YYPO-SA：一种新的基于YYPO和SA的混合单目标随机优化算法

针对原阴阳对优化算法(YYPO)早熟易收敛的问题,在YYPO算法中的阴阳两点交换阶段加入模拟退火算法(SA)策略,提出了两种使用不同交换策略的新算法,即YYPO-SA1和YYPO-SA2,统称为YYPO-SA.YYPO-SA算法既保持了YYPO轻量级的特点,又综合了YYPO优秀的全局搜索能力和SA良好的局部搜索性能.算法采用2013年进化计算大会的单目标实参算法竞赛中使用的28个测试函数进行性能评估,将YYPO-SA和YYPO、自适应阴阳对算法(AYYPO)、改进的阴阳对算法(IYYPO),以及另三个性能优越的单目标优化算法,即灰狼优化算法、鲸鱼优化算法,正弦余弦算法进行性能比较.实验结果表明YYPO-SA能取得更为稳定的求优能力和更高的计算精度.最后通过一个工程优化任务来展示新算法的性能.     

基于全组合策略的多目标阴阳对算法

基于前沿的阴阳对优化算法（Front-based Yin-Yang-Pair Optimization,F-YYPO）是一种新颖的轻量级多目标优化算法,其利用两点--局部开发点[Pi1]和全局探索点[Pi2]在搜索过程中的迭代交换实现搜索。基于F-YYPO提出了一种改进的多目标优化算法F-ACYYPO。新算法对F-YYPO做了以下三方面的改进：（1）对多个目标函数进行全组合,以增强优化个体分布的均匀性;（2）引入已在YYPO算法中被证明有明显性能提高效果的缩放因子[α]自适应措施;（3）改进F-YYPO存档操作的更新方式。采用在2009年进化计算大会多目标优化算法竞赛中使用的UF测试套件以及PlatEMO平台下的DTLZ测试套件进行算法的性能评估,将F-ACYYPO与F-YYPO以及其他多种已知性能优良的多目标优化算法NSGA2、SPEA2、MOPSO、MOGWO、gamultiobj、MOEA\D、GDE3进行性能测试及比较,并通过两个综合性指标（反转世代距离IGD、超体积HV）和一个收敛性指标（世代距离GD）进行性能评价。实验结果表明,F-ACYYPO比F-YYPO具有更高的计算精度以及更快的收敛速度,并且与其他高性能多目标算法相比,F-ACYYPO表现出了很强的竞争性,在综合性能指标下有将近超1/2的测试用例占优。     

一种改进的粒子群优化算法

作为群体智能的代表性方法之一,粒子群优化算法(PSO)通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。提出了一种改进的粒子群优化算法(MPSO),该算法以广泛学习粒子群优化算法(CLPSO)的思想为基础,主要引入了选择墙的概念。同时在参数的设置中结合高斯分布的概念,以提高算法的收敛性。实验结果表明,改进后的粒子群算法防止陷入局部最优的能力有了明显的增强。同时,算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高。     

一种改进的粒子群优化算法

粒子群优化算法（PSO）是一种生物进化技术。依据粒子间的相互影响发现搜索空间中的最优解。通过分析基本PSO算法的进化方程,研究了一种具有更好收敛速度和全局收敛性的改进PSO算法。5个典型测试函数的仿真实验表明该改进算法是行之有效的。     

一种新的改进粒子群优化算法

研究神经网络优化问题,为了进一步解决粒子群优化算法本身存在的早熟和局部收敛的问题,提高神经网络训练精度,提出了一种区域选择粒子群算法(Regional Selection Particle Swarm Optimization,RSPSO).算法根据每个粒子所在区域不同,在每个粒子所在区域内,当适应值小于最佳适应值时,依据所在区域,重新进行初始化,从而使算法具有更强的全局收敛性和动态的自适应性.通过对几种典型的测试函数进行仿真结果表明改进算法具有更好的收敛精度,改善了优化性能,并且能够更有效避免早熟收敛问题,寻找到全局最优解.     

一种求解多目标优化问题的粒子群算法

提出一种多目标粒子群算法,其采用外部集合保存当前找到的最优解集,采用强ε支配关系更新外部集合,使解集保持良好的分布性.对粒子全局极值的选取设计新的选择思路,提出极值变异的思想,采用新的粒子更新策略加快解集的收敛,加入自适应变异算子避免陷入局部非劣最优解.通过使用一系列标准的测试函数进行实验,实验结果表明该算法在保持解集分布性和收敛性方面较有效,且实现简单、表现稳定.     

一种连续域函数优化蚁群算法的改进设计

本文在一种连续域函数优化蚁群算法基础上,对该算法做了进一步的改进,引入了自动判断收敛条件方法,同时,也改进了蚁群初始化方法、全局搜索策略以防止早熟和停滞现象。通过与其他连续域函数优化算法的比较结果证明,改进后的算法稳定性较好。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法（particle swarm optimization，PSO）是一种新兴的优化技术，其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点，在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题，提出了一种旨在保持种群多样性的改进PSO（IPSO）算法，以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试，结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能，而且还具有良好的稳定性。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

基于混沌搜索和错卦变换的阴阳平衡优化算法

针对基本阴阳平衡优化（YYPO）算法易早熟收敛的问题,基于混沌的遍历性,在算法中引入混沌搜索对更多区域进行探索,以提高全局探索能力。此外,借鉴《易经》中的错卦变换引入反向学习策略,对当前解的反向解进行集中搜索,提高局部开发能力。同时,为充分利用多核处理器等计算资源,还对算法进行了并行程序设计。采用标准测试函数进行数值实验,以测试基于混沌搜索和错卦变换的改进YYPO（CSIOYYPO）算法的求解性能。实验结果表明,与基本YYPO算法和自适应YYPO算法等YYPO算法以及其他类型智能优化算法相比,CSIOYYPO算法具有更高的计算精度和更快的优化速度。     

求解多目标优化问题的改进蚁群算法

蚁群算法是一种模拟蚂蚁行为进行优化的启发式优化算法,该算法在许多领域已经得到应用.针对多目标优化问题优化与求解较困难的问题,提出一种嵌入变尺度算法的改进蚁群算法用于求解,为蚁群算法在连续空间中的应用提供了怂一个可行的方案.给出了该算法的详细定义及实现步骤,实例仿真表明,该算法能加快收敛速率,对连续空间的蚁群算法研究具有重要的意义.     

基于动态D向分割和混沌扰动的阴阳对优化算法

为提高YYPO-SA1的性能,提出了一种基于动态D向分割和混沌扰动的阴阳对优化算法（NYYPO）。首先,基于牛顿衰减机制来动态调整YYPO-SA1中的D向分割概率;然后,在分割阶段加入混沌扰动策略,NYYPO利用动态调整机制在搜索前期使用较大的D向分割概率,在搜索后期则使用较小的D向分割概率,从而提高了算法的全局搜索能力,同时使用混沌扰动策略丰富了解的多样性,并提高了算法跳出局部最优的能力;最后,将NYYPO应用于风力发电机的参数优化设计问题。选用了15个单峰、多峰和组合测试函数进行性能评估,将NYYPO、YYPO-SA1以及6个代表性的单目标优化算法：粒子群优化（PSO）算法、乌鸦搜索算法（CSA）、灰狼优化算法（GWO）、鲸鱼优化算法（WOA）、花授粉算法（FPA）、麻雀搜索算法（SSA）进行性能评测比较。结果表明NYYPO相较于YYPO-SA1在Sphere函数上有着12个数量级的提升。而在Friedman检验中NYYPO在10维、30维、50维的时候的平均排名分别为2.87、2.0、1.93,均为总排名第一,可见NYYPO在统计学意义上具有显著的性能优势。同时,在风力发电机参数优化设计问题中NYYPO也取得了更好的优化结果。     

A parallel double-level multiobjective evolutionary algorithm for robust optimization

Robust optimization is a popular method to tackle uncertain optimization problems. However, traditional robust optimization can only find a single solution in one run which is not flexible enough for decision-makers to select a satisfying solution according to their preferences. Besides, traditional robust optimization often takes a large number of Monte Carlo simulations to get a numeric solution, which is quite time-consuming. To address these problems, this paper proposes a parallel double-level multiobjective evolutionary algorithm (PDL-MOEA). In PDL-MOEA, a single-objective uncertain optimization problem is translated into a bi-objective one by conserving the expectation and the variance as two objectives, so that the algorithm can provide decision-makers with a group of solutions with different stabilities. Further, a parallel evolutionary mechanism based on message passing interface (MPI) is proposed to parallel the algorithm. The parallel mechanism adopts a double-level design, i.e., global level and sub-problem level. The global level acts as a master, which maintains the global population information. At the sub-problem level, the optimization problem is decomposed into a set of sub-problems which can be solved in parallel, thus reducing the computation time. Experimental results show that PDL-MOEA generally outperforms several state-of-the-art serial/parallel MOEAs in terms of accuracy, efficiency, and scalability.     

改进的粒子群算法

为改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强、收敛较慢的问题,利用数学中的外推技巧给出了两个新的粒子位置更新公式,由此构造出一种新的算法--强引导型粒子群算法.新算法对粒子位置更新加以引导,试图减少算法的随机性以提高搜索效率.用4个基准函数对新算法进行试验,结果表明,新算法在稳定性和收敛性上优于基本粒子群算法.     

一种带有梯度加速的粒子群算法

通过引入梯度信息来影响粒子速度的更新，构造了一种带有梯度加速的粒子群算法．为减小陷入局优的可能性，当群体最优信息陷入停滞时，对群体进行部分初始化来保持群体的活性，并讨论了改进算法的适用范围．仿真结果表明，对于单蜂函数和多蜂函数，改进算法都能够取得较好的优化效果．     

飞行时间自适应调整的粒子群算法

为改善粒子群优化算法的搜索性能，提出一种飞行时间自适应调整的粒子群算法（FAA-PSO）。该算法在粒子群进化过程中随着进化代数增大自适应调整粒子的飞行时间，从而克服了传统粒子群算法中粒子飞行时间固定为1导致的粒子在迭代后期搜索性能下降的困难。数值结果表明，该算法有利于加速收敛，提高收敛精度。     

改进的粒子群优化算法

针对基本粒子群优化算法(PSO)易陷入局部极值点,进化后期收敛慢,精度较差等缺点,提出了一种改进的粒子群优化算法.该算法用一种无约束条件的随机变异操作代替速度公式中的惯性部分,并且使邻居最优粒子有条件地对粒子行为产生影响,提高了粒子间的多样性差异,从而改善了算法能力.通过与其它算法的对比实验表明,该算法能够有效地进行全局和局部搜索,在收敛速度和收敛精度上都有显著提高.     

一种改进的粒子群算法

为了改进基本粒子群算法的搜索功能,针对粒子群算法易于陷入局部极值,进化后期的收敛速度慢和精度低等缺点,通过公式分析得到新的惯性权重调节方法,提出了一种新的改进粒子群算法。用几个经典测试函数进行实验,实验结果表明,新算法不仅具有更好的收敛精度,而且能更有效地进行全局搜索。