一种求解动态优化问题的免疫文化基因算法

针对传统免疫网络动态优化算法局部寻优能力弱、寻优精度低及易早熟收敛的缺点,提出一种求解动态优化问题的免疫文化基因算法。基于文化基因算法基本框架,将人工免疫网络算法作为全局搜索算法,采用禁忌搜索算法作为局部搜索算子;同时引入柯西变异加强算法的全局搜索能力,并有效防止早熟收敛。通过对经典动态优化函数测试集在相同条件下的实验表明,该免疫文化基因算法相较于其他同类算法具有较好的搜索精度和收敛速度。     

定向多尺度变异克隆选择优化算法

提出一种定向多尺度变异克隆选择优化算法.为了实现抗体间信息共享,算法利用定向进化机制引导抗体向着抗体群最优解区域逼近.采用多尺度高斯变异机制,在算法初期利用大尺度振荡变异实现了全局最优解空间的快速定位.随着适应值的提升,小尺度变异会随之减低,使得算法在进化后期通过小尺度变异完成局部精确解的搜索.将算法应用到5个经典函数优化问题,结果表明,该算法不仅具有更快的收敛速度,而且全局解搜索能力和稳定性均有显著提高.     

基于等级变异的克隆选择算法

提出一种克隆选择算法--基于等级变异的克隆选择算法. 为提高进化中变异的有效性, 算法将变异尺度分成若干等级, 低等级变异有利于跳出局部最优解, 实现全局寻优; 高等级变异有利于局部的高精度寻优.此外, 算法在进化过程中记忆父抗体的变异尺度等级等信息, 并制定有效的变异策略运用这些信息以指导后续进化过程. 采用标准函数测试并与其它优化算法进行对比． 实验结果表明,该算法具有收敛速度快、全局搜索能力强、精度高和鲁棒性好的优点．     

一种基于自适应遗传算法的神经网络学习算法

结合遗传算法与梯度下降法优点,提出了一种训练神经网络权值的混合优化算法,同时能够优化网络的结构。首先利用全局搜索能力可靠的遗传算法,采用递阶编码方案和自适应变异概率,同时优化网络的权值和结构,在进化结束时,能够寻到全局最优点附近的点。在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,最终达到网络的训练目标。与单一的遗传算法或者梯度下降法比较而言,混合优化算法的收敛速度明显提高。     

一种基于自适应遗传算法的神经网络学习算法

结合遗传算法与梯度下降法优点,提出了一种训练神经网络权值的混合优化算法,同时能够优化网络的结构.首先利用全局搜索能力可靠的遗传算法,采用递阶编码方案和自适应变异概率,同时优化网络的权值和结构,在进化结束时,能够寻到全局最优点附近的点.在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,最终达到网络的训练目标.与单一的遗传算法或者梯度下降法比较而言,混合优化算法的收敛速度明显提高.     

基于共轭梯度的布谷鸟搜索算法

布谷鸟搜索算法(Cuckoo Search,CS)是基于群体智能的新型随机全局优化算法,具有控制参数少、搜索路径优和全局寻优能力强等优点,但也存在局部搜索能力较弱、收敛速度偏慢和收敛精度不够高等缺点。为了克服CS算法的缺点,提出一种基于共轭梯度的布谷鸟搜索算法(CGCS),使经过Levy飞行机制和淘汰机制进化后的布谷鸟种群沿着相互共轭的方向迅速下降.从而在保持算法的强大全局寻优能力的基础上大幅提高算法的收敛能力。用4个典型测试函数分别对CGCS算法和CS算法进行性能测试,结果表明,CGCS算法比CS算法具有更快的收敛速度、更高的收敛精度和更稳定的优化结果。CGCS算法同时具有很强的全局寻优能力、收敛能力和鲁棒性,特别适合多峰及高维函数的优化。     

贝叶斯博弈多目标进化算法及其收敛性分析

多目标进化算法（MOEAs）主要依靠非支配解排序推动种群搜索Pareto前沿,在种群迭代搜索前期具有较好的全局寻优性能,但进化后期易出现收敛停滞现象,影响算法对于复杂优化问题的全局寻优能力。由此提出了一种基于静态贝叶斯博弈策略的多目标进化算法（SBG-MOEA）,将每个优化目标模拟为一个博弈参与者,以多次迭代中优化目标Pareto优化收敛程度映射为博弈收益,通过损益纳什均衡博弈机制驱动种群的Pareto寻优,理论分析证明了该方法具有全局收敛特性。基准测试函数的优化实验表明,与NSGA-II等经典算法相比,贝叶斯博弈策略有助于增强进化种群全局搜索能力。     

一种基于抗体网络的免疫算法

阐述了免疫系统抗体网络的机理和特点,深入分析了抗体网络与常用的免疫算法和Hopfield神经网络异同.通过不断更新输入模式(抗原)和采用最优保存策略,将基于克隆选择的竞争学习算子、自动生成网络结构、剪枝算子和低频变异用于进化操作,提出一种新的基于抗体网络的免疫算法,用于函数优化问题.实验结果表明新算法可行有效.与常用的免疫算法、Hopfield神经网络优化算法比较,新算法具有较好的全局搜索能力和较快收敛速度.     

加权变异策略动态差分进化算法

针对差分进化算法在解决高维优化问题时易早熟收敛、求解精度低和参数设置麻烦等问题,提出一种加权变异策略动态差分进化算法（WMDDE）。为了动态平衡全局搜索与局部搜索能力,跳出局部最优,将标准差分进化算法的变异策略DE/rand/1和DE/best/1进行加权组合,提出两种新的随机扰动加权变异算子。提出一种动态自适应调整缩放因子和交叉概率因子的策略,避免参数设置的麻烦,提高算法的稳定性。在11个Benchmark函数上的测试结果表明,新算法能有效避免早熟收敛,全局寻优能力强,且在高维时寻优速度、求解精度和稳定性均优于4种DE进化算法。     

种间双系统协作蝙蝠优化算法及其性能仿真

针对单一种群算法较难权衡全局寻优能力和局部搜索能力的问题,提出一种种间双系统协作蝙蝠优化算法。根据蝙蝠个体运动状态将整个种群分为探测系统和开发系统,并通过信息交流进行进化协作。设计和运用动态变化算子实现全局寻优和局部寻优的实时平衡,利用位置更新算子减少开发系统随机性带来的影响,提高局部区域的开发效率,运用伪变异算子保持探测系统的多样性,提高全局搜索的效率。实验结果表明,该算法在快速收敛的同时能够避免陷入局部最优,可解决多局部极值的复杂优化问题。     

一种基于混沌变异的双群进化规划算法

易早熟收敛是传统进化规划算法的致命缺点。该文在分析了导致进化规划算法早熟原因的基础上,提出了一种基于混沌变异的多群进化规划算法。在该算法中,进化在两个并行的子群间同时进行,一个种群使用混沌变异算子对解空间进行充分的探索,另一个种群使用指数衰减的高斯变异算子对局部进行详尽搜索,种群问的信息交换通过种群的个体交流实现。对典型算例的数值仿真表明,该算法能够改善传统的进化规划算法易早熟收敛的弱点,同时具有良好的快速收敛性和参数鲁棒性。     

基于模式搜索法的云模型粒子群算法

针对粒子群算法在多峰寻优中易陷入局部最优、精度低、难以搜寻到较多的极值点等问题,提出一种基于模式搜索法的云模型粒子群算法.首先通过云模型粒子群算法在可行域内进行全局搜索,然后使用模式搜索法对搜索到的较优解进行局部寻优以提高解的精度.仿真测试表明,在保证收敛速度的同时,所提算法的收敛精度和搜索到的极值点数目均得到显著提高.     

An enhanced GA technique for system training and prognostics

The commonly used genetic algorithm (GA)-based methods have some shortcomings in applications such as time-consuming and slow convergence. A novel enhanced genetic algorithm (EGA) technique is developed in this paper to overcome these problems in classical GA methods so as to provide a more efficient technique for system training and optimization. Two approaches are proposed in the EGA technique: Firstly, a novel group-based branch crossover operator is suggested to thoroughly explore local space and speed up convergence. Secondly, an enhanced MPT (Makinen-Periaux-Toivanen) mutation operator is proposed to promote global search capability. The effectiveness of the developed EGA is verified by simulations based on a series of benchmark test problems. The EGA technique is also implemented to train a neural-fuzzy predictor for real-time gear system monitoring. Test results show that the branch crossover operator and enhanced MPT mutation operator can effectively improve the convergence speed and global search capability. The EGA technique outperforms other related GA methods with respect to convergence speed and global search capability.     

一种多群进化规划算法

在分析了导致进化规划算法早熟原因的基础上，提出了一种改进的多群进化规划算法。在该算法中，进化在多个不同的子群闰并行进行，通过使用不同的变异策略，实现种群在解空间具有尽可能分散探索能力的同时，在局部具有尽可能细致的搜索能力。通过子群重组实现子群间的信息交换，基于典型算例的数字仿真证明，该算法具有更好的全局收敛性，更快的收敛速度和更强的鲁棒性。     

自适应多普勒补偿与变异选择的蝙蝠算法

为克服蝙蝠算法在高维优化问题上求解精度低和早熟收敛的缺点,提出一种改进的蝙蝠算法。首先根据蝙蝠相对猎物距离的远近程度,对频率引入自适应多普勒补偿策略,并结合速度偏移机制修正飞行方向,产生靠近最优个体的新位置;其次对最优个体构造自适应变异选择策略,先利用柯西变异产生的较大步长摆脱局部极值的束缚,后利用高斯变异产生的较小步长精细搜寻最优区域;最后通过调整响度和脉冲发射率,平衡算法的全局探索和局部开发能力。从理论上分析了算法的收敛性和运算复杂性,对12个标准函数在不同维度下进行仿真实验,并与近年来其他蝙蝠算法进行比较,结果表明改进的算法在求解高维优化问题上具有较优的收敛速度和精度。     

基于人类社交行为的动态多目标优化

为了提高多目标微粒群优化算法处理多目标优化问题的性能,降低计算复杂度,改善算法的收敛性,提出了一种基于人类社交行为的多目标动态微粒群优化算法。考虑到粒子寻优过程受到环境中精英粒子与平庸粒子的影响,分别对自身产生推力与阻力作用,并引入局部跳出策略,使算法具有很强的全局搜索能力和较好的鲁棒性能。通过典型的多目标优化函数对算法进行了测试验证,结果表明提出的多目标算法具有较快的收敛速度和较强的跳出局部最优能力,性能优越,可供许多领域优化问题求解借鉴。     

采用混合搜索策略的阿奎拉优化算法

针对阿奎拉优化算法（AO）存在的不足,提出一种采用混合搜索策略的阿奎拉优化算法（HAO）。首先,利用动态调整函数平衡算法的全局探索与局部开发;其次,利用混沌自适应权重来增强算法的全局搜索能力、加快算法的收敛速度;最后,设计新的个体变异概率系数,采用改进型差分变异策略,利用适应度值较优个体引领群体中其他个体开展搜索活动,保持了种群的多样性,增强了算法跳出局部最优能力。通过八个基准测试函数和10个CEC2019测试函数,以及一个工程应用问题的数值实验仿真对所提算法进行实验验证。实验结果表明,所提算法的全局收敛速度和优化精度均得到了明显地改善,跳出局部最优的能力得到了增强。     

A new and fast rival genetic algorithm for feature selection

Feature selection is one of the significant steps in classification tasks. It is a pre-processing step to select a small subset of significant features that can contribute the most to the classification process. Presently, many metaheuristic optimization algorithms were successfully applied for feature selection. The genetic algorithm (GA) as a fundamental optimization tool has been widely used in feature selection tasks. However, GA suffers from the hyperparameter setting, high computational complexity, and the randomness of selection operation. Therefore, we propose a new rival genetic algorithm, as well as a fast version of rival genetic algorithm, to enhance the performance of GA in feature selection. The proposed approaches utilize the competition strategy that combines the new selection and crossover schemes, which aim to improve the global search capability. Moreover, a dynamic mutation rate is proposed to enhance the search behaviour of the algorithm in the mutation process. The proposed approaches are validated on 23 benchmark datasets collected from the UCI machine learning repository and Arizona State University. In comparison with other competitors, proposed approach can provide highly competing results and overtake other algorithms in feature selection.

     

融合多策略的改进秃鹰搜索算法

针对秃鹰搜索算法(BES)存在全局搜索性能与局部开发能力不协调、易陷入局部最优等缺陷,提出一种融合多策略的改进秃鹰搜索算法(IBES).采用凸型自适应控制因子使算法在迭代寻优过程中可根据搜索进程动态调整位置更新方程以修正模型,实现自适应寻优,有效平衡算法的全局搜索性能和局部开发能力;引入折射反向学习机制可对问题当前解在其解空间内进行折射反向学习找到与之对应的折射反向解,增加寻到最优解的概率,提升算法求解精度和收敛速度;同时,利用定向重组与诱导突变策略实现种群个体多维信息的重组和突变,提升个体质量和种群多样性,增加算法跳出局部最优的机率,提高搜索精度.以最优值、平均值、标准差和平均收敛代数作为算法性能的评价指标,对10个不同基准测试函数进行数值仿真实验,实验结果验证了所提改进方法的有效性及IBES算法的优越性.此外,经IBES算法优化后的PID神经网络控制器响应速度快、超调量小、调节时间短,进一步验证了算法的实用性.     

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。