一种基于多样化成长策略的遗传算法

遗传算法中,部分局部最优个体常常会抑制种群中其他个体的成长,使进化停滞,结果陷入局部最优．对此,提出一种基于多样化成长策略的遗传算法,通过采用迁移杂交、多态变异和群体突变等方法,对种群中不同适应度的个体给予不同的进化成长策略,以保持个体间的多样性,从而增强算法的寻优能力．对改进算法的算法复杂度进行了分析,并通过算例表明,多样化成长策略的各个部分均对改善寻优结果发挥了作用．     

自适应二次变异差分进化算法

提出一种基于群体适应度方差自适应二次变异的差分进化算法．该算法在运行过程中根据群体适应度方差的大小,增加一种新的变异算子对最优个体和部分其他个体同时进行变异操作,以提高种群多样性,增强差分进化算法跳出局部最优解的能力．对几种典型Benchmarks函数进行了测试,实验结果表明,该方法能有效避免早熟收敛,显著提高算法的全局搜索能力。     

一种基于多样化成长策略的遗传算法

遗传算法中,部分局部最优个体常常会抑制种群中其他个体的成长,使进化停滞,结果陷入局部最优．对此,提出一种基于多样化成长策略的遗传算法,通过采用迁移杂交、多态变异和群体突变等方法,对种群中不同适应度的个体给予不同的进化成长策略,以保持个体间的多样性,从而增强算法的寻优能力．对改进算法的算法复杂度进行了分析,并通过算例表明,多样化成长策略的各个部分均对改善寻优结果发挥了作用．

     

结合梯度法的混合微粒群优化算法

在微粒群优化算法PSO中引入梯度算法,提出了一种新型的混合微粒群优化算法——GPSO。该混合优化算法是对PSO每一次进化后的所有微粒进一步执行梯度法寻优操作,并以寻找到的更优个体替代当前个体参与群体的下一代进化。GPSO既利用了PSO出色的全局搜索能力,又借助梯度法的快速局部寻优能力,很好地将两者的优势结合在一起。数值实验表明：无论是对于低维的多峰函数,还是高维的多峰和单峰病态函数,GPSO都表现出很强的优化效率、适用性和鲁棒性。     

一种新的求解多峰函数优化问题的动态演化算法

本文给出了一种新的求解多峰函数优化问题的定义：定位所有的极值点，包括全局的峰值点和局部的峰值点。传统的演化算法框架都是群体固定的演化迭代过程，对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小．影响了算法的效率。提出一种群体动态可调的演化方式，使得初始群体大小可任意指定，在演化过程中通过聚集和按比例引入新个体两个过程而动态变化。实验表明，该算法能尽可能多地定位峰值点。     

小生境人工免疫算法用于多峰函数优化

基于自然免疫系统的原理,提出了小生境人工免疫算法,为了解决多峰优化问题,可使每个抗体适度得到修改.利用小生境的共享函数法更好地维持了群体的多样性.同时小生境淘汰算法和免疫系统的记忆及变异特性促使群体中优良个体持续向问题的优化解逼近.算法对三个典型的多峰问题题进行了优化,给出了具体的实现步骤和较好的优化结果.     

文化遗传算法的研究及其在函数优化中的应用

为了提高遗传算法的性能,将遗传算法纳入到文化算法框架中组成群体空间和信念空间,提出一种新的优化算法。在群体空间的遗传进化过程中引入随机种群来增加算法的勘探能力,并组织较差个体依概率与信念空间中更新后的优秀个体进行交叉操作;在信念空间充分利用对优秀个体所包含信息的开采能力并采用耗散结构来提高整个空间的自组织能力,更新优秀个体,在很大程度上提高了算法的速度和效率。实验结果表明,新算法能有效地应用于函数优化。     

非线性动态加速系数对粒子群算法的影响

粒子群算法(PSO)中的加速系数影响着粒子的个体认知和群体认知,而传统算法中的加速系数一般取常量.据研究发现,粒子的个体认识和群体认识分别主导着粒子的全局搜索能力和局部搜索能力,提高粒子个体认识可以有效增强算法的全局搜索能力,而提高粒子的群体认识可以有效增强算法的局部搜索能力.为进一步研究加速系数对粒子群算法的影响,本...     

采用随机变异步长的改进自组织迁移算法

自组织迁移算法是一种新型的进化算法。对自组织迁移算法的原理、实现及策略参数设置进行了详细分析,在此基础上提出了一种改进算法。通过在个体迁移过程中引入随机变异步长,寻优个体的行为变得多样化,加速了群体在多峰复杂空间中的寻优进程。仿真结果显示,该算法优于原自组织迁移算法和粒子群优化算法。     

基于适应值共享的多生境排挤遗传算法

针对优化多模函数时单纯使用共享和排挤机制的遗传算法所存在的缺陷,提出了基于适应值共享的多生境排挤遗传算法。基本思想是：按照共享的思想在对个体的适应值进行调整的同时,将排挤选择和相似个体中适应度最差个体被替换的策略分别应用于选择算子和群体的进化中。理论分析和数值实验表明,该算法很好地维持了种群多样性,对于各类多峰函数具有较强的搜索能力。     

免疫粒子群算法在污水生化处理过程中的应用

针对污水生化处理过程,设计了一种新型算法。以粒子群算法对控制过程进行寻优,利用粒子群的快速搜索能力,保证了寻优速度;以混沌序列对粒子群进行初始化,提高了初始粒子群的质量,促进粒子群快速寻优;以免疫算法对粒子群进行克隆、变异及抑制,保证了粒子群的多样性,提高了粒子群的全局寻优能力,克服了粒子群的早熟问题。仿真结果表明,该算法大大提高了优化的性能和质量,在保持出水水质符合标准的前提下使污水处理的经济成本达到最优。     

基于动态调整简化粒子群优化的组合测试用例生成方法

优化的组合测试中的一个关键是生成的测试用例能够覆盖更多的组合,而粒子群算法在生成强组合覆盖用例方面有其独特的优势和能力。文中提出了一种基于动态调整简化粒子群优化的组合测试用例生成方法。该方法基于粒子群算法生成测试用例,结合混合的优先级one-test-at-a-time策略和基于动态调整的简化粒子群算法生成组合测试用例集,排除了速度因素对粒子优化过程的影响。定义了一个粒子收敛指标,以粒子群早熟收敛程度为依据来动态调整惯性权值,以防止粒子陷入局部最优和后期出现收敛速度慢的情况,从而提高粒子群算法所生成的覆盖表的覆盖组合能力。通过对比实验表明,基于动态调整的简化粒子群优化算法在用例规模和时间成本上具有一定的优势。     

一种基于种群熵的自适应粒子群算法

提出了一种基于种群熵的自适应粒子群算法,采用2个基准函数对新算法进行了测试.测试结果表明,新算法有效地均衡了算法的探测和开采能力,在解决复杂多峰函数优化问题时,与基本粒子群算法相比,具有更强的摆脱局部极值点的能力,且执行效率降低不多.     

粒子群优化技术的研究与应用进展

粒子群优化(PSO)算法是一种新兴的基于群智能搜索的优化技术,它是通过粒子追随个体最优解和群体最优解来完成优化,且算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。     

基于模拟退火机制的多微粒群协同进化算法*

模拟退火和多微粒群协同进化是两种较好的改进微粒群算法性能的方法,将这两种思想有机地结合起来,提出了一种基于模拟退火机制的多微粒群协同进化算法。通过对三个标准函数优化的实验表明,该算法高效、稳定地提高了全局寻优能力。     

基于概率选择学习对象的粒子群优化算法

针对标准微粒群算法容易陷入局部极小的缺陷,对标准粒子群速度进化公式进行改进,提出一种基于概率选择学习对象的粒子群算法。找出比当前个体好的粒子,形成候选学习对象集,计算候选集中每个粒子被选中的概率,形成学习对象集,并加权利用学习对象集信息。该算法使得每个粒子可以充分利用整个种群的信息,有效地保证粒子群的多样性。对3个Benchmark测试函数进行了仿真,结果显示,该算法能有效地改善寻优性能,具有摆脱局部极值的能力。     

基于Toy模型蛋白质折叠预测的多种群微粒群优化算法研究

基于Toy模型的蛋白质折叠结构预测问题是一个典型的NP问题.提出了多种群微粒群优化算法用于计算蛋白质能量最小值.该算法采用了一种新的算法结构,在该结构中,每一代的种群被分为精英子种群、开采子种群和勘探子种群三部分,通过改善种群的局部开采能力和全局勘探能力来提高算法的性能.分别采用Fibonacci蛋白质测试序列和真实蛋白质序列进行了折叠结构预测的仿真实验.实验结果表明该算法能够更精确地进行蛋白质折叠结构预测,为生物科学研究提供了一条有效途径.     

基于多种群进化与粒子群优化混合的频谱分配算法

为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。     

基于微粒群的K均值聚类算法在图像分类中的应用

提出一种新的图象分类算法椈谖⒘Ｈ旱腒均值聚类图象分类算法.将此算法和K均值聚类算法以及微粒群图像分类算法分别应用于MRI人脑图象的分类,并进行了比较.实验结果表明:基于微粒群的K均值聚类图象分类算法具有较好的全局收敛性,不仅能有效克服K均值算法易陷入局部极小值的缺点,且全局收敛性能优于微粒群图像分类算法.     

基于改进PSO算法的测试数据自动生成研究

为了提高软件测试中测试数据自动生成的效率,提出了一种基于改进PSO算法的测试数据自动生成的方法。通过在标准的PSO算法中引入人工免疫的思想,保持了群体的多样性,从而有效避免标准PSO算法易陷入局部最优的问题,提高了算法全局搜索的能力,增强了算法的整体性能。实验结果表明,利用改进后的PSO算法寻找最优解所需的迭代次数和时间明显少于标准粒子群算法,生成测试数据的速度快、效率高。