一种并行免疫进化策略算法研究

基于克隆选择原理,提出一种自适应并行免疫进化策略．在算法中根据抗体抗原亲和度将初始抗体种群分为两个子群,相应地提出了精英克隆算子和超变异算子．通过精英克隆算子提高算法局部搜索能力,同时利用超变异算子维持种群多样性,通过这两个功能互补算子的并行操作实现种群进化．仿真表明,自适应并行免疫进化策略搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂机器学习问题．     

基于t分布变异的自适应差分进化算法

为了更好地提高差分进化算法的全局探索和局部开发能力,提出了一种改进的差分进化算法。在该算法中,引入t分布变异算子将高斯变异和柯西变异的优点结合起来,根据以往的进化经验自适应地调整进化策略及交叉概率。通过四个典型的Benchmarks函数的测试结果表明算法具有良好的性能。     

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.     

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。     

基于多策略排序变异的多目标差分进化算法

针对多目标差分进化算法求解多目标优化问题时收敛慢和均匀性欠佳等不足,提出了一种基于多策略排序变异的多目标差分进化算法。该算法利用基于排序变异算子快速接近真实的Pareto最优解,同时引入多策略差分进化算子以保持算法的多样性和分布性。通过自适应策略,动态调整控制参数以提高算法的鲁棒性。从理论证明的角度分析了所提算法的收敛性。仿真实验结果表明,本文所提算法相对于近期相关文献中的改进算法具有更好的收敛性与多样性,从而表明了所提算法的有效性。     

一种低复杂度的基于进化策略的自适应运动估计方法

为了进一步提高编码质量并能快速编码,提出了一种新的基于进化策略的自适应运动估计算法。鉴于在进化策略中变异操作与正态分布法则对应,是核心算子,为此将进化策略应用于运动估计,提出了一种新的自适应运动估计算法,并第1次将运动方向信息作为变量引入运动估计算法,同时改进了步长自适应控制机制,以便进一步提高算法的收敛速率,同时采用种群规模的自适应控制,降低了算法的复杂度。试验结果表明,该算法的性能与全搜索算法相近,而复杂度略大于三步法。由于其具有低复杂度和进化算法的内在并行性的特点,故该算法适合硬件实现。     

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.     

进化神经网络中的变异算子研究

针对进化神经网络中遗传算法收敛速度慢和容易早熟这两个难题,提出了一个启发性的变异算子.该算子采用了自适应的变异率和启发式的变异位的选择策略.在多代无进化时,通过提高变异率扩大搜索范围,同时减小变异量进行更细致的搜索.求解XOR问题的实验表明,该算法既具有很快的收敛速度又能自动维持群体的多样性.     

一类求解方程全部根的改进差分进化算法

求解高次实复系数代数方程的根,提出了一种改进的差分进化算法,计算种群中每个个体的适应度并排序,利用二分之一规则选取个体,并引入自适应差分变异算子和进化策略重组算子.对5个高次代数方程求根问题进行了数值计算,结果表明,该算法能求解任意次数的实复系数代数方程的全部根,而且求解精度高,收敛速度快,是求解代数方程根的一种有效算法.     

一种改进的进化规划算法及其应用

进化规划是一种随机优化方法,它的目标是通过进化达到行为智能化。采用多个变异算子的多群进化规划算法,改进的进化规划算法还使用约束条件处理和精英保留策略以进一步提高算法的性能。将改进的进化规划算法应用于求多峰值函数极值学习,对改进算法的性能进行仿真,数值仿真实验结果显示该算法的有效性。     

基于双种群的进化策略算法

针对进化策略算法收敛速度较慢、容易早熟的问题,提出一种新的基于双种群的改进进化策略算法。将种群划分为规模较小的精英子群和规模较大的普通子群。精英子群用于存放种群中最优秀的个体,普通子群用于存放种群中的普通个体。对不同的子群采用不同的变异策略,使种群在解空间具有尽可能分散的全局搜索能力的同时在局部具有尽可能精细的局部搜索能力。通过理论分析证明了算法的正确性,对几个典型的函数应用该算法进行模拟进化实验,也取得了良好的效果。     

An improved differential evolution algorithm with triangular mutation for global numerical optimization

This paper presents an Improved Differential Evolution (IDE) algorithm for solving global numerical optimization problems over continuous space. The proposed algorithm introduces a new triangular mutation rule based on the convex combination vector of the triplet defined by the three randomly chosen vectors and the difference vector between the best and the worst individuals among the three randomly selected vectors. The mutation rule is combined with the basic mutation strategy through a non-linear decreasing probability rule. Furthermore, a restart mechanism is also proposed to avoid premature convergence. IDE is tested on a well-known set of unconstrained problems and shows its superiority to state-of-the-art differential evolution variants.     

差分进化算法的交叉概率因子递增策略研究

为了有效地控制差分进化算法的全局搜索和局部搜索,基于递增交叉概率因子的基本思想,在已有的自适应二次变异差分进化算法的基础上,提出了开口向下抛物线、开口向上抛物线和指数曲线3种非线性的交叉概率因子递增策略,并用4种经典函数对它进行测试。测试结果表明,对于多数连续优化问题,在初始参数相同的情况下,凹函数递增策略优于线性策略,而线性优于凸函数策略。凹函数递增策略能够在不影响收敛精度的情况下较大幅度地提高差分进化算法的收敛速度。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对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、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

Multiobjective differential evolution using homeostasis based mutation for application in software cost estimation

The problem in software cost estimation revolves around accuracy. To improve the accuracy, heuristic/meta-heuristic algorithms have been known to yield better results when it is applied in the domain of software cost estimation. For the sake of accuracy in results, we are still modifying these algorithms. Here we have proposed a new meta-heuristic algorithm based on Differential Evolution (DE) by Homeostasis mutation operator. Software development requires high prediction and low Root Mean Squared Error (RMSE) and mean magnitude relative error(MMRE). The problem in software cost estimation relates to accurate prediction and minimization of RMSE and MMRE, which are used to solve multiobjective optimization. Many versions of DE were proposed, however multi-objective versions where the concept of Pareto optimality is used, are most popular. Pareto-Based Differential Evolution (PBDE) is one of them. Although the performance of this algorithm is very good, its convergence rate can be further improved by minimizing the time complexity of nondominated sorting, and by improving the diversity of solutions. This has been implemented by using efficient nondominated algorithm whose time complexity is better than the previous one and a new mutation scheme is implemented in DE which can provide more diversity among solutions. The proposed variant multiplies the Homeostasis value with one more vector, named the Homeostasis mutation vector, in the existing mutation vector to provide more bandwidth for selecting effective mutant solutions. The proposed approach provides more promising solutions to guide the evolution and helps DE escape the situation of stagnation. The performance of the proposed algorithm is evaluated on twelve benchmark test functions (bi-objective and tri-objective) on the Pareto-optimal front. The performance of the proposed algorithm is compared with other state-of-the-art algorithms on five multi-objective evolutionary algorithms (MOEAs). The result verifies that our proposed Homeostasis mutation strategy performs better than other state-of-the-art algorithms. Finally, application of MODE-HBM is applied to solve in terms of Pareto front, representing the trade-off between development RMSE, MMRE, and prediction for COCOMO model.     

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。     

基于多变异策略的自适应差分进化算法

为了克服差分进化算法寻优精度低、收敛速度慢、稳定性差等不足,提出一种基于多变异策略的自适应差分进化算法（ADE-MM）。首先,在3个变异策略的选择过程中添加2个具有学习功能的扰动阈值,以提高种群多样性,扩大搜索范围;然后,根据上次迭代的成功参数自适应调整当前参数,提高寻优精度和寻优速度;最后,利用向量粒子池法和中心粒子法产生新的向量粒子,进一步提高寻优效果。使用8个函数、5种对比算法（RMDE、OLCPDE、JADE、SaDE、MDE_pBX）进行测试,且每种例子都独立执行30次。ADE-MM算法在均值和方差的比较中取得了全胜,其中在30维的情况下取得了5个独立胜利,3个并列胜利;在50维的情况下取得了6个独立胜利,2个并列胜利;在100维的情况下全部为独立胜利。同时在Wilcoxon rank sum test、胜率和算法耗时分析中,ADE-MM算法也取得优异的表现。实验结果表明,相对于其他5种对比算法,ADE-MM算法具有更强的全局寻优能力、收敛性和稳定性。     

多策略协方差矩阵学习差分进化算法

针对差分进化算法（DE）存在的早熟收敛和搜索停滞的问题,提出了多策略协方差矩阵学习的差分进化算法。通过协方差矩阵建立特征坐标系,通过在特征坐标系中执行变异和交叉操作,来充分利用当前种群的分布信息以及各变量之间的关系,保证种群能朝着全局最优解的方向进化;根据历史进化信息来选择变异策略的方式使得个体能选择当前最合适的变异策略,提高找到最优解的概率;交叉概率的自适应也一定程度上平衡算法的全局探索能力和局部探索能力。对算法的收敛性进行了证明,同时将算法在CEC2017测试集上进行了仿真实验,并将实验结果跟其他优秀的差分进化算法进行了对比,对比结果表明了该算法的有效性。     

基于差分扰动的混合蛙跳算法

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、求解精度低的缺点,借鉴差分进化中的变异思想,提出了一种改进的混合蛙跳算法,利用子群中其他个体的有利信息,对其更新策略进行局部扰动。实验结果表明,改进的混合蛙跳算法对复杂函数优化问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于所比较的算法。