构建在联接探索和分解分布上分布估计算法的扩展算法

遗传算法（GA）在解决变量间存在较大相互作用优化问题时缺乏有效性，一种解决问题的途径是分布估计算法（EDA）。分解分布算法是一种近似高阶相互作用的EDA，它用分解Boltzmann分布来产生新的解。运用联接探测及分解分布给出一个以高概率找到最优解的新算法。该算法能解决一些分布估计算法难于处理的问题。实验证明了算法的可行性和有效性。     

解决0-1背包问题的遗传分布估计算法

0-1背包问题是典型的NP难问题,针对0-1背包问题提出分布估计算法（EDA）与遗传算法（GA）相结合的算法（E-GA）。该算法在每一次迭代中由二者共同产生种群,并行搜索,两种方法产生的个体数目动态变化,将EDA的全局搜索与GA的局部搜索能力、EDA的快速收敛性与GA的种群多样性结合,实现优势互补。通过三个背包问题算例进行算法验证,与以往文献相比,结果显示该算法所获最优值优于文献最优值,运行时间短且收敛速度快。     

基于分布估计的离散差分演化算法

差分演化(DE)是解决优化问题的非常有效的新兴智能算法,但它主要用于连续优化领域,至今尚不能象解决连续优化问题那样有效的处理组合优化问题.首先提出了离散DE用于组合优化问题,然后在离散DE中引入分布估计算法(EDA)来提高性能,把EDA抽样得到的全局统计信息和离散DE获得的局部演化信息相结合来产生新解,形成基于EDA的离散DE算法.为了保持种群多样性,在提出的算法中引入了位翻转变异操作.实验结果表明,EDA能大大提高离散DE的性能.     

差分演化算法各种更新策略的对比分析

差分演化算法（differential evolution,DE）是一种模拟生物演化过程的随机搜索方法,具有收敛速度快,鲁棒性好等优点。目前DE有多种交叉和变异策略,它们在求解各类优化问题时表现出各自不同的性能。介绍了10种差分演化算法的更新策略,并利用标准测试函数集对它们进行了全面与系统的实验比较。通过分析采用这些策略的DE算法在不同解空间及进化各阶段的收敛曲线特点,对比总结了不同版本的DE算法在各类环境下的搜索性能。该研究一方面能够为DE算法的实际应用提供技术指导,帮助学者选择合适的DE更新策略以更好地解决工程问题;另一方面能够为新型DE更新策略的开发和自适应DE算法的设计提供理论基础。     

具有自加速与变邻域搜索的差分演化算法

在分析差分演化（DE）进化方式基础上,首先利用自加速性改进差异算子与选择算子,然后结合变邻域搜索改善算法的局部搜索能力,提出了一种具有自加速特性与变邻域搜索能力的差分演化算法(SAVNDE);基于DE的三种进化模式,利用5个Benchmark测试函数进行对比计算,实验结果表明：SAVNDE在保持了DE原有特性基础上,以较快的速度获得更好的结果。     

基于混沌理论的差异演化算法研究

差异演化算法（Differential Evolution，DE）足一种基于群体个体间差异的进化计算方法，可以对高维复杂空间进行有效搜索。利用混沌（Chaos）信号的遍历性与随机性，结合DE算法，提出了一种基于混沌的DE优化算法（CDE）。与DE相比，CDE减少了控制参数。通过典型高维非线性测试函数的验证，测试结果显示该方法在优化速度、搜索效率和避免陷入局部极值点方面，大大提高DE算法的性能，在不同情兜下几乎具有最佳的函数优化性能，从而具有一定的鲁棒性。     

改进DE/EDA算法在求解难约束优化问题中的应用研究*

针对约束优化问题13个Benchmark函数中最难求解的Bump函数,利用简单罚函数算子对DE/EDA算法进行改进,提出了改进DE/EDA算法。仿真实验结果表明,求解Bump函数最优解时,改进DE/EDA算法优于其他文献的算法,且比DE算法收敛速度更快,求解效果更好。     

基于微分进化的混合生物地理学约束优化算法

针对生物地理学优化算法（biogeography based optimization ,BBO）容易陷入局部最优解的缺点,提出一种基于微分进化（differential evolution ,DE）改进BBO算法的混合生物地理学（BBO‐DE）优化算法。通过有机结合BBO算法的利用能力和DE算法的搜索能力,实现利用能力与搜索能力的平衡;引入基于可行性的约束处理机制,解决传统BBO算法无法求解约束优化的问题。通过选定的8个标准测试函数对改进算法进行仿真测试,测试结果验证了改进算法的可行性和有效性,与基本BBO和DE算法相比,其在最终解的质量和收敛速度上具有明显优势。     

分布估计算法求解集装箱装载问题

集装箱装载是一个空间优化分解的布局问题,其约束条件多,属于典型的NP完全问题,求解难度大。在考虑实际应用中的约束条件下,使用三空间分割的布局方法对剩余空间进行分解,并采用空间合并原则将闲置空间与可用空间进行合并达到充分利用,并结合分布估计算法（ EDA）求解多约束装箱问题。分布估计算法采用统计学习的方法建立一个描述解分布的概率模型,再对概率模型进行随机采样产生新的种群,如此反复进行,实现种群的进化,最终获取最优解。实验仿真结果表明该算法应用于实际空间规划设计中具有重要的实际意义。     

基于分布估计算法的二阶段置换流水车间调度算法*

针对以完工时间最小化为目标的置换流水车间调度问题（PFSP）,提出了一种基于分布估计算法的二阶段置换流水车间调度算法。首先,在算法的第一阶段采用分布估计算法对PFSP进行优化得到一个局部最优解;为了进一步提高解的优化质量,在第二阶段提出了一种新的混合邻域搜索机制对第一阶段获得的局优解进行邻域搜索;最后,对Rec类和Tai类基准测试问题进行了测试,实验结果证实了算法的有效性。     

Dynamic energy enabled differentiation (DEED) image watermarking based on human visual system and wavelet tree classification

In this paper, we present a novel dynamic energy enabled differentiation (DEED) watermarking algorithm based on the wavelet tree classification and human visual system (HVS). The wavelet coefficients of the image are divided into disjoint trees and a wavelet tree consists of 21 coefficients which are divided into 6 blocks. One watermark bit is embedded into one wavelet tree using the energy differentiation of positive and negative modulation between coefficients of each block. In addition, the contrast sensitive function (CSF) of human visual system is also considered for better weighting in watermarking since the wavelet coefficients across the subbands perform different characteristics and importance. As DEED still requires extra storage of side information during the extraction and results non-blind watermarking approach, a random direction differentiation approach called DEED_R is then proposed which is a truly blind watermarking technique. This study has performed intensive comparison for the proposed scheme with other tree energy differentiation based techniques like WTQ, ABW-TMD and WTGM under various geometric and nongeometric attacks. From the experimental results, the advantage of DEED based algorithms is not only with low complexity, but also outperforms WTGM and WTQ in terms of robustness and imperceptibility of watermarking.     

融合粒子群和局部邻域搜索的优化算法

为解决采用单一搜索策略的算法很难兼顾全局搜索和局部搜索,且易陷入局部优化的问题,提出一种融合粒子群优化和局部邻域搜索思想的新算法(Ne-PSO).采用混合搜索策略,通过对全局最优粒子信息的交互和反馈,并行进行全局搜索和局部搜素.同时,新算法引入禁忌策略,通过设置禁忌邻域来限制粒子的搜索区域,有效规避了局部优化.通过4个经典函数的测试,验证了该算法在寻优速度、精度和成功率方面的优异性能.     

改进的人工蜂群算法在函数优化问题中的应用

人工蜂群算法是近年来新提出的一种优化算法。针对标准人工蜂群算法的局部搜索能力差,精度低的缺点,提出了一个改进的人工蜂群算法,利用全局最优解和个体极值的信息来改进人工蜂群算法中的搜索模式,并引入异步变化学习因子,保持全局搜索和局部搜索的平衡。将改进的人工蜂群算法在函数优化问题上进行测试,结果表明改进的人工蜂群算法优于原算法。     

基于多样信息素的蚁群算法

根据蚁群算法信息素更新的特性,提出了求解旅行商问题的多样信息素的蚁群算法。把蚁群的三种不同的信息素更新方式混合在一起,既利用了局部信息,又考虑了整体信息,将局部搜索和全局搜索相结合,使收敛性得到提高。针对旅行商问题的仿真实验结果,表明了该混合算法的有效性。     

以蚁群优化为基础的组播路由算法优化

分析组播路由算法和蚁群优化算法,并通过仿真实验评价了以蚁群优化为基础的组播路由算法的优化方法。当路由计算的规模较大时,信息中未搜索到的数量能够减少并趋近0,将路由算法的全局搜索能力降低。蚁群算法中,蚂蚁的数量与算法的全局搜索能力呈正相关,但蚂蚁的数量在增加的过程中会影响其收敛速度。通过蚁群优化组播路由算法,能够在规模的限定下,提高算法的搜索能力。     

基于差异进化的克隆选择算法

针对免疫算法在全局优化过程中多样性不足的问题,将差异进化引入克隆变异操作中,提出了一个新的改进的克隆选择算法——基于差异进化的克隆选择算法(DECSA),算法将差异进化和克隆超变异相结合,促进了抗体与抗体之间的信息融合,使得子代抗体继承父代抗体的信息的同时,携带着不同父代个体信息,丰富了抗体种群的多样性,实现了在同一父代抗体周围的多个方向同时进行全局和局部搜索。对13个标准测试函数的测试结果及与已有的算法的比较表明,该算法表现出较好的局部搜索和全局搜索能力。     

一种新型的动态粒子群优化算法

为了改进标准粒子群优化算法全局搜索性能,提出了一种种群动态变化的多种群粒子群优化算法。当算法搜索停滞时,把种群分裂成2个子种群,通过子种群粒子随机初始化及个体替代机制增强种群多样性,两个子种群并行搜索一定代数后,通过混合子种群来完成不同子种群中粒子的信息交流。收敛性分析表明,本文算法能以概率1收敛到全局最优解。实验结果表明,本文算法具有较好的全局寻优能力和较快的收敛速度。     

基于动态参数的人工搜索群算法

人工搜索群算法(Artificial search swarm algorithm,ASSA)是受人类士兵通过信息交流完成目标搜索行为及过程启发而设计的一种仿生智能算法.针对基本人工搜索群算法中固定参数可能导致算法过早陷入局部最优解的缺陷,提出一种动态参数改进人工搜索群算法(Improved artificial search swarm algorithm,IASSA).通过引入全局权重系数改善侦查行为中搜索群的历史经验位置,从而加强全局最优个体对整个种群的引导作用;利用动态协同参数提高士兵协同行为的搜索概率,以加强种群之间局部信息交流;采用动态步长策略提高算法的收敛速度和收敛精度;为了检验改进算法的优化性能,采用15个测试函数进行仿真实验.实验结果表明,所提出的改进算法可有效避免早熟现象,在收敛速度和收敛精度上较基本人工搜索群算法和若干同类优化算法有显著提高.     

直觉模糊遗传算法在图像信息检索中的应用

针对传统图像元素检索方法工作量大、完整性较差等缺点,本文提出了一种新的图新元素检索方法,该方法基于直觉模糊理论和遗传算法,利用直觉模糊算法提取图像信息序列特征值,再经过遗传算法的选择、交叉和变异操作,获得图像信息序列的组合。实验结果证明：该算法具有隐性并行性和全局寻优能力,可在不降低速度的情况下提高图像检索的精度。     

自适应差分进化算法及对动态环境经济调度问题应用

为了应对动态环境经济调度(DEED)问题的高维性和大规模约束性,提出了一种自适应多目标差分进化算法(ADEA)。设计自适应差分交叉模块,提出改进的current to best/1交叉策略提高种群的多样性,有效地提高传统进化算法的探索与开采能力,提出一种修补策略处理功率平衡约束和爬坡率约束。为了验证该方法的有效性,数值仿真将ADEA应用于10机系统进行测试,并与同类算法展开比较,仿真结果表明ADEA具有较好的收敛能力,获得的Pareto前沿具有较好的均匀性和延展性,通过模糊决策获得的最好折中解能为电力系统调度人员提供较为合理的调度方案。