基于极值优化的混合差分进化算法

针对标准差分进化算法在求解复杂优化问题时易陷入局部最优的问题,提出了一种基于极值动力学机制的混合差分进化算法。该算法的核心在于,当种群聚集度较高时, 利用极值优化算法强大的波动性,通过引入基于种群的极值优化算法来提高种群多样性,从而协助差分进化算法跳出局部最优。仿真实验表明,该混合算法具有较好的全局收敛性,能有效避免早熟收敛。     

自适应扩散混合变异机制微粒群算法

为了避免微粒群算法(particle swarm optimization,简称PSO)在全局优化中陷入局部极值,分析了标准PSO算法早熟收敛的原因,提出了自适应扩散混合变异机制微粒群算法(InformPSO).结合生物群体信息扩散的习性,设计了一个考虑微粒分布和迭代次数的函数,自适应调整微粒的"社会认知"能力,提高种群的多样性;模拟了基因自组织和混沌进化规律,引入克隆选择使群体最佳微粒gBest实现遗传微变、局部增值,具有变异确定性;利用Logistic序列指导gBest随机漂移,进一步增强逃离局部极值能力.基于种群的随机状态转移过程,证明了新算法具有全局收敛性.与其他几种PSO变种相比,复杂基准函数仿真优化结果表明,新算法收敛速度快,求解精度高,稳定性好,能够有效抑制早熟收敛.     

基于滑动平均极值的粒子群优化算法

针对标准粒子群优化算法(SPSO)易陷入局部最优,进化后期收敛速度慢的缺点,提出一种基于滑动平均极值的粒子群优化算法(MWAPSO).改进了标准粒子群算法中的速度更新方程,使得粒子在进化过程中追随个体极值、全局极值和滑动平均极值.将该算法应用于4个典型的测试函数,实验结果表明,与标准粒子群算法相比,该算法在运行初期具有更强的探索能力,能够有效地避免粒子群体陷入早熟收敛.有更好的收敛性和更快的收敛速度.     

基于交叉因子和模拟退火的群搜索优化算法

针对目前标准群搜索优化(GSO)算法存在的一些缺点,提出一种基于交叉因子和模拟退火群搜索优化(CMG-SO)算法,通过与模拟退火算法的结合来改善算法的收敛性能,并借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体成员优良特性,减小了算法陷入局部极值的可能.经过4个常用测试函数测试及与粒子群优化(PSO)算法、群搜索优化(GSO)算法对比,表明了该算法有较好的全局搜索能力和收敛速度,提高了优化性能.     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

混合拓扑结构的粒子群算法及其在测试数据生成中的应用研究

粒子群算法(PSO)的拓扑结构是影响算法性能的关键因素,为了从根源上避免粒子群算法易陷入局部极值及早熟收敛等问题,提出一种混合拓扑结构的粒子群优化算法(MPSO)并将其应用于软件结构测试数据的自动生成中。通过不同邻域拓扑结构对算法性能影响的分析,采用一种全局寻优和局部寻优相结合的混合粒子群优化算法。通过观察粒子群的多样性反馈信息,对每一代种群粒子以进化时选择全局拓扑结构模型(GPSO)或局部拓扑结构模型(LPSO)的方法进行。实验结果表明,MPSO使得种群的多样性得到保证,避免了粒子群陷入局部极值,提高了算法的收敛速度。     

具有学习行为的协同量子粒子群算法

提出了一种具有学习行为的协同量子粒子群算法(LCQPSO).针对量子粒子群(QPSO)存在的早熟收敛问题,从两方面对其进行改进:引入多子群协同搜索策略提高种群的全局搜索能力,使其在进化后期依然保持多样性;赋予粒子学习行为,提高种群的局部搜索能力.实验中对LCQPSO算法的子群规模与学习概率参数进行了分析,并利用标准测试函数对LCQPSO与PSO、QPSO等算法进行了比较测试,结果表明LCQPSO算法具有更优秀的收敛速度与精度,且能够有效地避免陷入局部极值.     

融合量子克隆进化与二维Tsallis熵的医学图像分割算法

针对进化算法用于图像分割时收敛速度慢、易早熟的缺点,提出一种改进的量子克隆进化算法.首先利用量子空间的多样性丰富种群信息,在量子变异中根据适应度的不同对个体施以不同的混沌扰动,以克服量子门旋转方向单一、大小固定的缺陷,避免种群陷入局部早熟;然后利用克隆算子将最优个体信息扩充至下一代,以提高其局部寻优能力,加快收敛速度;最后将此算法用于寻找二维Tsallis熵的最佳阈值,实现了对图像的分割.实验结果表明,该算法有效地解决了进化算法收敛速度慢和容易陷入局部极值的问题,而且在分割速度和精度上得到了较大提高,分割效果良好,可以满足医学图像三维重建要求.     

小生境分布估计量子遗传算法及其仿真分析

针对现有量子遗传算法进化机制存在的收敛速度慢以及易陷入局部极值的问题,为提高量子进化算法的全局收敛性能,结合小生境技术中的共享适应度函数方法,提出了小生境分布估计量子遗传算法NEDQGA,在种群内部利用多粒度机制和边缘积模块(MPM)进行量子染色体的两步旋转;并提出利用MPM进行交叉的方法,从而增强了种群多样性,避免了优良模式的损失,加快了算法的收敛;对算法的收敛性进行了分析,提出了MPM更新量子染色体的熵收敛准则。经函数仿真分析,算法收敛效果明显提高。     

基于遗传交叉因子的改进蜂群优化算法*

针对标准蜂群算法在求解函数优化问题时易陷入局部极优点的缺陷,提出了一种基于遗传交叉因子的改进蜂群优化算法。该算法借鉴遗传算法中的选择交叉操作增加食物源多样性,通过引入交叉因子增强群体食物源的优良特性,减小陷入局部极值的可能。对几个典型的测试函数进行仿真表明,该算法较标准蜂群算法提高了全局搜索能力和收敛速度,改善了优化性能。     

Diversity Guided Evolutionary Programming: A novel approach for continuous optimization

Avoiding premature convergence to local optima and rapid convergence towards global optima has been the major concern with evolutionary systems research. In order to avoid premature convergence, sufficient amount of genetic diversity within the evolving population is considered necessary. Several studies have focused to devise techniques to control and preserve population diversity throughout the evolution. Since mutation is the major operator in many evolutionary systems, such as evolutionary programming and evolutionary strategies, a significant amount of research has also been done for the elegant control and adaptation of the mutation step size that is proper for traversing across the locally optimum points and reach for the global optima. This paper introduces Diversity Guided Evolutionary Programming, a novel approach to combine the best of both these research directions. This scheme incorporates diversity guided mutation, an innovative mutation scheme that guides the mutation step size using the population diversity information. It also takes some extra diversity preservative measures to maintain adequate amount of population diversity in order to assist the proposed mutation scheme. An extensive simulation has been done on a wide range of benchmark numeric optimization problems and the results have been compared with a number of recent evolutionary systems. Experimental results show that the performance of the proposed system is often better than most other algorithms in comparison on most of the problems.     

基于双指数分布的粒子群算法

针对标准粒子群算法容易陷入局部最优、收敛精度低的缺点,提出了一种改进的粒子群算法。它用双指数分布改进了速度方程度,并用其动态地调整粒子的最大速度,扩大了群体的多样性,增强了粒子跳出局部最优解的能力,保证了整个寻优过程的持续收敛。通过比较和分析5个典型测试函数的实验结果,改进的粒子群算法提高了迭代后期的收敛速度,有效地避免PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

A radial space division based evolutionary algorithm for many-objective optimization

In evolutionary many-objective optimization, diversity maintenance plays an important role in pushing the population towards the Pareto optimal front. Existing many-objective evolutionary algorithms mainly focus on convergence enhancement, but pay less attention to diversity enhancement, which may fail to obtain uniformly distributed solutions or fall into local optima. This paper proposes a radial space division based evolutionary algorithm for many-objective optimization, where the solutions in high-dimensional objective space are projected into the grid divided 2-dimensional radial space for diversity maintenance and convergence enhancement. Specifically, the diversity of the population is emphasized by selecting solutions from different grids, where an adaptive penalty based approach is proposed to select a better converged solution from the grid with multiple solutions for convergence enhancement. The proposed algorithm is compared with five state-of-the-art many-objective evolutionary algorithms on a variety of benchmark test problems. Experimental results demonstrate the competitiveness of the proposed algorithm in terms of both convergence enhancement and diversity maintenance.     

基于局部协同与竞争变异的动态多种群粒子群算法

针对粒子群算法在处理复杂优化问题时,出现多样性较差、收敛精度低等问题,提出了基于局部协同与竞争变异的动态多种群粒子群算法(Dynamic Multi-population Particle Swarm Optimization Based on Local Cooperative and Competitive M utation,LC-DM PPSO).LC-DM PPSO算法设计了一种局部协同的方法,该方法划分种群成多个子种群,划分后的子种群再通过非支配排序、差分变异的方法选择出一对领导粒子.同时,对粒子的更新方法进行改进,让各个目标优化更加均衡,增强LC-DM PPSO算法的局部搜索能力,提高收敛精度.在LC-DM PPSO算法中,为了防止出现"早熟"收敛的情况,引入竞争变异来增加种群多样性.最后,通过选择一系列标准测试函数将LC-DM PPSO算法与3种进化算法进行比较,验证所提算法的有效性.实验结果显示,所提算法的多样性和收敛性比其他3种进化算法更好,优化效果更佳.     

基于Lévy变异的微粒群算法

微粒群算法因其实现简单及优化效果较好而得到广泛应用,但也存在易早熟和局部收敛的缺点;结合Lévy飞行的特性,提出了一种新的带Lévy变异的微粒群算法,并对其收敛性进行分析,指出该算法依概率收敛于全局最优解.通过对8个标准测试函数的仿真实验,结果表明改进算法中的Lévy变异能够利用粒子的当前知识并增加群体的多样性,从而能够更有效地平衡局部搜索和全局搜索,使其具有更好的性能,最后对改进算法的各参数设置进行了探讨分析.     

快速寻优的全局优化进化算法

为了加快进化算法中种群的寻优速度,设计双变异算子,提出一种进化算法。该算法以种群的多样性、算法的收敛速度、全局与局部搜索能力的综合均衡为设计重点,利用概率论和Markov链证明了该算法的全局收敛性,通过对6个基准函数进行测试,从数值上验证了该算法的有效性。     

基于余弦函数改进的PSO算法及其仿真

粒子群算法具有简单、易于实现等优点在科学与工程领域得到了很好的验证,但是粒子群优化算法与其他进化算法一样存在容易陷入局部极小和早熟收敛等缺点。分析了其存在缺点的主要原因,并此基础上提出了一种改进的粒子群算法(CPSO)。利用余弦函数非线性改变惯性权重、对称改变学习因子进一步提高了粒子的学习能力,同时引入了细菌趋化操作用以维持种群多样性,使得CPSO算法性能在一定程度上优于标准粒子群(SPSO)算法。利用五个标准测试函数对三种算法的仿真结果进行可对比分析,分析结果表明：CPSO算法能在一定程度上跳出局部最优,有效地避免了SPSO算法早熟收敛问题,并具有较快的收敛速度。     

嵌入极值优化的混合粒子群优化算法

针对标准粒子群算法容易陷入局部极值和精度低的问题,提出一种嵌入极值优化算法的粒子群优化算法。在线性下降的惯性权重粒子群算法运行过程中,间隔一定迭代次数与极值优化算法相结合,利用其波动性增加种群的多样性,并有效结合粒子群算法较强的全局探索能力和极值优化算法精细的局部搜索性能,以较高精度收敛到全局极值。仿真实验结果表明,该混合算法是一种求解高维多峰连续函数极值的有效方法。     

组织进化数值优化算法

基于经济学中“组织”的概念 ,该文提出一种新的进化算法———组织进化算法 ,来解决无约束和有约束的数值优化问题 .该算法与传统遗传算法、进化规划、进化策略的运行机制完全不同 ,其进化操作不直接作用于个体上 ,而作用在组织上 ,为此 ,该文定义了三种组织进化算子———分裂算子、吞并算子和合作算子来引导种群进化 .理论分析证明组织进化算法具有全局收敛性 .实验中 ,用 4个无约束和 6个有约束标准函数对算法进行了测试 ,与 3个新算法作了比较 ,并对组织进化算法的性能作了深入分析 .结果表明 ,该文算法无论在解的质量上还是在计算复杂度上都优于其它算法 .对于有约束问题 ,只用了简单的静态罚函数就得到了良好的效果 ,这表明该文算法的搜索机制非常有效 ,不易陷入局部最优 .最后 ,参数分析的结果表明该文算法具有性能稳定、成功率高、对参数不敏感等优越的性能