基于混合变异策略的动态差分演化算法

为提高差分演化算法的收敛速度和求解精度,提出了一种基于混合变异策略和参数自适应调整的动态差分演化算法,该算法首先选用3种变异策略作为候选池,通过记录各策略的历史效果来设置其候选概率,每个个体采用轮盘赌的机制从候选池中选取一个变异策略进行变异,在选择时采用动态机制让变异交叉产生的优秀试验个体直接替换目标个体来提高算法的收敛速度,算法的变异算子F、交叉算子CR根据进化中的反馈信息自适应动态调整。利用13个不同类型的经典测试函数进行实验,结果表明算法在收敛速度和求解精度上具有比较好的优势。     

基于差分演化的GEP决策树算法

基于均匀常数分布的基因表达式编程决策树算法存在对多属性数据分类效果不佳的问题。为此,提出一种基于差分演化的基因表达式编程决策树算法,该算法通过引入差分演化的方法对其附加阈值进行改进,从而使均匀的常数数组在保持均匀分布的同时仍不失多样性。实验结果表明,该方法在多属性数据的分类问题上能够得到良好的效果。     

基于差分演化的果蝇优化算法

针对基本果蝇优化算法在求解高维函数时存在求解精度低、迭代收敛速度较慢等问题,提出一种基于差分演化的果蝇优化算法。该算法将差分演化策略融合到果蝇优化算法中,对每代产生的群体进行变异、交叉、选择操作,增加种群的多样性,使其能更快、更有效地求解高维函数问题。对12个基准函数进行了仿真验证,结果表明,与基本的果蝇优化算法和差分演化算法相比,新算法在收敛速度、求解精度上都具有明显的优越性。     

多变异策略的自适应差分演化算法

差分演化(Differential Evolution,DE)算法的性能依赖于变异策略的选择和控制参数的设置.不同问题对DE的变异策略和参数的设置各不相同.为了提高DE的性能,提出一种多变异策略的自适应差分演化算法,建立由多种变异策略组成的策略池,两个主要参数自适应策略控制.为了验证所提算法的性能,在测试数据集CEC2013上进行了实验,并将其与使用6种不同变异策略的原始DE和4种改进DE进行比较.实验结果表明,提出的算法是一种有效的DE变种,其性能优于其它DE.     

基于模拟退火的混合差分演化算法研究

介绍了一种求解函数优化问题的新策略--差分演化算法,与其它算法相比,该算法具有稳健性强,收敛速度快的优点;同时,把模拟退火策略融入到差分演化的过程中,提出了一个混合演化算法--基于模拟退火的混合差分演化算法,实验表明混合后的算法比单一的差分演化算法更稳健,收敛速度也略有提高.     

差分演化算法各种更新策略的对比分析

差分演化算法（differential evolution,DE）是一种模拟生物演化过程的随机搜索方法,具有收敛速度快,鲁棒性好等优点。目前DE有多种交叉和变异策略,它们在求解各类优化问题时表现出各自不同的性能。介绍了10种差分演化算法的更新策略,并利用标准测试函数集对它们进行了全面与系统的实验比较。通过分析采用这些策略的DE算法在不同解空间及进化各阶段的收敛曲线特点,对比总结了不同版本的DE算法在各类环境下的搜索性能。该研究一方面能够为DE算法的实际应用提供技术指导,帮助学者选择合适的DE更新策略以更好地解决工程问题;另一方面能够为新型DE更新策略的开发和自适应DE算法的设计提供理论基础。     

基于差分演化的粒子群算法

粒子群优化算法是一种简单有效的随机全局优化算法.但粒子群优化算法有易陷入局部极值点,进化后期收敛速度慢,精度较差的缺点.为了改进粒子群优化算法,将差分演化算法融合到粒子群优化算法中,在算法中,将粒子每代的所有局部最优位置进行变异、杂交、选择操作,提出了基于差分演化的粒子群算法.使粒子群算法和差分演化的探测和开发能力得到有效利用与平衡,提高了求解进度和效率,并通过仿真验证算法的性能优于带线性递减权重的粒子群优化算法和差分演化算法.     

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。     

一种自适应差分演化算法

差分演化算法是一类基于种群的启发式全局搜索技术,对于实值参数的优化具有很强的鲁棒性。为了提高差分演化算法的寻优速度、克服启发式算法常见的早熟收敛问题,提出了一种自适应的方法来调整控制参数。实验表明,算法的收敛速度和寻优能力得到很大的提高。     

基于差分演化算法的粗糙集属性约简

属性约简是粗糙集(RS)理论的核心内容之一。应用差分演化(DE)算法求解最小属性约简是一个新的方向。对差分演化算法进行了改进,给出了一种新的适应值函数的定义形式;并在此基础上提出了基于差分演化算法的属性约简算法。最后利用多组数据对该算法进行了仿真实验,并与现有算法进行了比较分析。实验结果表明该算法是有效的,能快速地进行属性约简。     

基于混沌搜索的微分进化算法

针对基本微分进化算法在后期收敛速度慢,搜索能力差等问题,利用混沌搜索的随机性、遍历性以及对初值的敏感性等特性,提出了一种混合混沌搜索的微分进化算法——混沌微分进化算法。该算法既保持了基本微分进化算法结构简单的特点,又能提高算法的收敛速度、计算精度以及全局寻优能力。数值仿真结果表明,该算法的性能优于基本微分进化算法。     

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO.引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力.8...     

基于最优高斯随机游走和个体筛选策略的差分进化算法

针对差分进化算法开发能力较差的问题, 提出一种具有快速收敛的新型差分进化算法. 首先, 利用最优高斯随机游走策略提高算法的开发能力; 然后, 采用基于个体优化性能的简化交叉变异策略实现种群的进化操作以加强其局部搜索能力; 最后, 通过个体筛选策略进一步提高算法的探索能力以避免陷入局部最优. 12 个标准测试函 数和两种带约束的工程优化问题的实验结果表明, 所提出的算法在收敛速度、算法可靠性及收敛精度方面均优于EPSDE、SaDE、JADE、BSA、CoBiDE、GSA和ABC等算法, 在加强算法探索能力的同时能够有效地提高算法的开发能力.

     

基于网格化拉马克学习机制的差分进化算法

引入拉马克进化理念,提出一种基于网格化拉马克学习机制的差分进化算法。该算法在网格划分机制建立起的分布式搜索框架下,采用单元格最优解保护机制、学习步长机制、解空间同仁机制和定矢变异机制组成拉马克学习模式。仿真结果表明,所提算法可以充分发挥拉马克学习的局部搜索能力,又可有效避免早熟收敛,其求解精度明显优于其他比较算法。将所提算法应用于电力系统最优潮流计算问题,获得了良好的优化效果。     

基于自适应变异算子的差分进化算法

针对差分演化算法易于早熟、收敛速度慢和收敛精度低等问题,提出一种基于自适应变异算子的差分进化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略,首次将加权异维学习策略引入差分演化算法中,有效地提高了种群的多样性;根据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能依据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,加快算法收敛速度、提高其收敛精度。通过在20个典型的测试函数上进行测试,与7种具有代表性的算法相比,结果表明提出的算法在求解精度和收敛速度上具有很大优势,并显示出了非常好的鲁棒性。     

基于抽象凸估计选择策略的差分进化算法

针对传统差分进化算法计算代价、可靠性及收敛速度的问题,提出一种基于抽象凸估计选择策略的差分进化算法(DEUS).首先,通过提取新个体的邻近个体建立局部抽象凸下界松弛模型;然后,利用下界松弛模型估计目标函数值来指导种群更新,同时利用下界估计区域极值点快速枚举算法系统排除部分无效区域;最后,借助线性拟凸包络的广义下降方向有效地实现局部增强.12个标准测试函数的实验结果表明,所提算法计算代价、可靠性及收敛速度均优于DE及DERL,DELB,Sa DE等改进算法.     

基于随机邻域变异和趋优反向学习的差分进化算法

传统差分进化（DE）算法在迭代过程中不能充分平衡全局勘探与局部开发,存在易陷入局部最优、求解精度低、收敛速度慢等缺点。为提升算法性能,提出一种基于随机邻域变异和趋优反向学习的差分进化（RNODE）算法并对其进行复杂度分析。首先,为种群中每个个体生成随机邻域,用全局最佳个体引导邻域最佳个体生成复合基向量,结合控制参数自适应更新机制构成随机邻域变异策略,使算法在引导种群向最优方向趋近的同时保持一定的勘探能力;其次,为了进一步帮助算法跳出局部最优,对种群中较差个体执行趋优反向学习操作,扩大搜索区域;最后,将RNODE与九种算法进行对比以验证RNODE的有效性和先进性。在23个Benchmark函数和两个实际工程优化问题上的实验结果表明,RNODE算法收敛精度更高、速度更快、稳定性更优。     

多策略多参数并行差分进化算法

针对差分进化（DE）算法收敛早熟与计算效率不理想的问题,提出一种改进的差分进化算法。首先,在进化中同时并行多个策略与参数组合来提高个体多样性。其次,依据建立的评价指标自适应地调整组合来提高寻优效率。最后,把进化过程分为若干的子进程以避免前期优势组合不适应后期的问题。在10个标准测试函数上的实验结果表明,提出的算法与其他算法相比具有相对较好的性能。     

基于进化采样的粒子滤波算法

在粒子滤波算法中, 重采样的引入有效地改善粒子退化现象, 但同时也导致了粒子多样性减弱问题的产生. 本文给出了一种基于进化采样的改进粒子滤波算法. 该算法在重采样过程后, 首先根据马尔可夫链蒙特卡罗(Markov-Chain-Monte-Carlo, MCMC) 技术和遗传算法中的模拟二进制交叉原理生成候选粒子, 并利用适应度函数完成对于其权重的度量. 然后结合当前时刻的重采样粒子构建候选粒子集, 进而提升了重采样后粒子的多样性, 最终依据粒子自身的权重实现粒子的优选. 仿真结果表明: 该算法可有效地提高     

基于抽样排序和层次划分的直方图发布算法

针对直方图发布算法面临的隐私保护和数据可用性问题,提出一种基于抽样排序和层次划分的直方图发布算法。算法将指数机制和轮盘赌抽样技术相结合,对原始直方图进行抽样排序,使相似数据以较大概率排在一起;利用层次划分算法对排序后的直方图进行划分,以降低所划分分组中不同数据间的误差;最后对分组后的直方图添加拉普拉斯噪声,并恢复原始顺序,得到待发布直方图。仿真测试结果表明,该算法在满足差分隐私的前提下有效提高了发布数据的可用性。