应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Diffe-rential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。     

基于新变异策略的动态自适应差分进化算法

针对差分进化算法在复杂优化问题求解时后期收敛速度慢、易陷入局部最优和参数设置繁琐等问题,提出一种基于新变异策略的动态自适应差分进化算法p-ADE.首先,新变异策略中通过利用种群的全局最优解和目标个体的历史最优解引导种群搜索方向,为下一代个体的生成引入更多有效的方向性信息,避免差分向量中个体随机选择导致的搜索盲目性.其次,为加快收敛速度、提高算法稳定性、避免参数设置的繁琐与不精确,提出一种参数动态自适应调整策略,动态平衡算法局部搜索与全局搜索间的关系,有效调节个体在进化过程中的变异程度.在10个Benchmark函数上的实验结果表明,p-ADE相对于多种先进DE优化策略和全局优化算法在收敛精度、速度和鲁棒性上均具有明显优势.     

基于反向学习的自适应差分进化算法

为解决差分进化（DE）算法过早收敛与搜索能力低的问题,讨论对控制参数的动态调整,提出一种基于反向学习的自适应差分进化算法。该算法通过反向精英学习机制来增强种群的局部搜索能力,获取精确度更高的最优个体;同时,采用高斯分布随机性提高单个个体的开发能力,通过扩充种群的多样性,避免算法过早收敛,整体上平衡全局搜索与局部寻优的能力。采用CEC 2014中的6个测试函数进行仿真实验,并与其他差分进化算法进行对比,实验结果表明所提算法在收敛速度、收敛精度及可靠性上表现更优。     

基于反向学习的跨种群差分进化算法

针对差分进化（DE）算法存在的寻优精度低、收敛速度慢等问题,借鉴混沌分散策略、反向学习策略（OBL）以及跨种群并行机制,提出一种基于反向学习的跨种群差分进化算法（OLCPDE）。采用混沌分散策略进行种群初始化,将种群划分为精英种群和普通种群,对两个子种群分别采用标准的差分进化策略和基于反向学习的差分进化策略;同时,为进一步提高算法对单峰函数的求解精度和稳定性,采用了一种跨种群的差分进化策略,运用三种策略对子种群进行操作,达到共同进化的目的。实验独立运行30次,OLCPDE在12个标准的测试函数中,有11个函数都能稳定地收敛到全局最优解,优于对比算法。实验结果表明,OLCPDE收敛精度高,能有效避免陷入局部最优点。     

基于共轭梯度法的反馈差分进化混合算法及其在弹簧设计中的应用

分析了差分进化算法多种变异方式的特点以及每种变异方式所适应的搜索状态,建立了一条能够让种群根据自身的搜索环境来动态选择变异方式的反馈回路,使个体能够自学习、自调节地高效搜索。在每一代的最优个体邻域内,采用共轭梯度法确定最佳的共轭搜索方向,向量能够在最优解邻域内进行细致的局部搜索。根据混合算法的子代更新形式,从理论上证明了种群能够以概率1的方式收敛到全局最优解。与其它进化算法的对比实验结果表明,本文的差分进化算法有效提高了benchmark函数的最优值精度,加快了收敛速度。在弹簧设计问题中,利用改进的差分进化混合算法得到了较好的结构参数。     

一种多策略混合的粒子群优化算法

针对传统粒子群优化算法在解决一些复杂优化问题时易陷入局部最优且收敛速度较慢的问题,提出一种多策略混合的粒子群优化算法(Hybrid Particle Swarm Optimization with Multiply Strategies,HPSO)。该算法利用反向学习策略产生反向解群,扩大粒子群搜索的范围,增强算法的全局勘探能力;同时,为避免种群陷入局部最优,算法对种群中部分较差的个体实施柯西变异,以产生远离局部极值的个体,而对群体中较好的个体施以差分进化变异,以增强算法的局部开采能力。对这3种策略进行了有机结合以更好地平衡粒子群算法全局勘探和局部开采的能力。将HPSO算法与其他3种知名的粒子群算法在10个标准测试函数上进行了性能比较实验,结果表明HPSO算法在求解精度和收敛速度上具有较显著的优势。     

多种群协同进化的差分进化算法

针对差分进化算法在优化过程中容易陷入局部最优和收敛精度不高的问题,提出一种多种群协同进化的差分进化算法。首先提出双序法用于种群划分：同时使用距离系数排序和适应度值排序将种群划分为三个子种群,将离全局最优个体远且适应度值优秀的个体划分出来,可以有效的避免陷入局部最优。其次对每个子种群采用不同的变异策略和控制参数,同时对整体表现一般的种群采用概率判定机制选择变异策略,以平衡全局探测和局部搜索。最后将所提算法在CEC2017测试集上进行实验仿真,实验结果表明,所提算法在收敛精度、跳出局部最优等方面均优于其他改进DE算法。     

自适应合并与分裂的多种群差分进化算法

针对差分进化（DE）算法存在的早熟收敛与搜索停滞问题,提出了自适应合并与分裂的多种群差分进化算法。算法将种群划分为多个子种群,引入子种群优劣因子来评价种群的优劣性,实现种群间的自适应合并与分裂;对于种群中的各个个体,采取基于精英池学习的变异算子,结合优秀个体进行自适应学习调整,使算法达到全局搜索与局部搜索能力的平衡;在算法后期引入扰乱策略,保证算法快速收敛的同时有效地跳出局部极值点,提高算法寻优的精度。在30个标准测试函数的实验结果表明,改进算法能有效解决早熟和陷入局部最优的问题。     

基于双种群两阶段变异策略的差分进化算法

针对差分进化算法差分策略优化问题上的不足, 解决DE/best/1策略全局探测能力差, DE/rand/1局部搜索能力弱而带来的鲁棒性降低及陷入局部最优等问题, 本文在差分策略上进行改进, 并且加入邻域分治思想提高进化效率, 提出一种基于双种群两阶段变异策略的差分进化算法(TPSDE). 第一个阶段利用DE/best/1的优势对邻域向量划分完成的子种群区域进行局部优化, 第二个阶段借鉴DE/rand/1的思想实现全局优化, 最终两阶段向量加权得到最终变异个体使得算法避免了过早收敛和搜索停滞等问题的出现. 6个测试函数的仿真实验结果表明TPSDE在收敛速度、优化精度和鲁棒性方面都得到了明显改善.     

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm, BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning, OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm, SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。     

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法

阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。AO算法全局寻优能力强,但收敛精度低,容易陷入局部最优,而HHO算法具有较强的局部开发能力,但存在全局探索能力弱,收敛速度慢的缺陷。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了AO的探索机制与HHO的开发机制,提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能,并对比了几种经典反向学习策略,结果表明引入动态反向学习的混合算法收敛性能更佳,能够有效求解工程设计问题。     

Improved global-best-guided particle swarm optimization with learning operation for global optimization problems

In this paper, an improved global-best-guided particle swarm optimization with learning operation (IGPSO) is proposed for solving global optimization problems. The particle population is divided into current population, historical best population and global best population, and each population is assigned a corresponding searching strategy. For the current population, the global neighborhood exploration strategy is employed to enhance the global exploration capability. A local learning mechanism is used to improve local exploitation ability in the historical best population. Furthermore, stochastic learning and opposition based learning operations are employed to the global best population for accelerating convergence speed and improving optimization accuracy. The effects of the relevant parameters on the performance of IGPSO are assessed. Numerical experiments on some well-known benchmark test functions reveal that IGPSO algorithm outperforms other state-of-the-art intelligent algorithms in terms of accuracy, convergence speed, and nonparametric statistical significance. Moreover, IGPSO performs better for engineering design optimization problems.