基于锦标赛选择变异策略的改进差分进化算法及函数优化

针对差分进化算法传统变异策略在全局收敛鲁棒性和搜索效率上不能达到一个很好的折衷,并且算法的操作算子固定,导致搜索效率低、易早熟收敛等问题,文中在差分进化算法变异策略性能分析的基础上,提出了一种基于锦标赛选择的变异策略。该策略采用“锦标赛选择”对随机选取的变异向量排序选出基向量,差分向量选择有利于搜索的方向并对其 “强化”,以提高收敛速率和维持种群多样性;同时操作算子采用随机正态缩放因子F和时变交叉概率因子CR,以平衡局部搜索和全局搜索;最后,利用4个典型Benchmarks测试函数对改进算法进行测试。实验结果表明,该改进型差分进化算法能有效避免早熟收敛,较好地提高算法的全局收敛能力和搜索效率。     

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。     

采用概率判定法的分组变异自适应差分进化算法

为了平衡差分进化算法(DE)的全局探索和局部开发过程,提高算法避免陷入局部最优的能力,文中提出采用概率判定法的分组变异自适应差分进化算法(GVADE).GVADE采用概率判定法判定个体进化状态为较好、较差或一般,并根据个体进化状态为个体选择合适的变异算子和控制参数组.同时,为了满足进化状态较差个体变异的需要,设计具有较强全局探索能力的变异算子.在CEC2005标准测试集合上的实验表明,GVADE优于现有的其它DE算法,可以更好地平衡全局探索和局部开发,具有更高的收敛精度.     

基于遗传算法求解应急决策系统中的最优路径

提出了一种将模拟退火算法和遗传算法相结合的进化算法GASA,利用Boltzmann机制 接收交叉和变异后的个体,避免遗传算法中存在的早熟收敛问题,增强了算法的全局收敛性,并对遗 传算子(选择、交叉、变异算子)进行重构,引入新的交叉算子和变异算子能根据种群的进化情况动态 调整遗传算子,加速进化后期搜索效率。实验表明,将此算法用于应急决策系统的最优路径的求解中 与传统算法相比,能加速进化速度和全局寻优能力,提高应急决策效率。     

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。     

多资源均衡优化的布谷鸟算法

针对标准多目标布谷鸟算法(CSA)后期收敛速度慢、收敛精度不高的缺陷,提出一种求解多资源均衡优化问题的改进多目标布谷鸟算法。首先,引入非均匀变异算子,以均衡算法的全局搜索能力和局部寻优能力;然后,引进差分进化算子,促进群体间的合作和信息交流,提高算法的收敛精度。通过算例测试表明,改进的多目标布谷鸟算法比标准多目标算法和VEPSO-BP算法具有更好的全局收敛性。     

多资源均衡优化的布谷鸟算法

针对标准多目标布谷鸟算法(CSA)后期收敛速度慢、收敛精度不高的缺陷,提出一种求解多资源均衡优化问题的改进多目标布谷鸟算法。首先,引入非均匀变异算子,以均衡算法的全局搜索能力和局部寻优能力;然后,引进差分进化算子,促进群体间的合作和信息交流,提高算法的收敛精度。通过算例测试表明,改进的多目标布谷鸟算法比标准多目标算法和VEPSO-BP算法具有更好的全局收敛性。     

具有混沌差分进化搜索的人工蜂群算法

针对人工蜂群算法的不足,结合差分进化算法中的变异思想,提出一种改进的人工蜂群算法。其基本思想是在标准人工蜂群算法中观察蜂更新蜜源的阶段,使用差分进化算子对蜜源进行更新,在差分变异算子中引入混沌序列,以提高观察蜂在此阶段的局部搜索能力,最终获得最优蜜源。仿真结果表明,引入混沌差分进化搜索的蜂群算法无论在解的求解精度上还是算法的收敛速度上均优于标准人工蜂群算法,适合于复杂函数的全局优化问题。     

基于快速自适应差分进化算法的电力系统经济负荷分配

提出一种求解复杂电力系统经济负荷分配问题的快速自适应差分进化算法(FSADE).从矢量运算角度对变异算子进行分析,提出了一种改进的变异算子,大大提高了算法的收敛速率.根据个体的进化过程,引入自学习机制,对个体的变异和交叉概率常数进行自适应地调整,提高了算法的鲁棒性.3个不同规模的算例仿真结果表明,与其他4种典型智能优化算法相比, FSADE具有更好的计算精度和计算速度,是一种求解电力系统经济负荷分配问题的有效方法.     

基于多变异个体的多目标差分进化改进算法

针对多目标差分进化算法在高维函数下收敛速度慢和易早熟的问题,提出一种基于多变异个体的多目标差分进化改进算法。通过在多目标差分进化算法的个体变异及交叉操作中,引入多个变异个体,使得在高维多目标函数情况下,多目标差分进化算法种群可以更好地保持多样性,减少种群陷入局部最优解的可能性,从而提高该算法在高维多目标优化问题环境下,最优值解的搜索速度及全局最优值解的查找能力。实验结果表明,在高维多目标环境下,与标准多目标差分进化算法相比,该算法可以更快速地找到多个目标函数组的非劣最优值解集。     

基于并行人工免疫算法的变精度属性约简

为了避免传统的人工免疫算法在属性约简时陷入局部最优解,提出了具有自适应特性的并行人工免疫算法,并且运用该算法进行粗糙集的变精度属性约简。该算法构造了趋同算子,异化算子和传优算子,利用“趋同”算子的分布性特点实现多个子种群的并行搜索,利用“异化”算子来交换种群之间优秀个体的信息,维持种群的多样性,利用“传优算子”把当前最优抗体分配到各个子群体当中,实现群体跨越式进化。在各个算子操作过程中,为了从准确度和覆盖度两方面来度量生成的规则集合的不确定性,引入了不确定量度HVPRS作为评价因子,并以此为依据,自动调整抗体的交叉概率和变异概率,使得算法不仅具有自适应的特性,而且所提取的规则集具有较高的覆盖能力和泛化能力。最后通过某发电厂发电机级故障诊断的实例,表明该算法获得的故障诊断规则集合具有较高准确度和覆盖度,满足了实际故障诊断中的要求。     

Novel adaptive genetic algorithm sample consensus

Random Sample Consensus (RANSAC) is a successful algorithm in model fitting applications when there are numerous outliers within the dataset. Achieving a proper model is guaranteed through the pure exploration strategy of RANSAC. However, finding the optimum result requires exploitation. Genetic Algorithm Sample Consensus (GASAC) is an evolutionary paradigm which adds the exploitation capability to RANSAC. Although GASAC improves the results of RANSAC, it has a fixed strategy for balancing between exploration and exploitation. In this paper, a new paradigm is proposed based on genetic algorithms using an adaptive strategy. We propose an adaptive genetic operator to select the proper number of high fitness individuals as parents and mutate the rest. This operator can adjust the ratio of exploration vs. exploitation phases according to the amount of outliers. Also, a learning method is proposed for the mutation operator to gradually learn which gene is the best replacement for the mutated gene. This operator guides the exploration phase towards good solution areas and therefore produces better individuals for further exploitation. The proposed method is extensively evaluated in two sets of experiments. In all tests, our method outperformed the other methods in terms of both the number of inliers found and the speed of the algorithm.     

融入遗传算法的混合蚁群算法

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一类融入遗传算法的混合蚁群算法.在每代进化中保留最优解和次优解的公共解集后引入遗传操中的交叉算子和变异算子进行运算.对优秀解公共解集的保留加快了算法收敛速度,引入交叉和变异扩大了解的搜索空间,提高了解的全局性.通过对TSP问题的仿真运算表明,融入遗传算法的蚁群算法在收敛速度和解的全局性上都有较大的改善.     

基于稳定策略的粒子群优化算法

为了解决传统粒子群算法易陷入局部最优解的问题,在借鉴生物学中“进化稳定策略”的基础上,对传统粒子群算法进行了改进,提出了基于稳定策略的粒子群算法.该算法的核心在于,通过稳定参数的设定,使种群中较优的一部分个体按照标准粒子群算法进行寻优,而对种群中其余部分的个体进行随机突变,以达到快速扩大搜索空间、稳定种群中个体多样性的...     

求解约束优化问题的佳点集多目标进化算法

结合数论中的佳点集理论和多目标优化方法,提出一种求解约束优化问题的进化算法。将约束优化问题转化为多目标优化问题,引入佳点集理论,以确保所构造的个体在搜索空间内分布均匀,设计变异算子增加个体多样性,采用分群局部搜索方式,并根据Pareto非支配关系选择群体中的优势个体。实验结果表明,该算法具有较好的稳定性。     

柔性多面体在遗传算法中的应用研究(I)

文章提出了一种柔性多面体的方向进化算子,并在基本遗传算法中嵌入柔性多面体搜索算法,从而构成了一种基于柔性多面体的新的混合遗传算法(flexiblepolyhedronhybridgeneticalgorithm,FP_HGA)。方向进化算子紧跟基本遗传算法的变异操作之后,其作用是使适应度较低的个体向适应度较高的个体进化;柔性多面体局部搜索算法作用是对当前代所有新个体在进入到下一代之前,使它移动到局部最优点。并用FP_HGA来求解Rosenbrock测试函数的最小值,FP_HGA算法和SGA(SimpleGeneticAlgorithm,SGA)算法的计算结果表明该混合遗传算法在收敛速度和精度方面均得到很大提高。     

双系统协同进化的基因表达式编程及其在函数发现中的应用

受人类进化过程的启发,提出了一种双系统协同进化的基因表达式编程算法DSCE-GEP。DSCE-GEP由自然进化系统和人工干预系统组成。人工干预系统包括个体干预和种群干预。个体干预是依据基因库对种群中的个体进行去劣和增优操作,旨在改善种群中个体的质量;种群干预通过引入随机和镜像个体来提高种群的多样性和全局寻优能力。与权威文献中改进的GEP关于函数发现问题的大量对比实验表明,本文算法在收敛速度、求解质量方面优于对比算法,具有明显的竞争力。     

一种实数编码量子进化算法及其收敛性

基于量子计算理论和进化理论,提出一种新的量子进化算法--基于实数编码的量子进化算法(RQEA).不同于传统进化算法的单点编码和量子进化算法的量子比特编码,该算法以实数矩形区域表示基因,一条染色体携带多个个体信息,利用量子态叠加和相干机理,通过叠加、变异及自学习来完成进化过程,理论分析证明了算法具有全局收敛性,实验结果表明,该算法在函数优化上具有优异的性能.     

求解无约束优化问题的知识进化算法及其收敛性分析

针对传统方法的随机盲目性和易陷入局部最优值等缺陷,提出一种求解无约束优化问题的知识进化算法(简称为UOP-KEA),并对算法的全局收敛性进行了分析.该算法的主要思想是:首先建立初始知识库,然后利用传承算子来实现对优秀知识个体的传承,利用创新算子来产生新的知识个体,利用更新算子来更新知识库,从而实现知识的进化,最后从知识库的最优知识个体中获取问题的最优解.将该算法应用于无约束非线性测试函数的最小值优化求解,获得了成功的结果.与遗传算法相比,该算法可以使用较小的种群规模,以较快的速度寻找到全局最优解,表明了它的可行性和有效性.     

基于混合编码的差异演化算法解0-1背包问题*

针对典型的一类NP完全问题——背包问题,提出一种混合编码的差异演化求解方法。该方法基于差异演化算法框架,采用混合编码机制,每个决策变量均由一个实数和一个二进制数的组合表示。利用新定义的映射算子,构建混合编码的种群;增加边界约束处理算子,确保变异算子计算结果满足边界约束条件;利用新定义的丢弃算子对于不可行的装包策略进行修正。通过数值仿真实验,将该方法与遗传算法、二进制差异算法的计算结果比较分析,表明该算法求解背包问题的有效性与适用性。