参数自适应的精英变异差分进化算法

针对经典差分进化算法(DE)的优化性能容易受到变异策略和控制参数影响的问题,提出了一种参数自适应的精英变异差分进化算法(A parameter Adaptive Elite Mutation Eifferential Evolution algorithm, AMEDE).首先,提出一种精英变异策略的方法,其目的是为了方便获取优秀个体信息;其次,引入新的控制参数,使得算法可以在更大的搜索空间进行搜索;最后,利用自适应参数学习方法,为种群中的每个个体赋予不同的控制参数值,并根据种群多样性和精英个体的信息动态更新个体的参数,使算法避免过早的收敛并提高算法的收敛精度.对本文提出的AMEDE算法与其他6种改进差分进化算法(DE,CoDE,JaDE,JDE,SaDE,GPDE)在16个基准测试函数上进行了三组对比实验.实验结果表明,AMEDE算法在高维函数和低维函数上都具有搜索精度高、收敛速度快和鲁棒性强等优点.     

采用双变异策略的自适应差分进化算法及应用

为了克服差分进化算法早熟收敛和寻优精度低的缺点,提出一种采用双变异策略的自适应差分进化算法（Adaptive Differential Evolution Algorithm using Double mutation strategies,DADE）。DADE引入基于种群相似度和中心解的双变异策略,有效平衡了算法的全局搜索和局部搜索;自适应交叉概率使种群个体向更新成功的个体学习,有利于后续种群的进化。在7个测试函数和3个电力系统动态经济调度（Dynamic Economic Dispatch,DED）问题上的优化结果表明,DADE算法与其他4种DE算法相比具有更强的全局寻优能力,且对电力系统动态经济调度问题的优化结果优于文献中所报道的结果。     

基于自适应交叉概率因子的差分进化算法及其应用

基本差分进化算法的控制参数在进化过程中是保持不变的,但是交叉概率因子的大小影响种群进化的 多样性以及种群的收敛速度．本文提出一种根据种群平均适应度方差非线性改变交叉概率因子的方法．在种群多样 性降低时增大该因子,使之接受更多变异个体的基因,有利于加强局部搜索和加速收敛速率;多样性增大时减小该 因子,避免该个体基因结构遭到过多的破坏,促使该个体的进化,有利于保持种群的多样性和完成全局搜索．并且 给出了一种新的变异方式,这种变异方式一方面能提高算法的收敛速度,另一方面能在一定程度上保持较高的种群 多样性．最后将其应用到热连轧精轧机组负荷分配优化中,改进后的优化方法在性能上要优于所对比算法．     

基于t分布变异的自适应差分进化算法

为了更好地提高差分进化算法的全局探索和局部开发能力,提出了一种改进的差分进化算法。在该算法中,引入t分布变异算子将高斯变异和柯西变异的优点结合起来,根据以往的进化经验自适应地调整进化策略及交叉概率。通过四个典型的Benchmarks函数的测试结果表明算法具有良好的性能。     

基于维度分组交叉的自适应差分进化算法

为了解决求解高维复杂问题时存在收敛速度慢、求解精度低、容易陷入局部搜索等问题,提出维度分组交叉算法和自适应多模式并行差分进化算法。算法利用种群中各维变量之间的相关性进行维度划分,通过k个种群分别在k个维度划分上进行自适应差分进化,在种群间按维度划分进行交叉操作,从而较好实现了多种群的协同差分进化。最后对4个benchmark高维函数进行算法验证,实验结果表明,该算法在提高算法的寻优速度的同时,还有效地克服了早熟收敛等问题。     

自适应二次变异差分进化算法

提出一种基于群体适应度方差自适应二次变异的差分进化算法．该算法在运行过程中根据群体适应度方差的大小,增加一种新的变异算子对最优个体和部分其他个体同时进行变异操作,以提高种群多样性,增强差分进化算法跳出局部最优解的能力．对几种典型Benchmarks函数进行了测试,实验结果表明,该方法能有效避免早熟收敛,显著提高算法的全局搜索能力。     

基于反射变异策略的自适应差分进化算法

针对差分进化算法易于陷入早熟收敛和局部搜索较慢的问题,提出了一种类似Nelder-Mead方法中的反射操作的变异策略,称为反射变异策略。不同于其他基本的差分策略,提出的变异策略具有明确的差分方向,具有更快的局部收敛速度。为了避免因差分方向的贪婪性而导致算法早熟的可能性增加,反射变异策略使用4个随机的个体完成一次变异操作。将基于反射变异策略的子代生成策略和自适应参数方法组合形成了基于反射变异策略的自适应差分进化算法（RMADE）。使用12个函数测试了RMADE的性能并与其他算法进行比较,结果表明RMADE具有较快的收敛速度和较好的全局探测能力,进而体现了反射变异策略的价值。     

基于小生境的混沌变异差分进化算法

针对高维复杂函数的优化问题,提出了基于小生境的混沌变异差分进化算法（CNDE）。算法结合小生境策略,使子种群高效独立地进行搜索,并引入混沌变异进行精细的遍历搜索,在运行中根据迭代次数自动地调整交叉概率因子从而使搜索的初始阶段提高种群多样性,而在搜索后期加强局部搜索能力。对3种经典函数的测试表明,新算法不仅具有很强的全局搜索能力,而且能有效避免早熟收敛问题。     

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。     

自适应蚁群差分进化算法

针对传统差分进化算法在求解高维复杂问题时存在通用性差、鲁棒性低、收敛速度慢和求解精度低等问题,提出一种基于蚁群算法的自适应多模式差分变异策略.算法在每代进化中,个体根据各变异进化模式上的信息素大小,采用轮盘赌选择策略选择变异算子,并根据各变异算子对优化所做贡献的大小对信息素进行动态更新,贡献大的变异算子可以获得更多被选择的机会,使得各变异算子发挥其最大性能,从而提高算法的收敛速度和通用性.对5个高维的benchmark函数进行算法验证,实验结果表明,该算法很好的提高了差分进化算法的通用性和鲁棒性,有效地克服了收敛速度慢和早熟等问题.     

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。     

基于自适应差分进化算法的多边多议题协商

为提高基于智能体(agent)的电子商务多边多议题协商的效率及稳定性,提出改进的自适应差分进化算法(ADE)并将其引入到合作环境下的多边多议题协商问题中。差分进化(DE)算法是目前求解连续空间内全局优化问题性能最优的进化优化算法之一。利用该算法收敛速度快、收敛精度高、全局寻优能力强等特点加快多边多议题协商的速度,使协商效率更高、稳定性更强。通过与目前解决多边多议题协商问题效果最好的混合遗传算法(HGA)对比,实验结果表明,自适应差分进化算法具有更快的收敛速度和更好的稳定性,可以使多边多议题协商中的各智能体达到协商最优解,并有效地减少协商次数,提高协商的效率和稳定性。     

分形变异因子修正的差分进化算法?

为提高差分进化算法的求解精度,其变异策略应适应目标函数整体变化趋势和随机变化部分。文中提出利用不同的Hurst指数的分形布朗运动改进差分进化算法变异策略,进而构建分形变异因子修正的差分进化算法。针对该算法应用CEC2005进化计算国际会议提出的25个标准测试函数进行测试,至少有10个测试函数的计算结果优于其他差分进化算法,其余测试结果大部分相近,因此文中算法能提高优化问题的求解精度和适应性。     

具有Pbest引导机制的适应性多策略差分进化算法

为进一步提升差分进化算法的收敛性能, 提出一种具有Pbest引导机制的适应性多策略差分进化算法(AMSDE)。AMSDE设计交叉概率控制参数库、变异尺度参数库及差分变异策略库, 其中, 交叉概率采用Logistic混沌序列来模拟, 尺度参数采用线性变化机制产生, 差分变异策略库采用6个常用的差分变异策略组成, 并给出算法运行的框架。最后, 基于25个标准测试函数的仿真结果表明, AMSDE的收敛性能优于现存的其它差分进化算法, 具有较好的收敛精度及收敛速度。     

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。     

基于差分演化的自适应参数控制蚁群算法

蚁群算法存在对参数的依赖、早熟和停滞等缺点但具有与其他算法容易结合的特点,据此,将差分演化算法应用到蚁群算法的参数选取中,提出一种改进的蚁群算法。将蚁群算法的参数作为差分演化算法解空间的向量元素,在自适应地寻找蚁群算法最优参数组合的同时求解问题的最优解。改进算法对蚁群算法中的参数进行自适应调整,可避免大量盲目的测试,扩大蚁群算法的搜索空间,提高全局搜索能力。在典型的旅行商问题上进行对比实验,结果验证了改进算法的优化性能高于传统的蚁群算法。     

基于差分算法的K-均值聚类分析

提出一种基于差分算法的聚类分析方法,采用结构体数组对聚类的中心进行编码,并用样本向量与相应聚类中心的欧氏距离的和来判断聚类划分的质量,通过变异、交叉和选择操作对聚类中心的编码进行优化,以获得最好的聚类中心.通过差分算法的全局搜索能力,来获取全局最优结果.实验结果显示,该方法的聚类划分效果明显优于传统的K-均值方法,也一般优于基于遗传算法的聚类算法和基于微粒群的聚类算法.     

基于模拟退火的差分变异群搜索优化算法

标准群搜索优化算法易陷入局部最优。为此,引入模拟退火策略和差分进化算子,使算法跳出局部极值点,变异和迭代同时进 行,并保持前期搜索速度快的特性。测试结果证明,改进算法的全局收敛能力明显提高,个体具有良好的人工智能性,能够真实模拟群体行为。     

基于混沌理论的差异演化算法研究

差异演化算法（Differential Evolution,DE）足一种基于群体个体间差异的进化计算方法,可以对高维复杂空间进行有效搜索。利用混沌（Chaos）信号的遍历性与随机性,结合DE算法,提出了一种基于混沌的DE优化算法（CDE）。与DE相比,CDE减少了控制参数。通过典型高维非线性测试函数的验证,测试结果显示该方法在优化速度、搜索效率和避免陷入局部极值点方面,大大提高DE算法的性能,在不同情兜下几乎具有最佳的函数优化性能,从而具有一定的鲁棒性。