参数库及差分变异策略库, 其中, 交叉概率采用Logistic混沌序列来模拟, 尺度参数采用线性变化机制产生, 差分变异策略库采用6个常用的差分变异策略组成, 并给出算法运行的框架。最后, 基于25个标准测试函数的仿真结果表明, AMSDE的收敛性能优于现存的其它差分进化算法, 具有较好的收敛精度及收敛速度。     

改进的自适应混沌差分进化算法

为了提高差分进化算法的寻优速度、克服启发式算法常见的早熟收敛问题, 提出一种基于帐篷映射(Tent)的自适应混沌嵌入式差分进化算法(CLSDE). 算法采用 Tent 映射生成的混沌序列来取代基本DE算法选择操作中的随机数, 充分利用了混沌运动的随机性、遍历性和规律性. 通过与混沌PSO算法与普通的DE算法比较, 测试函数仿真结果表明, 该算法具有良好的全局搜索能力, 寻优精度较高, 收敛速度快, 鲁棒性好.     

基于反射变异策略的自适应差分进化算法

针对差分进化算法易于陷入早熟收敛和局部搜索较慢的问题,提出了一种类似Nelder-Mead方法中的反射操作的变异策略,称为反射变异策略。不同于其他基本的差分策略,提出的变异策略具有明确的差分方向,具有更快的局部收敛速度。为了避免因差分方向的贪婪性而导致算法早熟的可能性增加,反射变异策略使用4个随机的个体完成一次变异操作。将基于反射变异策略的子代生成策略和自适应参数方法组合形成了基于反射变异策略的自适应差分进化算法（RMADE）。使用12个函数测试了RMADE的性能并与其他算法进行比较,结果表明RMADE具有较快的收敛速度和较好的全局探测能力,进而体现了反射变异策略的价值。     

A novel hybrid multi-objective immune algorithm with adaptive differential evolution

In this paper, we propose a novel hybrid multi-objective immune algorithm with adaptive differential evolution, named ADE-MOIA, in which the introduction of differential evolution (DE) into multi-objective immune algorithm (MOIA) combines their respective advantages and thus enhances the robustness to solve various kinds of MOPs. In ADE-MOIA, in order to effectively cooperate DE with MOIA, we present a novel adaptive DE operator, which includes a suitable parent selection strategy and a novel adaptive parameter control approach. When performing DE operation, two parents are respectively picked from the current evolved and dominated population in order to provide a correct evolutionary direction. Moreover, based on the evolutionary progress and the success rate of offspring, the crossover rate and scaling factor in DE operator are adaptively varied for each individual. The proposed adaptive DE operator is able to improve both of the convergence speed and population diversity, which are validated by the experimental studies. When comparing ADE-MOIA with several nature-inspired heuristic algorithms, such as NSGA-II, SPEA2, AbYSS, MOEA/D-DE, MIMO and D²MOPSO, simulations show that ADE-MOIA performs better on most of 21 well-known benchmark problems.     

求解函数优化的新型差异演化算法*

针对差异演化算法存在早熟收敛和后期求解效率低的缺点,提出一种新型差异演化算法。该算法基于单种群,在演化过程中直接对当前种群进行变异、交叉和选择操作,无须差异演化算法中的中间过渡种群。此外,新型差异演化算法的变异与交叉概率是时变的,其中变异概率随着迭代次数的增加而减小;交叉概率随着迭代次数的增加而增加。对几个典型的测试函数进行仿真实验表明,该算法能够有效避免早熟收敛,改善了差异演化算法的优化性能。     

基于随机邻域变异和趋优反向学习的差分进化算法

传统差分进化（DE）算法在迭代过程中不能充分平衡全局勘探与局部开发,存在易陷入局部最优、求解精度低、收敛速度慢等缺点。为提升算法性能,提出一种基于随机邻域变异和趋优反向学习的差分进化（RNODE）算法并对其进行复杂度分析。首先,为种群中每个个体生成随机邻域,用全局最佳个体引导邻域最佳个体生成复合基向量,结合控制参数自适应更新机制构成随机邻域变异策略,使算法在引导种群向最优方向趋近的同时保持一定的勘探能力;其次,为了进一步帮助算法跳出局部最优,对种群中较差个体执行趋优反向学习操作,扩大搜索区域;最后,将RNODE与九种算法进行对比以验证RNODE的有效性和先进性。在23个Benchmark函数和两个实际工程优化问题上的实验结果表明,RNODE算法收敛精度更高、速度更快、稳定性更优。