聚类问题的自适应杂交差分演化模拟退火算法

针对K-均值聚类算法对初始值敏感和易陷入局部最优的缺点,提出了一个基于自适应杂交差分演化模拟退火的K-均值聚类算法。该算法以差分演化算法为基础,通过模拟退火算法的更新策略来增强全局搜索能力,并运用自适应技术来选择学习策略、确定算法的关键参数。实验结果表明,该算法能较好地克服传统K-均值聚类算法的缺点,具有较好的全局收敛能力,且算法稳定性强、收敛速度快,将新算法与传统的K-均值聚类算法以及最近提出的几个同类聚类算法进行了比较。     

一种自适应差分演化算法

差分演化算法是一类基于种群的启发式全局搜索技术,对于实值参数的优化具有很强的鲁棒性。为了提高差分演化算法的寻优速度、克服启发式算法常见的早熟收敛问题,提出了一种自适应的方法来调整控制参数。实验表明,算法的收敛速度和寻优能力得到很大的提高。     

折衷的差分演化算法在有约束优化中的应用

设计了一种求解有约束优化问题的新方案,该方案以一种折衷的差分演化算法为基础,应用两个简单的基于可行解的规则引导算法向可行域搜索,应用周期模式处理边界约束。并用该方案优化了一个标准测试集上的全部函数,试验结果表明,与同类方法相比而言,该方案在收敛速度和稳定性两方面表现出较强的竞争力。     

改进差异演化算法求解约束优化问题

在现实生活中许多实际问题都可以转化为约束优化问题,并且实际问题通常都很复杂,其函数形态各具特色,传统基于梯度信息的各种求解策略对于具有不可微、多峰及非凸的非线性函数约束优化问题很难凑效。而最近兴起的智能类算法却对这类问题的求解效果突出,在借鉴国外的差异演化算法研究成果基础上,运用改进差异演化算法来求解约束优化问题。最后通过实例进行仿真实验,结果表明改进差异演化算法在求解约束优化问题时具有一定的优越性。     

求解约束优化问题的改进自适应mu约束处理技术

针对当前的约束处理技术存在易陷入局部最优解、难以满足等式约束和多控制参数的问题,在mu约束处理技术的基础上,以梯度下降法和多目标拥挤距离为理论依据,设计反映种群约束违反度分布信息的omega参数,它可以自适应地调节约束违反度阈值mu的松弛进而有效地解决约束问题.此外,改进了mu阈值比较准则以提高种群的多样性.经对CEC2017的标准约束优化问题(Constraint optimization problems,COP)进行求解,并与其他先进算法相比较,结果表明,改进的mu约束处理技术能够高效地处理含等式约束的COP.     

求解约束优化问题的自适应演化算法

提出一种基于高斯柯西变异算子的多父体杂交自适应演化算法,并用于求解约束函数优化问题。算法的特点：在随机搜索过程中引入三种新的多父体杂交算子加速收敛;基于高斯柯西变异算子提出一种新的产生新个体的方法;提出一种根据演化的进度能自动调整搜索范围的自适应机制。分析与实验表明,与其他算法相比,算法更具有通用性、高效性、鲁棒性,算法收敛速度和算法稳定性有明显改进。     

求解VSPSTW问题的混合差分演化算法

在描述带软时间窗车辆调度问题数学模型基础上,提出将模拟退火算法与差分演化算法相结合的混合优化算法求解该问题。该算法利用了模拟退火算法具有的较强局部搜索能力和差分演化算法的强全局搜索能力,克服了差分演化算法的“早期收敛”问题。实验结果表明,该算法比单一的差分演化算法计算效率高,收敛速度快,计算结果也比较稳定,是解决车辆调度问题的有效方法。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

自适应约束评估的代理模型辅助演化算法

很多现实优化问题不仅有昂贵目标也有昂贵约束,而现有求解昂贵优化问题的代理模型辅助演化算法（SAEAs）通常对候选解的所有约束进行评估,在评估次数有限的情况下,频繁评估可行域较大的约束不利于种群演化。针对这一问题,研究了求解昂贵约束优化问题的代理模型辅助算法,提出了一种自适应约束评估策略,根据种群演化情况评估可行域信息较少的约束,以节省在可行域较大的约束上的评估次数,在少量昂贵评估次数下自适应进行约束的选择及评估,更好地演化种群;为验证该策略的有效性和通用性,从两个思路设计了两种自适应约束评估的高斯过程回归模型辅助差分进化算法。这两种方法在15个约束优化测试函数中的11个取得显著优异效果;在利用时间延迟模拟昂贵评估次数的情况下,效率提升均在94%以上,其中91.67%的测试例子效率提升在98%以上。另外,这两种方法在4个工业应用问题中均取得优胜效果,表明其在昂贵工业约束优化问题中良好的应用前景。     

多变异策略的自适应差分演化算法

差分演化(Differential Evolution,DE)算法的性能依赖于变异策略的选择和控制参数的设置.不同问题对DE的变异策略和参数的设置各不相同.为了提高DE的性能,提出一种多变异策略的自适应差分演化算法,建立由多种变异策略组成的策略池,两个主要参数自适应策略控制.为了验证所提算法的性能,在测试数据集CEC2013上进行了实验,并将其与使用6种不同变异策略的原始DE和4种改进DE进行比较.实验结果表明,提出的算法是一种有效的DE变种,其性能优于其它DE.     

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.     

基于模拟退火的混合差分演化算法研究

介绍了一种求解函数优化问题的新策略--差分演化算法,与其它算法相比,该算法具有稳健性强,收敛速度快的优点;同时,把模拟退火策略融入到差分演化的过程中,提出了一个混合演化算法--基于模拟退火的混合差分演化算法,实验表明混合后的算法比单一的差分演化算法更稳健,收敛速度也略有提高.     

基于小生境的混合差分演化模拟退火算法

提出了一种新的演化算法——基于小生境的混合差分演化-模拟退火算法(NDESA算法),分析了构造NDESA算法的合理性。并且结合典型多峰值测试函数——Shubert函数的求解试验,说明NDESA算法能够高效地、快速地找到具有多个全局最优值点的多峰函数的所有全局最优值点,且参数的选择不必很严格,是一种较好地求解多峰值函数的所有最优值点的方法。还通过实验说明了结合小生境,差分演化和模拟退火算法这三种策略的必要性。     

非线性约束优化问题的自适应差分进化算法

提出了一种非线性约束优化问题改进的自适应差分进化算法。该算法对差分进化算法中固定的加权因子和交叉概率因子进行改进;定义了约束违反度函数,将约束优化问题转化为无约束双目标优化问题,在每次迭代中按照约束违反度的大小保留一部分性能较优不可行粒子,有效地维持了种群的多样性;为了扩大粒子的搜索范围引入变异算子。数值实验表明,新算法具有较快的收敛速度和较好的全局寻优能力。     

函数优化问题的一种异步并行模拟退火算法

针对工程中的多极值点复杂函数的优化问题,提出一种完全异步的粗粒度并行模拟退火算法.在一定时间内将一条Markov链分裂成多条Markov链,并结合其他多种改进方法,获得了可扩展的并行效果,提高了算法应用的灵活性.数值计算表明,该方法可显著提高算法的收敛速度.     

基于代理模型的差分进化约束优化

针对耗时计算目标函数的约束优化问题,提出用代理模型来代替耗时计算目标函数的方法,并结合目标函数的信息对约束个体进行选择,从而提出基于代理模型的差分进化约束优化算法。首先,采用拉丁超立方采样方法建立初始种群,用耗时计算目标函数对初始种群进行评估,并以此为样本数据建立目标函数的神经网络代理模型。然后,用差分进化方法为种群中的每一个亲本产生后代,并对后代使用代理模型进行评估,采用可行性规则来比较后代与其亲本并更新种群,根据替换机制将种群中较劣的个体替换为备用存档中较优的个体。最后,当达到最大适应度评估次数时算法停止,给出最优解。该算法与对比算法在10个测试函数上运行的结果表明,该算法得出的结果更精确。将该算法应用于工字梁优化问题的结果表明,相较于优化前的算法,该算法的适应度评估次数减少了80%;相对于FROFI（Feasibility Rule with the incorporation of Objective Function Information）算法,该算法的适应度评估次数减少了36%。运用所提算法进行优化可以有效减少调用耗时计算目标函数的次数,提升优化效率,节约计算成本。     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。