一种基于双精英种群的协同进化算法研究

针对传统带精英策略的多目标进化算法种群收敛分布不够均匀,全局搜索能力不足的缺点,提出一种基于双精英种群的协同进化算法DEPEA(Double Elite Populations Co-evolutionary Algorithm)。该算法借鉴了子区间划分和非支配排序思想,将整个种群划分成两个不同级别的精英种群和一个普通种群;两个精英种群结合协同进化思想分别采用不同的进化策略实现对算法的探究和探查能力的平衡,高级别的精英种群与低级别的精英种群采用协作操作,促进更优秀的个体产生;高级别的精英种群与普通种群采用引导操作,加快普通个体向精英个体逼近。通过对五个标准的测试函数进行实验,并与传统的NSGA-II算法和最新的hybird_MOEA算法结果进行比较与分析,表明该算法不仅具有更好的全局收敛性,且能够更好地保证种群的多样性。     

湿法炼锌沉铁过程氧化速率优化控制

湿法炼锌沉铁过程针铁矿沉淀形成的条件要求苛刻, 亚铁离子的氧化速率必须控制在合理的范围内才能保证溶液中的铁离子以针铁矿形式除去. 本文在沉铁过程动态模型的基础上, 根据针铁矿沉淀形成的条件和结合流程工艺要求, 优化设定每个反应器出口的亚铁离子浓度, 进而建立针铁矿法沉铁过程氧化速率优化控制模型. 采用控制参数化方法将最优控制求解问题转化为非线性规划, 通过状态转移优化算法求取最优的氧气和氧化锌控制率, 以合理控制沉铁过程亚铁离子的氧化速率. 仿真结果表明, 优化控制模型计算所得的控制量不仅可以保证反应过程的氧化速率符合生成针铁矿沉淀的条件, 而且可以稳定生产流程.     

一种多目标优化合作型协同进化算法

基于合作型协同进化模型,提出了一种新型的多目标优化进化算法.该算法使用精英保留的思想以加快收敛速度,并采用一种新型的子群体间合作方式,提高了候选解的多样性,且避免了在一般多目标优化进化算法中难以处理的适应值分配或非支配排序过程,从而大大减小了计算资源的消耗.使用图形法和三种定量的测度将所提算法与一种经典的多目标优化进化算法NSGA-Ⅱ在一组标准测试函数上进行了比较,结果表明算法具有更高的搜索效率.     

湿法炼锌过程检测难点及应用探讨

０　引言 湿法炼锌是将硫化锌精矿经焙烧、浸出、电解沉积和铸锭等工序产出电锌。其过程检测主要参数且难度较大的有脏污煤气流量、矿浆流量、连续浸出ｐＨ值、矿浆液位、金属成分等，因为有色冶炼过程环境恶劣（多尘、酸雾、高温），被测介质又大多存在强腐蚀、易结晶、脏污等特点，检测参数不同，其给测量带来的困难也各不相同，因篇幅所限，本文着重阐述浸出过程中有关测量难点的解决方法及其应用探讨。１连续浸出ｐＨ值的自动测量 浸出是用溶剂从固体物料中溶解一种或几种组分进入溶液的过程，为得到杂质，悬浮物含量低，便于净化和电解…     

基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

一种多微粒群协同进化算法

受自然界共生现象的启发,将微粒群算法和协同进化相结合,提出了一种多微粒群协同进化算法。进化过程中,粒子不仅要与本子群的其他微粒交换信息,还要受其他子群体的影响。通过对三个标准函数优化的实验结果表明,此算法在一定程度上避免了陷入局部极值点并且提高了收敛精度。     

一种双种群进化规划算法

在分析了导致进化规划算法早熟原因的基础上,提出了一种新的双群进化规划算法.在该算法中,进化在两个不同的子群间并行进行,通过使用不同的变异策略,实现种群在解空间具有尽可能分散的探索能力的同时在局部具有尽可能细致的搜索能力.通过子群重组实现子群间的信息交换.对该算法性能进行的理论分析以及基于典型算例的数字仿真均证明该算法具有更好的性能.     

协同进化算法研究进展

为了应对复杂优化问题的高维、大规模、多类变量混合、强约束、多极小、多目标、动态与不确定等诸多求解难点,协同进化已成为改善进化算法性能的有效途径。对此,分别从种群协同、个体协同、算法协同、操作协同、参数协同、策略协同、人机协同等方面,对协同进化算法的代表性研究进展给予了综述,重点总结了协同进化的机制和算法设计,并介绍了协同进化算法在若干领域的应用,最后指出了有待于进一步研究的若干方向和内容。     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

协同进化蚁群算法及其在多目标优化中的应用

针对蚁群算法ACS的控制参数难以确定和早熟停滞等缺陷,提出了进化蚁群系统算法模型EACS.EACS通过引入选择、交叉和变异等操作,实现算法参数的自适应调整.标准测试实例的计算结果表明,EACS算法能够克服上述缺陷,便于工程应用.根据协同进化的思想进一步提出了多目标协同进化蚁群算法CACSM.CACSM中的多个群体协同进化,每个群体对应一个目标,并对其它群体的搜索产生影响.CACSM实现了仅通过算法一次运行便求得若干Pareto最优解,提供了更大的决策空间.最后通过一个多目标组合优化问题--岩石钻孔机路径选择问题的求解,验证说明了CACSM的有效性和适用性.     

The dynamics of the best individuals in co-evolution

There continues to be a growing interest in the use of co-evolutionary algorithms to solve difficult computational problems. However, their performance has varied widely from good to disappointing. The main reason for this is that co-evolutionary systems can display quite complex dynamics. Therefore, in order to efficiently use co-evolutionary algorithms for problem solving, one must have a good understanding of their dynamical behavior. To build such understanding, we have constructed a methodology for analyzing co-evolutionary dynamics based on trajectories of best-of-generation individuals. We applied this methodology to gain insights into how to tune certain algorithm parameters in order to improve performance.     

二分微粒群协同进化优化算法

针对微粒群优化算法易发生过早收敛问题,受自然界分而治之的思想和共生现象的启发,提出了一种二分微粒群协同进化优化算法,算法的主要思想是在奇数次对种群进行寻优,在偶数次将微粒群分为两个子种群,子种群独立完成寻优任务,与其他群体几乎不发生联系。最后,通过对5个标准函数的测试结果表明,提出的算法在一定程度上避免了陷入局部极值点,并且提高了收敛精度。     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

基于改进粒子群优化的锌电解分时供电优化

依据电力部门的分时计价政策,利用由生产过程数据所建立的不同电解液酸锌比下电流效率及槽电压与电流密度之间的关系,建立了锌电解过程分时供电优化模型。同时提出了一种改进的粒子群优化算法,该算法采用轮盘赌的方法选择整个粒子群当前最优位置,降低了算法过早收敛于局部最优解的几率。最后将改进算法应用于分时供电优化,以获得最优的分时供电方案。仿真及实际应用结果表明,算法地改进大大提高了其全局搜索能力,分时供电的优化能显著降低锌电解过程的用电费用。     

求解大规模优化问题的新型协同差分进化算法

基于分而治之的策略,研究求解大规模优化问题的新方法。首先,基于加性可分性原理提出一种改进的变量分组方法,该方法以随机取点的方式,成对检测所有变量之间的相关性;同时,充分利用相关性学习的信息,对可分变量组进行再次降维;其次,引入改进的差分进化算法作为新型子问题优化器,增强了子空间的寻优性能;最后,将两项改进引入到协同进化框架构建DECC-NDG-CUDE算法。在10个选定的大规模优化问题上进行分组和优化两组仿真实验,分组实验结果表明新的分组方法能有效识别变量的相关性,是有效的变量分组方法;优化实验表明,DECC-NDG-CUDE算法对10个问题的求解相对于两种知名算法DECC-DG、DECCG在性能上具备整体优势。     

改进果蝇算法在净化除钴过程锌粉量优化设定中的应用

本文提出一种基于细菌迁徙的自适应果蝇算法(CAFOABM),用于求解净化除钴过程锌粉添加量优化设定问题.首先从净化除钴的反应机理出发,通过引入除钴率建立锌粉添加量与氧化还原电位值、出口钴离子浓度间带约束的非线性优化设定模型;为了避免果蝇算法在迭代寻优过程中出现停滞现象,CAFOABM引入多种群并行搜索策略和改进搜索算子对搜索状态的转移规则进行改进;并采用区分可行解与不可行解法进行约束处理,保留一定比例的不可行解个体,有效避免了有用解信息的丢失.实际生产数据验证结果表明,CAFOABM算法优化设定的锌粉添加量与人工操作的经验数据相比减少7.83%,出口钴离子浓度满足实际生产要求且趋于平稳.     

基于K-均值聚类的协同进化粒子群优化算法

针对粒子群优化（PSO）算法优化高维问题时,易陷入局部最优,提出一种基于K-均值聚类的协同进化粒子群优化（KMS-CCPSO）算法。该算法通过引入K-均值算法扩大种群的局部搜索范围,采用柯西分布和高斯分布相结合的方法更新粒子的位置。实验结果表明,该算法具有较好的优化性能,其优势在处理高维问题上更为明显。     

基于多种群协同进化计算的创新概念设计

针对建筑设计领域应用计算机辅助设计存在的一些问题,通过深入分析概念设计过程中的创新思维和各类创新技法,提出一种基于多种群协同进化的概念创新设计方法,并阐述其具体的实现技术.同时将进化计算应用到创新设计领域,能够取得传统设计方法所无法得到的结果.     

基于遗传算法的基坑支护协同演化处理模型

分析了基于遗传算法的协同演化优化方法及深基坑支护的特点。提出了用基于遗传算法的协同演化优化方法来求解基坑支护层次性优化问题的模型,并给出了约束处理和目标函数转换的策略。实例表明所提出的策略是可行有效的。