差异演化算法及其改进形式的综述

差异演化算法是一种基于群体差异的演化算法,群体中每个向量代表问题的一个候选解,该算法利用向量之间的差异扰动整个种群,求解问题的最优解.综述了差异演化算法的基本原理、常用测试函数和算法优缺点,讨论了多种改进手段,如:三角变异、混沌理论、逆向计算、均匀设计表等,并给出了未来可能的研究方向.     

多群体差分演化算法及其应用

差分演化算法的变异机制没有充分利用种群的信息,导致变异是盲目的,使计算机速度受到限制.根据粒子群算法信息共享机制的启发,提出了一种多群体差分演化算法,算法将整个种群分成多个子种群,每个子种群通过借鉴本种群的内部经验与整个种群的外部经验对变异进行指导.一方面,由于变异操作借鉴了子种群的局部信息和整个种群的全局信息,提高了...     

浅谈演化算法

演化算法是算法设计中的一个重要组成部分,它有其独特的优势,本文将结合实际问题,浅谈对演化算法的认识。     

二进制差异演化算法及其应用

针对传统差异演化算法（Differential Evolution）无法求解采用二进制编码问题的缺点,通过引入“少数服从多数”原则,提出一种解决二进制编码问题的差异演化算法—二进制差异演化算法。5个测试函数和4个背包问题的仿真实验表明了文中提出算法在解决二进制编码问题上的有效性。     

基于差异演化算法和郭涛算法的文化算法

针对数值优化问题,对差异演化算法进行改进,获得多子差异演化算法。将多子差异演化算法和基于自适应搜索子空间的郭涛算法融合到文化算法的框架中,提出一种新的文化算法。实验结果表明,与多子差异演化算法、差异演化算法和基于自适应搜索子空间的郭涛算法相比,该算法收敛速度快,不易陷入局部最优,所得解的质量更好。     

基于精英池演化算法的数字电路在片演化方法

20世纪末演化硬件技术的提出为实现硬件系统的自适应与智能化等特征提供了一种可行的新技术,现阶段电路进化是演化硬件研究的热点之一.该文引入人工经验与规则,提出一种扩展矩阵编码法,保护具有较优结构的电路个体不易被淘汰;其次,基于多目标和局部寻优技术,结合子电路杂交与单元重要性的自适应变异策略,提出了一种设计数字电路的精英池演化算法,并在可编程逻辑器件上实现电路的自主动态重构与评价等演化过程.     

归约算法统一描述

归约算法在并行计算中应用广泛,目前有很多归约算法应用于不同的情形。这些归约算法各不相同, 逻辑拓扑是 造成区别的关键 。为了统一描述归约算法,揭示它们的共性,给出了一个逻辑拓扑的定义及其性质。在此基础上,给出了归约算法的统一描述,以利于对归约算法的理解,从而设计适应不同应用和环境的归约算法。该描述也可视为可集成不同语义的归约算法框架,从而有助于设计具有新语义的归约算法。本质上,该统一描述是一个归约算法形式定义,有助于验证归约算法的正确性。     

一种基于混合交叉策略的多目标演化算法

演化算法是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。论文叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEAHC),该算法不仅具有较高的计算效率,而且能够保持解的多样性分布。测试结果表明该算法的良好性能。     

差异演化算法应用问题研究

差异演化算法作为一种较新的演化算法,具有全局搜索能力强、控制参数少、算法简单、容易实现等特点,但在具体应用中仍面临着演化模式如何选择及最佳种群大小如何取值等问题。本文利用典型的五类多变量函数对差异演化算法常用演化模式进行了比较测试研究,给出了演化模式选择建议;在同时考虑种群大小对差异演化算法优化效率及优化结果两方面影响的情况下,利用测试函数对最佳种群大小的取值进行了研究,给出了差异演化算法用于多变量函数优化时种群大小的适用取值范围。     

非均匀演化算法及其应用

提出一种基于非均匀变异的演化算法模型;基于随机过程理论分析了该算法的自适应性,用该算法求解了实际的“油层结垢”问题;基于随机优化领域经典的高维多峰测试函数,同已有的同类算法做了对比.实验结果表明：在没有引入任何额外参数和计算的前提下,该算法具有更好的收敛性和稳定性.     

多目标微分进化改进算法及应用

微分进化算法作为一种新型、简单、高效的并行随机优化算法,近年来在许多领域得到了应用,多目标微分进化便是其中的一种。针对传统多目标微分进化算法中微分进化控制参数不能自适应调整、算法容易出现早熟和退化的现象,采用惯性权重参数自适应调整的控制策略以及改进的拥挤距离算法对多目标微分进化进行改进,并将改进后的算法用于控制系统PID参数优化仿真试验。结果表明,改进后的多目标微分进化算法具有较好的收敛性和分布性以及较高的搜索效率。     

一种基于进化方向的新的差分进化算法

变异策略对差分进化算法（DE）算法的成功与否起到至关重要的作用.然而,方向信息在DE变异策略的设计当中并没有被充分地挖掘,且对于如何平衡进化速度和种群多样性这两者之间的矛盾也没有得到很好的解决方案.研究了个体在进化选择操作前后产生的差量信息在变异操作上的导向作用,提出了一种新的基于进化方向的变异策略“DE/current-to-pbest/1/Gvector”.同时,为了测试我们这种新的方向信息能否提高算法的优化能力,我们在自适应差分进化算法（JADE）的基础上提出了一种新的算法DVDE.对CEC2005常用的12个测试函数做了仿真实验,实验结果证明DVDE的算法性能平均优于其他5个目前来说性能最好的DE算法（JADE,SaDE,CoDE,jDE,EPSDE）,特别是对于单峰函数,效果更为明显.实验结果也说明进化方向的加入对于提高算法的收敛速度以及保护种群的多样性避免算法过早陷入局部最优起到了较好的作用.     

良性进化的自适应遗传算法及其仿真研究

为了搜索函数最优解,基于遗传算法基本理论,提出了良性进化的自适应遗传算法（AGA）。AGA从两个方面改进了标准遗传算法：一是交叉、变异率会自适应调节大小;二是交叉、变异具有方向性。通过对AGA的仿真研究,分析了AGA中参数取值对算法的性能影响。最后把AGA和标准遗传算法进行了仿真比较,结果表明AGA在求解函数最优解问题时具有较强的自适应性和收敛性。     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

一种基于进化算法的BP神经网络优化方法及应用

针对BP网络的不足,分析了一般进化算法在神经网络结构优化过程中存在的问题,根据物种内优生优育原则和物种间相互竞争、相互学习的生物学原理,提出了一种新的基于进化算法的神经网络优化方法。该方法不但有效弥补了BP神经网络在网络结构、权值选择上的随机性缺陷,缩小了神经网络结构的解搜索空间,加快了BP网络的收敛速度,进而提高了搜索效率,而且还起到对网络的结构和权值进行同时进化的作用。实验结果表明该方法取得了良好的效果。     

一种基于进化算法的BP神经网络优化方法及应用

针对BP网络的不足,分析了一般进化算法在神经网络结构优化过程中存在的问题,根据物种内优生优育原则和物种间相互竞争、相互学习的生物学原理,提出了一种新的基于进化算法的神经网络优化方法。该方法不但有效弥补了BP神经网络在网络结构、权值选择上的随机性缺陷,缩小了神经网络结构的解搜索空间,加快了BP网络的收敛速度,进而提高了搜索效率,而且还起到对网络的结构和权值进行同时进化的作用。实验结果表明该方法取得了良好的效果。     

背包问题的知识进化算法

知识进化算法是在分析知识进化机制基础上提出的一种新型优化算法。该文根据0-1背包问题的特点,提出用于求该问题的知识进化算法方案,阐明算法的具体实现过程。通过对其他文献中仿真实例的计算和结果比较,表明应用该算法求解背包问题取得了良好的效果。该算法同样可以应用于其他组合优化问题。     

基于多目标自适应遗传算法的逻辑电路门级进化方法

提出一种改进的遗传算法,通过网表级编码、多目标评估和遗传参数自适应等措施,可依据多个设计目标,以较少的运算量自动生成和优化逻辑电路．在数字乘法器、偶校验器等进化设计实验中,通过比手工设计和同类方法更优的新奇设计结果展示了该方法的有效性和先进性．     

改进微分进化算法在压缩感知中的应用

压缩感知是基于信号稀疏性提出的采样理论,它在压缩成像、医学图像、雷达成像、天文学、通信等领域都有广泛的应用.压缩感知问题的求解本质上是一个优化问题,本文在微分进化算法的基础上对其改进,提出了一种改进微分进化算法,将其应用于压缩感知问题的求解中,取得了良好的效果.     

自适应差分进化算法及其在参数估计中的应用

为解决动力学参数估计的问题,提出一种控制参数自适应和策略自适应的差分进化算法(DE-CPASA)。在该算法中,采用差分进化对优化问题进行寻优,控制参数以正态分布的方式实现自适应,通过对适应度函数值的评价,实现变异策略的自适应。测试仿真结果表明,DE-CPASA算法具有较高的求解精度和较快的收敛速度。将DE-CPASA算法应用于Hg氧化动力学参数估计,可得到较好的优化结果。