基于差异演化算法的高速储能飞轮形状优化设计

采用差异演化算法对高速储能飞轮的形状进行优化,以实现储能飞轮具有最大的质量能量密度,并且以在高速旋转的状态下满足强度要求为设计目标。针对差异演化算法进化速度依赖种群个体差异的特点,提出权重因子随种群聚集度变化而变化的策略,并增加混沌变异操作,以提高算法跳出局部最优的能力。构建了仿真优化程序,通过Visual C++6.0调用通用有限元软件ANSYS来计算飞轮的应力分布。通过优化计算得到了满足强度要求的质量能量密度最大的飞轮形状,与同质量的圆盘飞轮相比,转动惯量提高了28.39%。     

一种使用最大均值差异方法的多因子进化算法

主要研究和改进多因子进化算法(Multi-Factor Evolutionary Algorithm, MFEA)，使用最大均值差异(Maximum Mean Discrepancy, MMD)方法优化的后代种群的混合概率分布作为算法的度量准则。MFEA-MMD在MFEA-II算法的随机分配概率(Random Mating Probability, RMP)矩阵的基础上改进，最大程度避免多因子进化算法最常见的负迁移的影响，改进后的算法收敛速度比MFEA-II更快，算法运算速率比MFEA-II高出29%，任务间知识迁移程度比MFEA-II高出35%。     

减少速度更新频率的混沌粒子群算法

把速度更新策略和混沌优化相结合,提出了减少速度更新频率的混沌粒子群算法．该算法根据群体适应值的方差进行早熟收敛判断,从而使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期优秀的搜索速度的特性．通过几个基准函数测试,结果表明,新算法的性能较基本粒子群优化算法有明显的改善．     

差异演化算法在建筑结构优化设计中的应用

针对建筑结构设计中的非线性优化问题,提出利用差异演化算法（DE）对建筑结构进行优化设计的思路．介绍了使用该算法进行优化设计的步骤及处理方法．经过实例计算表明,该算法具有较强的全局解空间搜索能力,从而实现全局寻优的目的,应用于建筑结构优化设计是可行的．     

一种关于混沌数字通信系统的算法

介绍了一种多用户混沌数字通信系统的优化估计算法．该算法的目的是估计每个独立用户发送的混沌信号，并由此来估计信号的信息量.     

混沌局部搜索策略的差分进化算法

提出了一种应用混沌局部搜索策略的差分进化算法(CLSDE),在每一代中通过DE/best/2/bin形式的差分进化算法找到最佳个体,然后在最佳个体的附近用混沌的方法进行局部搜索.6个基本测试函数的优化结果表明:CLSDE寻优结果得到的最大值、最小值、平均值、标准差都比DE/best/2/bin好,而且收敛速度比DE/best/2/bin快.     

一种基于图像识别的高性能混沌特性判别算法

利用混沌阵子可以检测强噪声背景下极其微弱的周期信号。该方法应用中的关键问题是混沌特性的判别。提出了一种新的基于图像识别的混沌特性判别方法,该方法需要的存储量小,算法简单易行,尤其适合系统资源受限的场合,比如嵌入式系统。阐述了该混沌特性判别算法的原理,给出了一个基于此方法的完整判别程序流程。计算机仿真结果表明,该方法用于Duffing信号幅值检测系统是有效的。     

一种基于混沌序列的数字水印算法

将载体彩色图像转换为灰度图像,通过密钥和阂值计算得到二值混沌序列,利用混沌序列把二值图像作为水印嵌入,实验结果证明该方法信息隐藏率高,隐蔽性好,且易于实现,能抵抗剪裁攻击,但是在遭到有损压缩的攻击时。随着压缩强度的加大,提取出的水印有所失真．     

一种基于混沌的AES算法的研究

AES算法越来越多地应用到各个领域,是加密方法发展的新趋势．描述了AES加密算法,重点是对AES算法进行了改进,即用Logistic映射生成的混沌序列作为AES加密方法的初始密钥．最后用C＋＋语言实现了混沌和AES结合的新算法并与原始AES算法进行了速度对比．     

一种混沌DES算法的单片机实现

针对DES（数据加密标准）算法所存在的不足和混沌序列的特点,提出了一种新的基于Lorenz混沌模型的改进DES加密算法,并在C8051F020单片机上进行了实现。该算法将混沌模型与DES算法相结合,对加密时所用的初始密钥和16轮迭代过程进行了改进,采用一次一密的加密方法。理论分析和实验结果表明,与原始DES算法相比,该算法扩展了密钥的选择空间,有效地提高了算法的安全性能和抵抗攻击的能力,并提高了算法的运算速度。     

自适应差分进化算法

提出了一种自适应差分进化算法,该算法在计算过程中自适应调整缩放因子,在搜索初期保持种群的多样性和增强全局搜索能力,后期有利于局部搜索提高算法的精度。数值实验结果表明,该算法有效的避免早熟,提高了全局寻优能力。该算法的性能优于基本微分进化算法。     

自适应权重差分进化算法

针对使用不同中间向量遗传策略（学习策略）的差分进化算法所表现出的性能不同,提出一种改进的差分进化算法,对已有的两种遗传策略引入自适应权重,设计了一个新的中间向量遗传策略.通过对基准函数进行测试,结果表明新算法避免了早熟收敛,寻优性能较好,收敛速度较快,具有一定的有效性.     

混沌协方差矩阵自适应进化策略优化算法

为了改进进化策略算法的性能,提出了一种混沌协方差矩阵自适应进化策略(ChaosCMA-ES)算法,该算法在协方差矩阵自适应进化策略(CMA-ES)算法的基础上引入了混沌算子,并利用其更新种群中心的位置,使得种群具备良好的全局搜索能力。试验结果表明,本文算法对复杂多峰函数的寻优效果好于其他几种算法。最后,将本文算法用于优化网络安全态势的预测模型,预测结果的精度高于其他方法。     

一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

基于差分进化算法的MU-MIMO用户调度算法

为了使MU-MIMO系统的用户得到更公平的服务,提出了一种块对角化预编码下基于差分进化算法的用户调度算法.该算法将差分进化算法进行改进,使其可对任意可行大小的用户子集进行调度,并进行参数自适应,与改进的比例公平算法相结合进行用户调度.实验结果表明,在不同的信噪比和用户数下,该算法较改进遗传算法在效率方面有大幅度提高,且公平度、系统和数据率相对于改进遗传算法均有所提高,能有效地解决块对角化预编码下的用户调度问题.     

变步长和拥挤度因子的自适应人工鱼群算法

为了改进传统的人工鱼群算法会随着迭代的深入而导致算法易陷入局部最优的问题,以及固定的参数导致算法收敛慢和求解精度不高的问题,提出了一种改进的人工鱼群算法.首先结合迭代次数,为移动步长引入一个权值; 然后以每条人工鱼的视野范围所构成的子群为小生境,结合子群最优解与当前人工鱼状态,为拥挤度因子引入一个变异策略.数值实验结果表明,本文提出的算法收敛速度快、精度高、鲁棒性强,优于传统的人工鱼群算法和文献[4]提出的算法.     

求解约束优化问题的引导多目标差分进化算法

将约束优化问题转化为带偏好的双目标优化问题,用差分进化算法求解转化问题。为了克服基于Pareto支配关系的多目标算法求解转化问题时没有考虑问题偏好、收敛慢等缺点,借助多目标α-支配关系的特点,提出了基于动态α-支配的新适应度函数。新适应度函数根据种群中可行解的比例动态平衡进化过程中对两个目标的偏好,引导算法不断向问题的偏好区域靠近,从而快速收敛到约束优化问题的最优解。对6个标准测试函数的数值实验结果表明:基于α-支配的动态引导多目标差分进化算法能快速收敛到问题的最优解。与3种经典高效算法的比较说明,所提出算法的鲁棒性强且效率高。     

面向汽车运行工况设计的马氏链非等长交叉进化算法

为解决马尔科夫链和传统遗传算法设计汽车运行工况时效率低、质量差的问题,提出用于设计汽车运行工况的马氏链非等长交叉进化方法.设计子代满足马尔科夫链转移关系的非等长交叉算子,解除等位等长交叉段的限制,使遗传算法更好地适用于汽车运行工况的设计.根据试验数据,应用马氏链非等长交叉进化方法构建非等长初始种群,使用满意准则模型和指数加权平均数设定目标函数,设计三参数汽车运行工况.随机生成3种不同长度的三参数高速公路代表性工况.分析结果表明,期望运行工况与原始数据库特征参数的相对偏差均在设定范围内,速度和加速联合分布相关系数均高于90%,生成工况具有代表性.相比于马尔科夫链和传统遗传算法相结合的设计方法,马氏链非等长交叉进化方法的平均运行工况生成效率提高了66%,运行工况质量更优.     

Dynamic multi-objective differential evolution algorithm based on the information of evolution progress

The multi-objective differential evolution(MODE) algorithm is an effective method to solve multi-objective optimization problems. However, in the absence of any information of evolution progress, the optimization strategy of the MODE algorithm still appears as an open problem. In this paper, a dynamic multi-objective differential evolution algorithm, based on the information of evolution progress(DMODE-IEP), is developed to improve the optimization performance. The main contributions of DMODE-IEP are as follows. First, the information of evolution progress, using the fitness values, is proposed to describe the evolution progress of MODE. Second, the dynamic adjustment mechanisms of evolution parameter values, mutation strategies and selection parameter value based on the information of evolution progress, are designed to balance the global exploration ability and the local exploitation ability. Third, the convergence of DMODE-IEP is proved using the probability theory. Finally, the testing results on the standard multi-objective optimization problem and the wastewater treatment process verify that the optimization effect of DMODE-IEP algorithm is superior to the other compared state-of-the-art multi-objective optimization algorithms, including the quality of the solutions, and the optimization speed of the algorithm.