MATLAB遗传算法工具箱在函数优化中的应用

本文介绍了遗传算法的运算流程,阐述了MATLAB遗传算法工具箱的主要函数及其功能。结合典型的二维和高维多峰测试函数,在MATLAB环境中有效地解决了用遗传算法求解函数优化问题,验证了MATLAB遗传算法工具箱的有效性和灵活性。     

MATLAB遗传算法工具箱的设计

在简要分析遗传算法要素的基础上，介绍了基于MATLAB的遗传算法工具箱的设计。最后给出了一个用设计的MATLAB遗传算法工具箱的求函数极值的应用实例。     

基于Matlab遗传算法工具箱的曲线拟合

遗传算法具有高度并行、随机、自适应的全局优化搜索的特点,能很好地应用于曲线拟合这样的函数优化问题上。利用Matlab遗传算法工具箱求解曲线拟合,为遗传算法工具箱的实际应用提供了新的途径,效果也好。     

MATLAB遗传算法工具箱及其军事应用

用MATLAB语言及MATLAB语言编制的优化工具箱进行优化设计具有语言简单、函数丰富、用法比较灵活、缟程蓑率高霉特点。本文简要阐述了遗传算法的基本原理，并对英国Sheffield大学的MATLAB遗传算法工具箱作了简要的介绍．探讨了其在军事目标分配中的应用。     

一种新的求解多峰函数优化问题的动态演化算法

本文给出了一种新的求解多峰函数优化问题的定义：定位所有的极值点，包括全局的峰值点和局部的峰值点。传统的演化算法框架都是群体固定的演化迭代过程，对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小．影响了算法的效率。提出一种群体动态可调的演化方式，使得初始群体大小可任意指定，在演化过程中通过聚集和按比例引入新个体两个过程而动态变化。实验表明，该算法能尽可能多地定位峰值点。     

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.     

冒泡择优遗传算法

为快速地寻求复杂多峰函数的全局极值点，提出一种冒泡择优遗传算法。它以冒泡的形式让每一代种群中的最优的个体参加列队竞争，以成为局部最优或全局最优。对于达到局部极值的个体，进行湮灭操作，重新进行进化与列队竞争。该算法能自动保持种群多样性且易于实现。实验结果表明，该算法对于求解多峰函数优化的问题十分有效，通常都能找到全部全局最优解。     

基于MATLAB优化工具箱的最优投资方案的设计与实现

在金融领域中，优化设计和MATLAB优化工具箱有着不可估量的应用前景。本文首先介绍了优化设计的概念和过程，分析了MATLAB优化工具箱的求解优化问题的优点，然后通过建立数学模型，选择序列二次规划算法，利用MATLAB优化工具箱中的非线性约束优化函数，在MATLAB平台下缩写程序，设计和实现了一种最优投资方案。     

一类自适应遗传算法及其在多峰值函数油画中的应用

在分析遗传进化过程的基础上,提出了一种新的自适应遗传算法,有效地解决了遗传算法的全局收敛性问题,并且在多峰值函数优化问题中显示了优良的性能。     

基于Matlab遗传算法工具箱的函数优化问题求解

介绍了遗传算法的基本原理和求解流程,详细阐述了Matlab遗传算法工具箱的使用方法,并通过使用遗传算法工具箱对一个典型的函数优化问题进行求解,验证了该工具箱在解决函数优化问题上的有效性和实用性     

噪声环境下基于蒲丰距离的依概率多峰优化算法

针对噪声环境下求解多个极值点的问题, 本文提出了噪声环境下基于蒲丰距离的依概率多峰优化算法(Probabilistic multimodal optimization algorithm based on the Button distance, PMB). 算法依据蒲丰投针原理提出噪声下的蒲丰距离和极值分辨度概念, 理论推导证明了二者与算法峰值检测率符合依概率关系. 在全局范围内依据蒲丰距离划分搜索空间, 可以使PMB算法保持较好的搜索多样性. 在局部范围内利用改进的斐波那契法进行探索, 减少了算法陷入噪声引起的局部最优的概率. 基于34个测试函数, 从依概率特性验证、寻优结果影响因素分析、多极值点寻优和多维函数寻优四个角度进行实验. 证明了蒲丰距离与算法的峰值检测率符合所推导的依概率关系. 对比噪声环境下的改进蝙蝠算法和粒子群算法, PMB算法在噪声环境中可以依定概率更精确地定位多峰函数的更多极值点, 从而证明了PMB算法原理的正确性和噪声条件下全局寻优的依概率性能, 具有理论意义和实用价值.     

一种快速有效的多模态函数寻优方法─—双群体遗传算法

为了解决多模态函数优化问题中全局搜索和局部优化的矛盾，本文提出一种模仿社会分工现象的观群体遗传算法，该算法用一个群体搜索，另一个群体优化，仿真结果表明：和现有方法相比，该算法不仅不会陷入局部极小点，而且收敛速度极快，是一种多模态函数寻优的有效方法。     

Fibonacci multi-modal optimization algorithm in noisy environment

Noises are very common in practical optimization problems. It will cause interference on optimization algorithms and thus makes the algorithms difficult to find a true global extreme point and multiple local extreme points. For the problem, this paper proposes a Fibonacci multi-modal optimization (FMO) algorithm. Firstly, the proposed algorithm alternates between global search and local optimization in order not to fall into local optimum points and to retain multiple optimum points. And then, a Fibonacci regional scaling criterion is proposed in the FMO algorithm to alleviate the effects of noise, and the position of optimum point is determined according to its probability distribution under noise interference. In experiments, we evaluate the performance of the proposed FMO algorithm through 35 benchmark functions. The experimental results show that compared with Particle Swarm Optimization (PSO) algorithm, three improved versions of PSO, and Genetic algorithm (GA), the proposed FMO algorithm can gain more accurate location of optimum point and more global and local extreme points under noisy environment. Finally, an example of practical optimization in radio spectrum monitoring is used to show the performance of the FMO algorithm.     

基于模式搜索法的云模型粒子群算法

针对粒子群算法在多峰寻优中易陷入局部最优、精度低、难以搜寻到较多的极值点等问题,提出一种基于模式搜索法的云模型粒子群算法.首先通过云模型粒子群算法在可行域内进行全局搜索,然后使用模式搜索法对搜索到的较优解进行局部寻优以提高解的精度.仿真测试表明,在保证收敛速度的同时,所提算法的收敛精度和搜索到的极值点数目均得到显著提高.     

基于DE 和SA 的Memetic 高维全局优化算法

针对高维复杂多模态优化问题,传统的进化算法存在收敛速度慢,求解精度低等缺点,提出一种面向高维优化问题的Memetic全局优化算法。算法通过全局搜索和局部搜索结合的混合搜索策略,采用多模式并行差分进化算法进行全局搜索,基于高斯分布估计的模拟退火算法进行局部搜索。改进后的Memetic算法不仅继承了差分进化算法能发现全局最优解的优点,而且能大幅度提高搜索效率。最后,通过对4个高维多峰值Benchmark函数进行仿真实验,实验结果表明本文算法有效提高了算法的收敛速度和求解精度。     

Grenade Explosion Method—A novel tool for optimization of multimodal functions

This work presents a new optimization technique called Grenade Explosion Method (GEM). The fundamental concepts and ideas which underlie the method are fully explained. It is seen that this simple and robust algorithm is quite powerful in finding all global and some local optima of multimodal functions. The method is tested with several multimodal benchmark functions and the results show it usually converges to the global minima faster than other evolutionary methods such as Genetic Algorithm (GA) and Artificial Bee Colony (ABC). Based on the performance on classical benchmark functions, the efficiency of the method in solving engineering applications can be highly appreciated.     

基于K-均值的“教”与“学”优化算法

在解决复杂多峰优化问题时,传统的"教"与"学"优化算法易于陷入局部搜索且优化效率较低.针对此问题,提出了一种基于K-均值的"教"与"学"优化改进算法,算法采用K-均值来降低种群规模,又针对"教"和"学"两个阶段进行相应改进,提高全局收敛速度;还加入了"变异"操作来避免算法陷入局部最优.实验对7个单峰值优化问题和2个有代表性的多峰值优化问题进行优化,并与手榴弹爆破算法和传统"教"与"学"优化算法进行比较,实验结果表明,该改进算法在单峰和多峰测试函数中,均能快速高效地寻得全局最优解,优于原始"教"与"学"优化算法.     

基于划分的多尺度量子谐振子算法多峰优化

针对多峰优化问题, 本文结合多尺度量子谐振子算法的全局优化特性提出了基于划分的多尺度量子谐振子算法.对定义域进行合理均匀划分, 根据划分区域长度构建初始基态高斯曲线, 随着标准差衰减高斯曲线逐渐收敛, 从而在各个区域内快速搜索到极值点.对于实际函数的维度和极值数不同, 本文提出固定分辨率策略和多级分辨率策略来解决实际问题, 通过寻优精确性、全极值点寻优和全局多峰优化三个角度进行实验, 对比蚁群算法、差分进化算法等主流群智能算法, 可以表明该算法参数设置简单, 具有很好的寻优准确性、快速收敛性和记忆性.     

Experiments with repeating weighted boosting search for optimization in signal processing applications.

Many signal processing applications pose optimization problems with multimodal and nonsmooth cost functions. Gradient methods are ineffective in these situations, and optimization methods that require no gradient and can achieve a global optimal solution are highly desired to tackle these difficult problems. The paper proposes a guided global search optimization technique, referred to as the repeated weighted boosting search. The proposed optimization algorithm is extremely simple and easy to implement, involving a minimum programming effort. Heuristic explanation is given for the global search capability of this technique. Comparison is made with the two better known and widely used guided global search techniques, known as the genetic algorithm and adaptive simulated annealing, in terms of the requirements for algorithmic parameter tuning. The effectiveness of the proposed algorithm as a global optimizer are investigated through several application examples.     

Experiments with repeating weighted boosting search for optimization signal processing applications

Many signal processing applications pose optimization problems with multimodal and nonsmooth cost functions. Gradient methods are ineffective in these situations, and optimization methods that require no gradient and can achieve a global optimal solution are highly desired to tackle these difficult problems. The paper proposes a guided global search optimization technique, referred to as the repeated weighted boosting search. The proposed optimization algorithm is extremely simple and easy to implement, involving a minimum programming effort. Heuristic explanation is given for the global search capability of this technique. Comparison is made with the two better known and widely used guided global search techniques, known as the genetic algorithm and adaptive simulated annealing, in terms of the requirements for algorithmic parameter tuning. The effectiveness of the proposed algorithm as a global optimizer are investigated through several application examples.