快速演化算法及其在函数优化中的应用

提出一种新的快速演化算法,并把它运用于函数优化问题的求解中.新算法的特征是引入一种基于高斯变异.Cauchy变异以及Lévy变异的混合自适应变异算子,采用多父体搜索策略,提出随机排序选择策略.通过23个标准测试函数进行测试,结果表明,新算法在21个测试函数中的结果比FEP和EP好,具有稳定、高效和快速等特点.     

基于差分进化的回溯搜索优化算法研究与改进

针对回溯搜索优化算法收敛速度慢和易早熟的缺点,提出了一种改进算法.首先,利用麦克斯韦分布产生变异尺度系数,并在此基础上提出了一种新的变异算子.新变异算子有效地加快了收敛速度.同时,在变异策略中添加了一种选择机制以增加全局搜索能力,避免出现早熟收敛.通过与差分进化的变异策略对比和经典测试函数的测试,实验结果表明改进算法不仅具有较快的收敛速度,而且具有良好的全局搜索能力.     

求解函数优化问题的一种高效混合演化算法

在郭涛算法的基础上设计出了一种求解函数优化问题的高效混合演化算法。新算法的主要特点有两个:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;引入自适应搜索子空间使群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。测试函数表明,该算法正确高效,求解精度极高,指正了文献[3]中的错误,所求函数全局最小值优于文献[3]记录的最好结果。     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间.高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的.数值试验表明新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果.     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。数值试验表明:新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果。     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

基于差分进化的布谷鸟搜索算法

针对基本布谷鸟搜索算法局部搜索能力弱、寻优精度低等不足,提出了一种具有差分进化策略的改进布谷鸟搜索算法。该算法是在种群进入下一次迭代之前在其个体上增加两个带权的差来实现个体变异,再对其进行交叉、选择操作得到最优个体,使缺乏变异机制的布谷鸟搜索算法具有变异能力,从而提高布谷鸟搜索算法的多样性,避免种群个体陷入局部最优,增强算法全局寻优能力。对几种经典测试函数和1个典型应用实例进行测试,仿真实验结果表明,新算法具有更好的全局搜索能力,在收敛精度、收敛速度以及寻优成功率等性能上显著优于基本布谷鸟搜索算法。     

一种基于差分策略的群搜索优化算法

针对群搜索优化(Group Search Optimizer,GSO)算法易陷入局部最优、收敛速度较慢、收敛精度较低等问题,提出一种基于差分策略的群搜索优化(Differential Ranking-based Group Search Optimizer,DRGSO)算法。主要进行两方面改进:1)按照适应度值的大小对种群进行排序,适当增加发现者的数目,使种群能够获得更好的启发式信息,加快了算法的收敛速度,有效地避免了算法陷入局部最优;2)在发现者搜索过程中,引入4种不同的差分变异策略,提高了算法的收敛精度,增强了算法的群体多样性在。11组国际标准测试函数上的实验测试结果显示,与GA,GSO,PSO算法相比,DRGSO算法具有较强的全局搜索能力以及局部资源勘探能力,算法整体收敛性能明显提高。     

函数优化的一种高效演化算法

提出了一个求解函数优化问题的高效演化算法,其设计思想由混合选择策略与分类变异簟略构成。该算法使用锦标赛选择、轮盘选择相结合的混合选择策略。变异运算分为三类进行：对最好个体实施模式搜索。对适应值排名靠前的三分之一的个体采用柯西变异,而其它个体使用普通变异算子。针对15个测试函数的实验取得了相当好的效果,实验结果表明该算法不仅收敛速度快．而且所求得的解达到或者以相当高的精度逼近最优解。     

一种基于正交设计的快速差分演化算法及其应用研究

为了进一步加快差分演化算法的速度和增强算法的鲁棒性,提出了一种基于正交设计的快速差分演化算法,并把它应用于函数优化问题的求解中.新算法在保持传统差分演化算法的简单、有效等特性的同时,具有以下特征：1）采用基于正交设计的杂交算子,并结合直观统计法产生最优子个体;2）采用决策变量分块策略,以减少正交实验次数,加快算法收敛速度;3）提出一种基于非凸理论的多父体混合自适应杂交变异算子,以增强算法的非凸搜索能力和自适应能力;4）简化基本差分演化算法的缩放因子,尽量减少算法的控制参数,方便工程人员的使用.通过对12个标准测试函数进行实验,并与其他演化算法的结果相比较,其结果表明,新算法在解的精度、稳定性和收敛性上表现出很好的性能.     

基于符号函数的多搜索策略人工蜂群算法

针对人工蜂群算法传统搜索策略在求解高维复杂函数时收敛速度较慢、容易陷入局部最优的缺陷,提出一种基于符号函数的多搜索策略人工蜂群算法。新算法借助符号函数将几种不同的搜索策略进行融合,在进化过程中充分发挥各搜索策略的优势,并基于目标函数值进行选择寻优,新算法能较好的平衡局部搜索能力和全局搜索能力。通过对16个基准函数的仿真实验及与其他改进算法的比较,表明了所提出的算法具有较快的收敛速度和较高的求解精度。     

Adaptive directed mutation for real-coded genetic algorithms

Adaptive directed mutation (ADM) operator, a novel, simple, and efficient real-coded genetic algorithm (RCGA) is proposed and then employed to solve complex function optimization problems. The suggested ADM operator enhances the abilities of GAs in searching global optima as well as in speeding convergence by integrating the local directional search strategy and the adaptive random search strategies. Using 41 benchmark global optimization test functions, the performance of the new algorithm is compared with five conventional mutation operators and then with six genetic algorithms (GAs) reported in literature. Results indicate that the proposed ADM-RCGA is fast, accurate, and reliable, and outperforms all the other GAs considered in the present study.     

一种带规范知识引导的改进人工蜂群算法

针对数值函数优化问题,提出一种改进的人工蜂群算法.受文化算法双层进化空间的启发,利用信度空间中的规范知识引导搜索区域,自适应调整算法的搜索范围,提高算法的收敛速度和勘探能力.为保持种群多样性,设计一种种群分散策略,平衡群体的全局探索和局部开采能力,并且在各个进化阶段采用不同的方式探索新的位置.通过对多种标准测试函数进行实验并与多个近期提出的人工蜂群算法比较,结果表明该算法在收敛速度和求解质量上均取得较好的改进效果.     

基于改进搜索策略和混沌机制的人工蜂群算法

人工蜂群算法具有较强的探索能力,但是开采能力差、搜索精度低、后期收敛速度慢。针对以上问题,本文提出一种基于混沌机制的人工蜂群算法,在搜索方程中引入历史平均最优解,避免探索和开采能力的失衡;迭代后期,若种群陷入局部极值,采用混沌序列对种群进行变异,以增强算法的开采能力和求解的质量,保持种群的多样性。经过函数测试结果表明,改进后的算法在求解速度和精度上均优于基本ABC算法和其他改进算法。      

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。     

改进优化问题混合算法研究

针对蚁群算法和遗传算法存在的不足,提出了一种优化混合算法。利用遗传算法快速搜索性和改变选择算子、交叉算子和变异算子操作来确定路径上信息素的分布,然后通过蚁群算法的并行性和正反馈机制,反复迭代进行高效求解,从而克服了两种算法的缺点,降低了算法空间复杂度,提高了算法运行效率,进而达到了组合优化的目的。通过对旅行商问题仿真实验结果表明了该算法的有效性和可行性。     

An efficient algorithm for high-dimensional function optimization

To solve high-dimensional function optimization problems, many evolutionary algorithms have been proposed. In this paper, we propose a new cooperative coevolution orthogonal artificial bee colony (CCOABC) algorithm in an attempt to address the issue effectively. Cooperative coevolution frame, a popular technique in evolutionary algorithms for large scale optimization problems, is adopted in this paper. This frame decomposes the problem into several subcomponents by random grouping, which is a novel decomposition strategy mainly for tackling nonseparable functions. This strategy can increase the probability of grouping interacting variables in one subcomponent. And for each subcomponent, an improved artificial bee colony (ABC) algorithm, orthogonal ABC, is employed as the subcomponent optimizer. In orthogonal ABC, an Orthogonal Experimental Design method is used to let ABC evolve in a quick and efficient way. The algorithm has been evaluated on standard high-dimensional benchmark functions. Compared with other four state-of-art evolutionary algorithms, the simulation results demonstrate that CCOABC is a highly competitive algorithm for solving high-dimensional function optimization problems.     

Discrete bee algorithms and their application in multivariable function optimization

In this paper we present four discrete versions of two different existing honey bee optimization algorithms: the discrete artificial bee colony algorithm (DABC) and three versions of the discrete fast marriage in honey bee optimization algorithm (DFMBO1, DFMBO2, and DFMBO3). In these discretized algorithms we have utilized three logical operators, i.e. OR, AND and XOR operators. Then we have compared performances of our algorithms and those of three other bee algorithms, i.e. the artificial bee colony (ABC), the queen bee (QB), and the fast marriage in honey bee optimization (FMBO) on four benchmark functions for various numbers of variables up to 100. The obtained results show that our discrete algorithms are faster than other algorithms. In general, when precision of answer and number of variables are low, the difference between our new algorithms and the other three algorithms is small in terms of speed, but by increasing precision of answer and number of variables, the needed number of function evaluations for other algorithms increases beyond manageable amounts, hence their success rates decrease. Among our proposed discrete algorithms, the DFMBO3 is always fast, and achieves a success rate of 100% on all benchmarks with an average number of function evaluations not more than 1010.     

基于蚁群信息机制的粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法。通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向。提高了粒子间的多样性差异,从而改善算法能力。改进后的混合粒子群算法的性能优于带线性递减权重的粒子群算法。