双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.     

一种求解高维多模态复杂问题的差分文化算法

针对在求解高维多峰值复杂问题时种群容易陷入局部搜索、求解精度低的问题,提出了一种基于自适应差分进化算法和小生境高斯分布估计的文化算法。将差分进化算法用于种群空间的优化,利用动态小生境识别算法在种群空间中识别小生境群体。信度空间利用高斯分布估计算法在小生境内进行局部优化,并将小生境特征存入进化知识库,进化知识库进一步引导种群空间,有效地保证了种群的多样性,避免了局部的重复搜索。最后,通过仿真实验测试表明,算法具有收敛速度快、求解精度高、稳定性高和全局搜索能力强等优势。     

基于单纯形算子的混合差分进化算法

针对DE／rand／1／bin方案收敛速度慢的缺点,提出一种将单纯形确定性算法和差分进化随机搜索算法相结合的混合优化算法。利用差分进化算法搜索范围广、全局搜索能力强和单纯形算法局部搜索能力强、收敛速度快的特性,较大地提高了差分进化算法的收敛速度和搜索精度。典型Benchmarks复杂函数优化实验表明,该算法优化效率高、优化性能好、对初值具有较强的鲁棒性,性能优于单一的优化方法。     

一种改进的微粒群优化算法

提出了一种基于差分进化算子变异的改进微粒群优化算法，为减小陷入局优的可能性，在群体最优信息陷入停滞时引入差分进化算子变异，使算法摆脱局部极优点的束缚，同时又保持前期搜索速度快的特性，提高全局搜索能力。仿真实验表明：与标准微粒群优化算法相比，该文算法的全局收敛性能得到了显著提高，能有效避免微粒群优化算法中的早熟收敛问题。     

基于模拟退火的差分变异群搜索优化算法

标准群搜索优化算法易陷入局部最优。为此,引入模拟退火策略和差分进化算子,使算法跳出局部极值点,变异和迭代同时进 行,并保持前期搜索速度快的特性。测试结果证明,改进算法的全局收敛能力明显提高,个体具有良好的人工智能性,能够真实模拟群体行为。     

基于DE 和SA 的Memetic 高维全局优化算法

针对高维复杂多模态优化问题,传统的进化算法存在收敛速度慢,求解精度低等缺点,提出一种面向高维优化问题的Memetic全局优化算法。算法通过全局搜索和局部搜索结合的混合搜索策略,采用多模式并行差分进化算法进行全局搜索,基于高斯分布估计的模拟退火算法进行局部搜索。改进后的Memetic算法不仅继承了差分进化算法能发现全局最优解的优点,而且能大幅度提高搜索效率。最后,通过对4个高维多峰值Benchmark函数进行仿真实验,实验结果表明本文算法有效提高了算法的收敛速度和求解精度。     

一种新的智能优化及其改进研究

研究了一种新的进化算法-和声搜索(HS)算法,针对其在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出一种改进的和声搜索算法,算法在保留和声搜索的搜索机理的同时,把混合蛙跳算法中的局部搜索策略引入其中,维持了和声库的多样性,从而提高了对复杂问题的搜索效率.与同类算法相比,本文提出的和声搜索算法全局搜索能力强,收敛速度快,数值实验结果验证了算法的有效性和鲁棒性.     

一种基于密度聚类的小生境差分进化算法

针对基本差分进化算法早熟收敛的缺陷,提出了一种基于密度聚类的小生境差分进化算法。该算法基于DE/rand/2/bin变异方式全局搜索能力强、鲁棒性好和DE/best/2/bin变异方式局部搜索能力强、收敛速度快的特点,首先初始化一个没有子种群的全局种群,再在全局种群中采用DE/rand/2/bin进行迭代搜索,并对其中的个体进行聚类,当聚类簇中的个体数目达到规定的最小规模时形成一个小生境子种群,然后在各子种群中采用改进的DE/best/2/bin进行迭代搜索并重新进行聚类,从而提高进化过程中种群的多样性,增强算法跳出局部最优的能力。仿真实验表明,该方法能显著提高算法的收敛速度和全局搜索能力,有效避免早熟收敛。     

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO.引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力.8...     

基于免疫进化算法的矢量量化索引值分配算法

提出了一种基于免疫进化算法的矢量量化索引值分配算法.该算法提供了一种有效的获得全局最优的索引值分配方法.利用免疫进化算法的扩展和突变操作分别进行局部和全局搜索,可快速有效地进行全局最优搜索,克服了传统进化算法易出现"早熟"、陷入局部最优和收敛速度缓慢等问题.实验结果证明该算法可以获得很好的性能增益.     

一种基于差分演化的K-medoids聚类算法

针对传统的K-medoids聚类算法具有对初始聚类中心敏感、全局搜索能力差、易陷入局部最优、收敛速度缓慢等缺点,提出一种基于差分演化的K-medoids聚类算法。差分演化是一类基于种群的启发式全局搜索技术,有很强的鲁棒性。将差分演化的全局优化能力用于K-medoids聚类算法,有效地克服了K-medoids聚类算法的缺点,缩短了收敛时间,改善了聚类质量。通过仿真验证了此算法的稳定性和鲁棒性。     

基于三角函数搜索因子的混合蛙跳算法

针对传统混合蛙跳算法存在收敛速度慢、容易陷入局部最优和搜索精度不高的缺陷,提出了基于三角函数搜索因子的混合蛙跳算法。该算法将基于三角函数搜索因子的局部进化策略和产生新个体策略引入到混合蛙跳算法中,改进混合蛙跳算法的局部搜索精度和全局收敛性能。实验结果表明,基于三角函数搜索因子的混合蛙跳算法能够显著改善混合蛙跳算法的寻优精度和收敛速度,使算法的搜索效率和稳定性同时得到提高。     

基于灰狼算法的改进研究

针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点,本文提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法,并且用于求解函数优化问题。提出的一种非线性收敛因子公式,能够动态的调整算法的全局搜索能力,引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数进行验证改进后的算法的全局搜索能力、局部搜索能力与收敛速度,实验结果表明:改进后的算法无论在搜索能力上还是收敛速度上,都强于标准灰狼算法。     

权重自适应调整的混沌量子粒子群优化

针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法。该算法在运行过程中根据粒子适应值的优劣情况,相应采取不同的惯性权重策略,以调节粒子的全局搜索和局部搜索能力。对几个典型函数的测试结果表明,该算法在收敛速度和精度上有大幅度的提高,且有很强的避免陷入局优的能力,性能远远优于一般的粒子群算法和量子粒子群算法。     

基于差分进化的复杂软件系统动态可靠性分配

现有关于复杂软件系统可靠性分配的研究均基于结构固定的软件系统,而实际情况中软件系统结构往往不固定。针对这一矛盾,构建复杂软件系统动态可靠性分配优化模型,并基于差分进化设计复杂软件系统动态可靠性分配算法。在系统结构发生变化时,首先基于D-S证据理论对系统中各模块的全局权重重新进行评估,并考虑变化前后系统的关联性,在差分进化生成初始种群时保留了部分历史解。最后,通过仿真实验分析验证了所提方法的有效性。     

BP神经网络的优化算法研究

BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点;遗传算法是全局优化算法,具有较强的全局搜索性能,但它在实际应用中容易产生早熟收敛的问题,且在进化后期搜索效率较低;模拟退火算法具有摆脱局部最优点的能力,能抑制遗传算法的早熟现象.因此,本文在BP算法结合遗传算法的同时,再加入模拟退火算法,可以有效地缓解遗传算法的选择压力.     

一种利用膜计算求解高维函数的全局优化算法

鉴于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,求解精度低的缺点,针对上述问题提出了一种基于膜计算的优化算法。算法首先对高维空间进行分割,分割后每个子空间作为一个基本膜,基本膜区域中采用差分局部搜索策略提高算法的局部搜索能力和收敛速度。基本膜区域将局部最优解定时传送给表层膜。表层膜区域中采用全局搜索策略寻找全局最优解。通过对5个benchmark函数仿真验证,实验结果表明,该算法在收敛速度,求解精度和稳定性方面都有较大优势。     

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,本文提出一种混合K-调和均值聚类算法（G-KHM）。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-mean聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好地效果。     

一种群模式全局搜索算法

由于模式搜索算法易陷入局部极值且效率低。受群智能算法的启发,结合模式搜索算法,提出一种全局优化算法——群模式全局搜索算法。该算法引入群智能的思想,包含4个操作:模式探测、模式移动、模式学习、模式扩散,具有较强的局部-全局搜索能力,且收敛速度快、稳定性好。对benchmark函数集进行仿真并与其它多个算法对比,实验结果证实该算法的有效性。     

基于混沌搜索策略的鲸鱼优化算法

针对鲸鱼优化算法存在探索和开发能力难以协调、易陷入局部最优的不足,提出一种基于混沌搜索策略的鲸鱼优化算法(CWOA).首先,采用混沌反向学习策略产生初始种群,为全局搜索多样性奠定基础;其次,设计收敛因子和惯性权重的非线性混沌扰动协同更新策略以平衡全局探索和局部开发能力;最后,将种群进化更新与最优个体的混沌搜索机制相结合,以减小算法陷入局部最优的概率.对10个基准测试函数和6个复合测试函数进行优化,实验结果表明,CWOA在收敛速度、收敛精度、鲁棒性方面均较对比算法有较大提升.