基于强度Pareto的自适应多目标差分进化算法

为提高传统多目标进化算法的搜索能力,分别对适应度分配和环境选择操作进行改进,同时利用自适应变异算子对参数进行设置,建立一种基于强度Pareto的自适应多目标差分进化算法(MODE).选择4个典型的多目标测试函数,对改进的算法进行实验仿真测试,并分别利用多目标粒子群算法(MOPSO)、非支配排序算法(NSGA-Ⅱ)和真实值进行对比,实验结果说明改进后算法具有良好的分布性与收敛性.     

基于改进微分进化算法的优化配棉

针对配棉优化问题,提出了一种基于改进微分进化算法的计算机配棉方法.先将配棉问题看作一类约束优化问题,建立数学模型;基于标准微分进化算法,使用罚方法处理多个约束条件,并随着进化过程动态调整算法控制参数,形成求解配棉问题的改进微分进化算法.采用纺织企业实际库存的批棉数据进行实验验证,结果表明,该方法优于人工分类排队法和遗传...     

基于多策略组合的改进差分进化算法

作为求解全局数值优化及复杂黑盒问题的流行方法之一，差分进化算法的性能主要取决于其变异策略和控制参数的设置。为避免算法陷入局部最优和早熟收敛，提出了一种基于多策略组合的改进差分进化算法。首先，该算法利用个体种群适应度排名，再将种群分成3个不同子种群，并依据各子种群特征分配不同的变异算子。其次，为进一步提高算法的搜索能力，分别考虑不同差分项的作用并充分利用父代和子代间的差异信息，提出了改进的自适应参数设置方法。最后，通过在IEEE CEC2014标准测试集上进行数值实验，并与5个DE变体相比，数值实验及非参数检验结果表明所提算法具有更快的收敛速度和寻优能力。     

改进蝙蝠算法在多目标优化中的应用

在模拟退火的高斯扰动蝙蝠优化算法（SAGBA）的基础上,结合解决多目标优化问题的算法技术,探讨了2种改进的多目标蝙蝠算法——基于动态加权的SAGBA算法（DWASAGBA）和基于向量估计的SAGBA算（VESAGBA）,并对算法进行了仿真实验．结果表明,SAGBA算法所得到的解集分布均匀,能够得到测试函数较为准确的Pareto曲线。     

混合多种群自适应Memetic差分进化算法

基本差分进化算法(Differential Evolution,DE)是一种实用性强、简单高效的群智能优化算法,但DE算法同样可能存在着其他群智能优化算法共同存在的缺点,如早熟收敛、易陷入局部最优解等。针对以上问题,文章提出一种Memetic算法,通过改进种群初始化方法和引入邻域搜索算子来增强种群的多样性,通过多种群间的信息交互,保证算法有效跳出局部极值点。通过引入自适应算子,对交叉概率因子和缩放因子进行自适应调整,保证算法具有较高的收敛速度。仿真实验结果表明,HMADE算法可解决标准差分进化算法后期收敛停滞的问题。     

基于多目标决策协调模型的粒子群算法及其收敛性分析

PSO在求解高维多目标优化问题对有限个体用排序策略来寻找Pareto最优个体时,粒子群体中个体之间很难进行Pareto排序比较,或出现所有个体皆有Pareto最优解而无法实施正常的个体选优.为此,提出了一种基于多目标决策协调模型的粒子群算法,该算法将运筹学多目标决策的协调模型引入粒子群迭代过程,群体按协调模型使用偏好信息进行排序,而不是基于Pareto优于关系对当代群体进行个体排序.实验表明,该算法对解决高维多目标问题行之有效,且具有较快的收敛速度.     

基于小生境技术的改进基因表达式编程算法的研究

提出一种改进的基因表达式编程方法,针对传统基因表达式编程容易出现过早收敛或者陷入局部收敛,进化后期种群多样性软弱及遗传操作随机性大等问题,加入小生境技术对算法进行改进。实验表明,改进的GEP算法能够克服传统GEP算法的不足。     

融合自适应混沌差分进化的粒子群优化算法

针对粒子群优化算法易出现早熟收敛、收敛效率低的缺点,提出一种融合自适应混沌差分进化的粒子群优化算法.该算法首先将自适应混沌引入差分进化算法,再将所得结果进行一次校正变异和校正选择,最后将所得算法融合到粒子群优化算法,从而有效地利用与平衡了粒子群优化算法和差分进化算法的探测和开发能力,且局部搜索能力增强,进一步提高算法的求解精度和效率.数值实验证明本文算法的有效性.     

基于综合排序的高维多目标进化算法研究

当前大部分多目标进化算法在求解高维目标优化问题时出现效率与精度迅速下降的问题。针对该问题,提出了综合排序方法,并设计了基于综合排序的多目标进化算法,所提算法搜索能力不会受到优化目标个数增加影响。通过仿真实验对所提算法进行了验证。     

基于种群分类的差分进化算法

针对差分进化算法易陷入局部最优及收敛速度慢的缺点,提出基于种群分类的差分进化算法.该算法首先在种群中随机选取3个个体,与目标个体的适应度值进行比较,从而将种群分为优势、一般和劣势子种群;其次对每类子种群采用不同的变异算子进行变异操作,并设置合理的参数取值.所提算法不仅保证了算法的鲁棒性,而且充分利用了每个个体的特征信息,有效地平衡了全局搜索能力和局部开发能力.数值实验说明了本文算法的有效性.