基于Laplace分布变异的改进差分进化算法

为了提高差分进化算法(DEA)的收敛速度和寻优精度,提出了一种改进的差分进化算法。在该算法中,引入了基于Laplace分布的变异算子,并且能根据以往的进化经验自适应地调整进化策略及交叉概率以适应不同阶段的进化。通过5个典型Benchmark函数的测试结果表明,该算法的收敛速度快、求解精度高、鲁棒性较强,适合求解高维复杂的全局优化问题。     

改进的自适应遗传算法及其性能研究

遗传算法的优良性能使其被广泛应用于现实许多工程领域中,但该算法由于随机搜索而带来的收敛速度慢、易产生局值、不稳定等问题,给其应用带来很大的困难.论文首先针对收敛速度慢,提出使用遗传迭代次数自适应控制选择算子,达到对收敛速度的自适应控制.其次,针对局值问题,提出一种新的改进自适应遗传策略,其交叉和变异算子能够根据前两代适应度变化进行自适应调整.最后,使用Matlab7.0对所选的函数进行优化仿真,通过比较仿真结果得出改进的自适应遗传算法在处理收敛速度和避免易产生局值方面具有较明显的优势.     

LO型曲线的自适应遗传算法研究

标准的遗传算法在设置交叉算子和变异算子时使用固定的值,这样在求解复杂的优化问题时会存在解的多样性差和早熟的缺点。传统的自适应算法在收敛速度和解的多样性上是有效的,但是在算子调整的过程中,对算法演化过程中不同阶段的侧重不够(搜索空间、搜索精度、优秀模式的保存及进化动力),这样会使算法的收敛速度变慢并且减少优良解的多样性。提出一种改进的自适应调整算法来提高收敛速度及优良解的多样性,用Logistics曲线按照个体的适应度对交叉和变异算子的大小进行非线性调整,使得算子在演化的过程中满足不同阶段对搜索空间和搜索精度的要求。通过实验验证,新算法在收敛速度、稳定性及优良解的多样性上比传统的自适应遗传算法有优势。     

包含交叉和变异操作的交互式遗传算法

传统交互式遗传算法在优化隐式性能指标时会使用户产生疲劳,影响优化质量与优化效率。为此,提出一种改进的交互式遗传算法。采用二元排序确定适应值评价的不确定度,根据评价序列的最大信息差异计算种群的收敛率,通过收敛率衡量种群进化状态,基于适应值不确定度和种群收敛率设计自适应交叉算子和变异算子,给出交叉概率和变异概率的计算公式,利用包含用户偏好信息的遗传策略引导进化,从而使进化结果更加客观。将该算法应用于服装进化设计系统,结果表明,与传统交互式遗传算法( T-IGA)相比,该算法可获取更多的满意解,提高了优化效率。     

自适应磷虾群优化Elman神经网络的目标威胁评估

提出一种自适应磷虾群算法,在基本磷虾群算法中引入遗传繁殖机制,并加入进化算子和优化算子构成自适应环节,提高了算法的全局搜索能力和预测精度;通过自适应磷虾群算法对Elman神经网络的初始权值和阈值进行寻优,并在此基础上建立目标威胁评估模型。仿真实验表明,自适应磷虾群优化Elman神经网络既保证了一定的收敛速度,又能够使寻优精度得到明显提升,其对测试集的预测结果优于传统Elman神经网络和基本磷虾群优化Elman神经网络,从而验证了算法模型在目标威胁评估中的可行性、有效性。     

阶段波动差分进化算法及函数优化

差分进化算法被认为是一种简单高效的全局优化算法,但其在解决高维复杂优化问题收敛精度过低,为此提出了阶段波动差分进化算法.新算法利用柯西分布随机数设计用于生成变异率的算子,并对变异率进行上下波动.进化过程中引入分段思想,每个阶段分别根据不同的配置利用算子生成变异率并选择对应的交叉比率改善算法性能.同时为了加快收敛速度,设计了一种新的变异处理策略.通过对一组经典Benchmark函数的测试,实验结果显示了本文算法在解决复杂高维问题时具有优于或相当于其他DE算法的性能.     

跳跃海豚群算法

针对海豚群算法收敛速度慢、容易陷入局部最优等缺陷, 提出一种跳跃海豚群算法. 在搜寻阶段, 考虑进化时期对算法的影响, 对固定长度的声波参数实施自适应操作, 平衡算法的全局搜索和局部开发能力; 为加快算法的收敛速度, 在搜寻阶段之后加入跳跃步骤, 使个体直接跳到邻域最优解; 改进了捕猎阶段位置更新方式, 并加入变异扰动因子, 加快算法收敛速度的同时维持了种群的多样性; 为避免算法陷入局部最优, 在捕猎阶段后加入早熟收敛机制. 与6种进化算法在16个标准测试函数上进行测试, 结果表明, 本文算法较其他算法在收敛速度、收敛精度以及鲁棒性上优势明显.     

自适应蚁群差分进化算法

针对传统差分进化算法在求解高维复杂问题时存在通用性差、鲁棒性低、收敛速度慢和求解精度低等问题,提出一种基于蚁群算法的自适应多模式差分变异策略.算法在每代进化中,个体根据各变异进化模式上的信息素大小,采用轮盘赌选择策略选择变异算子,并根据各变异算子对优化所做贡献的大小对信息素进行动态更新,贡献大的变异算子可以获得更多被选择的机会,使得各变异算子发挥其最大性能,从而提高算法的收敛速度和通用性.对5个高维的benchmark函数进行算法验证,实验结果表明,该算法很好的提高了差分进化算法的通用性和鲁棒性,有效地克服了收敛速度慢和早熟等问题.     

改进自适应微分进化算法求解全局优化问题

针对微分进化(DE: differential evolution)算法在进化后期收敛速度慢,收敛精度低,易陷入局部最优解等缺点。本文通过改进DE的变异方程,并引入一种新的控制参数自适应策略,提出了一种改进自适应微分进化(IADE: improved adaptive differential evolution)算法。进化过程中IADE将根据个体适应值与父代平均适应值之间的关系动态地调整控制参数。同时,采用10个常用于优化算法比较的标准函数对IADE和其它改进DE算法进行对比试验,实验结果表明IADE算法不仅能够显著地提高收敛速度和收敛精度,而且具有非常好的鲁棒性,从而使得该算法能够满足过程优化的实时性、准确性以及稳定性要求。     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法（EIDE）。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。     

改进遗传模拟退火算法在TSP优化中的应用

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.     

自适应协同进化多目标进化算法

为了提高协同进化多目标进化算法的全局收敛性,提出了一种调用协同进化算子的自适应方法。其基本思想是：根据目标函数的变化率自动调用协同进化算子;当种群进化正常时,调用合作算子和吞并算子;当种群进化接近停滞时,调用分裂算子。通过数值实验用量化指标研究了新算法的收敛性和分布性,结果表明,与常规协同进化多目标进化算法相比,新算法不仅具有良好的分布性,而且全局收敛性有了明显的提高。     

基于学习算子的自学习遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素。针对目前遗传算法研究中忽视个体能动性,没有充分利用进化经验信息的不足,提出反映个体学习能力的学习算子。给出了以个体适应度的变化方向和速度为依据的学习算子设计方法及其计算过程。在此基础上与现有的改进遗传算子结合,提出一种新的改进遗传算法-自学习遗传算法,分析了自学习遗传算法与自适应遗传算法之间在原理上的区别。以一个弹道导弹射程优化问题为算例对算法进行了性能测试,结果表明,在采用相同的改进遗传算子的条件下,学习算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。     

加权变异策略动态差分进化算法

针对差分进化算法在解决高维优化问题时易早熟收敛、求解精度低和参数设置麻烦等问题,提出一种加权变异策略动态差分进化算法（WMDDE）。为了动态平衡全局搜索与局部搜索能力,跳出局部最优,将标准差分进化算法的变异策略DE/rand/1和DE/best/1进行加权组合,提出两种新的随机扰动加权变异算子。提出一种动态自适应调整缩放因子和交叉概率因子的策略,避免参数设置的麻烦,提高算法的稳定性。在11个Benchmark函数上的测试结果表明,新算法能有效避免早熟收敛,全局寻优能力强,且在高维时寻优速度、求解精度和稳定性均优于4种DE进化算法。     

Swarm-based intelligent optimization approach for layout problem

Layout problem is a kind of NP-Complete problem. It is concerned more and more in recent years and arises in a variety of application fields such as the layout design of spacecraft modules, plant equipment, platforms of marine drilling well, shipping, vehicle and robots. The algorithms based on swarm intelligence are considered powerful tools for solving this kind of problems. While usually swarm intelligence algorithms also have several disadvantages, including premature and slow convergence. Aiming at solving engineering complex layout problems satisfactorily, a new improved swarm-based intelligent optimization algorithm is presented on the basis of parallel genetic algorithms. In proposed approach, chaos initialization and multi-subpopulation evolution strategy based on improved adaptive crossover and mutation are adopted. The proposed interpolating rank-based selection with pressure is adaptive with evolution process. That is to say, it can avoid early premature as well as benefit speeding up convergence of later period effectively. And more importantly, proposed PSO update operators based on different versions PSO are introduced into presented algorithm. It can take full advantage of the outstanding convergence characteristic of particle swarm optimization (PSO) and improve the global performance of the proposed algorithm. An example originated from layout of printed circuit boards (PCB) and plant equipment shows the feasibility and effectiveness of presented algorithm.     

基于改进差分进化算法的非线性系统模型参数辨识

针对非线性模型的参数估计寻优较为困难的问题,提出一种基于改进的差分进化算法的非线性系统模型参数辨识新方法。通过引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性以避免早熟,并在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。交叉概率采用动态非线性增加的方法,提高了收敛速度。为了验证算法性能,针对几类典型的非线性模型参数辨识问题进行了仿真研究,并将其应用于一类发酵动力学模型参数的估计中。结果表明改进算法的参数辨识精度高,收敛速度也比较快,有效提高了模型建立的精度与效率,为解决实际系统中参数估计问题提供了一条可行的途径。     

一种自适应指导的文化粒子群算法

针对文化粒子群算法中影响函数对群体空间的全局变异操作,易导致粒子群算法结构失效及不易收敛的缺点,将群体适应度方差引入到群体空间,提出一种自适应指导的文化粒子群算法。算法通过计算群体适应度方差判断群体空间状态,当算法陷入局部最优时,自适应地利用影响函数对群体空间进行变异更新,从而有效发挥了文化粒子群算法“双演化双促进”机制。将该算法与基本粒子群算法（PSO）、文化粒子群算法（CPSO）和自适应变异粒子群算法（AMPSO）进行比较,实验结果证明该算法不仅具有较好的全局收敛性,算法收敛速度和稳定性也都有显著提高。     

基于改进约束差分进化算法的动态航迹规划

为解决三维复杂环境下无人机动态航迹规划问题,提出一种基于改进约束差分进化算法的动态航迹规划方法,以满足对实时性及动态搜索精度的要求.首先,根据无人机航迹规划特点将其描述为包括飞行约束及威胁约束在内的约束优化问题,并构造目标代价函数和约束限制函数;其次,将广义反向学习和自适应排序变异操作引入到约束差分进化算法中,以提高算法的多样性、收敛速度和寻优精度;最后,利用自适应权衡模型对各状态下的约束限制进行处理,充分利用“精英”个体信息,实现对目标适应值的合理转换.通过仿真实验以及与3种先进约束差分进化算法比较表明:所提方法能够有效实现静态及动态威胁回避,规划出安全适航的飞行路径,实现地形跟随;相较于其他3种算法,所提方法具有寻优性能好、鲁棒性强、收敛速度快和可靠性高等优势.