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。     

一种新颖的改进自适应和声算法

为了克服自适应和声算法求解多模函数时的缺陷,提出一种新颖的改进自适应和声算法。首先,新算法设计了一种新颖的自适应候选和声向量产生策略,提升了算法的搜索范围;其次,新算法提出了一种和声调整率PAR的设置方式,新方式随着进化代数增加逐渐增加PAR数值。针对五个标注测试函数的实验结果表明,与目前最有竞争力的自适应和声算法相比,新算法收敛速度更快寻优效果更好。     

分段式量子-单纯形进化算法及函数优化

量子进化算法在高维复杂函数优化上存在容易陷入局部最优解、进化后期收敛速度慢的问题,为进一步提高其搜索性能,提出了一种带单纯形搜索算子的分段式量子进化算法。该方法将搜索过程分为3个阶段,首先用量子进化算法搜索到一定代数,然后将种群分为若干个子种群,每个子种群中的个体作为单纯形法的初始顶点,并行地用单纯形法进行搜索,将搜索后的子种群再合并,继续用量子进化算法进行最后的搜索。对几个典型的高维函数进行仿真的结果表明,该算法具有更快的收敛速度和更高的求解精度。     

基于单纯形算子的混合差分进化算法

针对DE／rand／1／bin方案收敛速度慢的缺点,提出一种将单纯形确定性算法和差分进化随机搜索算法相结合的混合优化算法。利用差分进化算法搜索范围广、全局搜索能力强和单纯形算法局部搜索能力强、收敛速度快的特性,较大地提高了差分进化算法的收敛速度和搜索精度。典型Benchmarks复杂函数优化实验表明,该算法优化效率高、优化性能好、对初值具有较强的鲁棒性,性能优于单一的优化方法。     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

基于动态自适应策略的改进差分进化算法

针对差分进化算法处理复杂优化问题时存在后期收敛速度变慢、收敛精度不高和参数设置困难的问题,提出了一种基于动态自适应策略的改进差分进化算法(dn-DADE)。首先,新的变异策略DE/current-to-dnbest/1利用当前种群中的精英解引导有效的搜索方向来动态调整可选的精英解,使其在进化后期趋于全局最优解。其次,分别设计了缩放因子和交叉因子的自适应更新策略,使两者在搜索的不同阶段自适应变化,以弥补差分进化算法对参数敏感的不足,进一步提高算法的稳定性和鲁棒性。对14个benchmark函数进行了测试并与多种先进DE改进算法进行了比较,结果显示,dn-DADE算法具有较高的求解精度,收敛速度快,寻优性能显著。     

基于改进和声搜索的自适应DBSCAN算法

DBSCAN算法作为一种经典的聚类算法被广泛地应用于各领域,但由于其参数的自适应性较差,应用效果完全取决于参数的设置。基于此,提出了基于改进和声搜索的自适应DBSCAN算法,以提高DBSCAN算法的自适应性。算法采用K-平均最近邻算法优化初始种群,从而改善初始种群质量,为后续的进化计算提供优质解;设计了基于双差分的更新算子,提升算法的搜索能力;采用两种更新策略结构避免算法过早收敛,提高和声搜索算法的寻优能力进而全面提升DBSCAN算法的自适应性。采用多种数据集并设计对比实验验证提出的算法。实验结果表明,提出的算法具有更佳的识别能力和自适应性。     

基于群体分布的自适应差分进化算法

差分进化算法是一种简单有效的启发式全局优化算法,但是其优化性能受差分进化策略及控制参数取值的影响较大,不合适的策略和参数容易导致算法早熟收敛。因此,针对差分进化算法搜索过程中变异策略和控制参数的选择问题,文中提出了一种基于群体分布的自适应差分进化算法(Population Distribution-based Self-adaptive Differential Evolution,PDSDE)。首先,设计适应因子以衡量当前种群的分布情况,进而实现算法所处进化阶段的自适应判断;然后,根据不同进化阶段的特点,设计阶段特定的变异策略和控制参数,并设计自适应机制以实现算法策略和参数的动态调整,从而平衡算法的全局探测和局部搜索能力,以达到提高算法搜索效率的目的;最后,将所提算法与6种主流改进算法进行比较。15个典型测试函数的数值实验表明,所提算法在平均函数评价次数、求解精度、收敛速度等指标的评价优于文中给出的6种主流改进算法,因此可以证明所提算法的计算代价、优化性能和收敛性能更具优势。     

基于双变异模式协同的自适应微分进化算法

针对微分进化算法(DE)易陷入局部最优解、进化后期收敛速度慢、求解精度低等缺点,结合DE/rand/1和DE/best/1两种变异模式分别具有全局探索能力和局部开发能力的优点,引入精英存档策略和控制参数自适应策略,提出一种双变异模式协同自适应微分进化(DMCSaDE)算法.15个典型benchmark测试函数的实验结果表明,DMCSaDE能够有效提高算法的全局探索能力和局部开发能力,避免早熟收敛,大大提高算法的收敛性能和鲁棒性,同时,精英种群的大小对DMCSaDE的优化性能具有明显的影响.     

自适应微调扰动和声搜索算法几何约束求解研究*

几何约束求解的方法关系到特征造型系统的性能,为提高几何约束求解的速度,将和声搜索算法应用于几何约束求解中。通过优先选择较小的和声库,利用最好解的评价值确定微调扰动的幅度,并将其嵌入到拉斯维加斯算法中,提高了和声搜索算法的性能。实验结果表明,改进的和声算法具有自适应性,能有效克服局部收敛问题,提高了求解速度。     

基于改进离散和声算法的批量流水线调度研究

针对批量流水线调度问题,提出了以总流经时间为目标的改进离散和声算法。与基本的和声算法相比,该算法首先采用了基于工件序列的编码方式,使其直接应用于调度问题,同时运用NEH和SWAP方法产生初始和声库,保证了初始种群具有较高的质量和多样性。使用自适应和声微调概率参数和INSERT方法产生新解,提高了算法的优化性能。为了提高算法的局部搜索能力,结合交换扰动策略和插入邻域搜索算法给出了两种混合求解策略。仿真实验表明所提算法的有效性。     

一种基于演化算法的BP改进算法

本文在对BP神经网络算法分析的基础上,提出一种基于演化算法的BP改进算法(EBP)。该算法将演化算法运用到BP算法学习率的求解中,从而达到学习率的自适应、自组织的目的。实验结果表明,使用EBP算法进行求解函数逼近、优化和建模等BP神经网络应用问题,都要比传统的BP算法具有更好的精确度和收敛速度,并且能够克服传统BP算法易陷入局部最优解、学习过程出现震荡等缺点。     

自适应块匹配搜索算法研究

为从视频序列提取运动矢量,进行有效的视频检索,对现存的运动特征的提取算法存在的问题进行了分析,提出了基于自适应块匹配搜索的全局运动特征提取方法。实验表明该算法在大大提高搜索速度的同时,能够获得几乎与全搜索算法相同的峰值信噪比（PSNR）。     

全局竞争和声搜索算法

提出一种全局竞争和声搜索(GCHS) 算法, 给出随机局部平均和声和全局平均和声的概念, 建立竞争搜索机制, 实现每次迭代产生两个和声向量并进行竞争选择. 设计自适应全局调整和局部学习策略, 平衡算法的局部搜索和全局搜索, 详细分析参数HMS、HMCR和PAR对算法优化性能的影响. 数值结果表明, GCHS 算法在精度、收敛速度和鲁棒性方面比和声搜索算法及最近文献中提出的7 种优秀改进和声搜索算法要好.

     

基于改进自适应和声遗传算法的装配序列优化研究

在考虑装配工具及零件装配方向改变对装配成本影响的同时, 增加装配体约束稳定性影响作为装配序列优化评价要素, 构建装配成本模型。基于装配体几何约束关系, 建立装配方向约束矩阵和连接关系矩阵, 并依据专家知识得到零件所对应工具的映射表, 通过矩阵扫描得到装配成本惩罚次数, 并与惩罚系数加权得到装配成本函数值。在和声算法中引入自适应的参数调节方式及遗传算子, 使和声算法能够解决离散型数学问题, 并较好地改善了和声算法方向性差的缺点, 通过求解惩罚函数最小值, 得到其所对应的最优装配序列解, 最后结合实例对比, 验证了该方法有的效性。     

改进的自适应邻域的多目标进化算法

提出了一种新的自适应邻域的多目标进化算法,该算法采用自适应邻域的方法维护群体的分布性。探讨了根据当前群体情况进行自适应改变邻域半径,避免了传统邻域策略所引起的邻域半径的取值影响群体分布性的问题。另外,利用自适应邻域半径和拥挤距离进行密度估计,使密度小的个体得到保留。实验结果表明,所讨论的方法是有效的,在保持群体分布性上优于NSGAII和NMOEA。     

An improved master-apprentice evolutionary algorithm for minimum independent dominating set problem

The minimum independent dominance set (MIDS) problem is an important version of the dominating set with some other applications. In this work, we present an improved master-apprentice evolutionary algorithm for solving the MIDS problem based on a path-breaking strategy called MAE-PB. The proposed MAE-PB algorithm combines a construction function for the initial solution generation and candidate solution restarting. It is a multiple neighborhood-based local search algorithm that improves the quality of the solution using a path-breaking strategy for solution recombination based on master and apprentice solutions and a perturbation strategy for disturbing the solution when the algorithm cannot improve the solution quality within a certain number of steps. We show the competitiveness of the MAE-PB algorithm by presenting the computational results on classical benchmarks from the literature and a suite of massive graphs from real-world applications. The results show that the MAE-PB algorithm achieves high performance. In particular, for the classical benchmarks, the MAE-PB algorithm obtains the best-known results for seven instances, whereas for several massive graphs, it improves the best-known results for 62 instances. We investigate the proposed key ingredients to determine their impact on the performance of the proposed algorithm.     

基于Powell局部搜索策略的全局优化布谷鸟算法

为了解决布谷鸟搜索算法后期收敛速度慢、求解精度不高、易陷入局部最优等缺陷,提出了一种基于Powell局部搜索策略的全局优化布谷鸟搜索算法.算法将布谷鸟全局搜索能力与Powell方法的局部寻优性能有机地结合,并根据适应度值逐步构建精英种群候选解池在迭代后期牵引Powell搜索的局部优化,在保证求解速度、尽可能找到全局极值点的同时提高算法的求解精度.对52个典型测试函数实验结果表明,该算法相比于传统的布谷鸟搜索算法不仅寻优精度和寻优率有所提高,并且适应能力强、鲁棒性好,与最新提出的其他改进算法相比也具有一定的竞争优势.     

具有快速收敛和自适应逃逸功能的粒子群优化算法

为了克服标准粒子群优化算法(PSO)后期收敛速度慢、容易陷入局部最优等缺点,借鉴人工蜂群算法的思想,提出了一种提高收敛速度并且带有自适应逃逸功能的粒子群优化算法(FAPSO)。算法中每进化一次粒子搜索两次：一次全局搜索,一次局部搜索。当粒子陷入局部最优时,通过逃逸功能使粒子重新搜索。8个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,相对于目前常用的改进粒子群优化算法如CLPSO等,t检验结果说明,新算法具有明显的优势。