基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

基于多精英协同进化遗传算法的云资源调度

传统的遗传算法(GA)在解决云资源调度问题时会随着问题规模的增大而出现早熟收敛、搜索效率低下、寻优能力差等现象.为了克服这些缺陷,提出一种基于多精英协同进化的遗传算法(MECGA).该算法通过多精英保留技术将适应度值大的个体选入精英子种群,通过与普通子种群进行协同交叉操作,可引导整个种群向最优解的方向移动;通过定义个体评价策略,将差异度高的个体也选入到精英子种群,这些个体又能够保证种群的多样性,使种群更容易跳出局部最优解.实验结果表明,ME C GA相较其他GA具有求解效率高、收敛速度快和寻优能力强等特点.     

一种基于双精英种群的协同进化算法研究

针对传统带精英策略的多目标进化算法种群收敛分布不够均匀,全局搜索能力不足的缺点,提出一种基于双精英种群的协同进化算法DEPEA(Double Elite Populations Co-evolutionary Algorithm)。该算法借鉴了子区间划分和非支配排序思想,将整个种群划分成两个不同级别的精英种群和一个普通种群;两个精英种群结合协同进化思想分别采用不同的进化策略实现对算法的探究和探查能力的平衡,高级别的精英种群与低级别的精英种群采用协作操作,促进更优秀的个体产生;高级别的精英种群与普通种群采用引导操作,加快普通个体向精英个体逼近。通过对五个标准的测试函数进行实验,并与传统的NSGA-II算法和最新的hybird_MOEA算法结果进行比较与分析,表明该算法不仅具有更好的全局收敛性,且能够更好地保证种群的多样性。     

基于精英协同的多种群分布估计算法

针对传统分布估计算法局部搜索能力弱,易陷入早熟收敛的问题,在分布估计算法的基础上引入精英策略并采用划分子种群独立进化的方式,提出一种基于精英协同的多种群分布估计算法。该算法混合了两种后代产生的策略:一种是进化过程采用精英协同操作用于进行局部搜索并开辟出新的搜索空间,另一种是采用划分子种群独立进化方式保证种群间个体的多样性。基准测试函数实验结果表明,该算法在收敛性和多样性方面均表现出明显优势。     

基于模拟退火机制的精英协同进化算法

为了获取更好的全局寻优性能,同时保持较快的收敛速度,文中结合精英策略、协同进化思想和模拟退火机制,提出了一种基于模拟退火机制的精英协同进化算法( SACEA)。算法维持三个种群：精英种群、普通种群和随机种群。精英个体组团,并和其他组员个体协作或对其引导来达到进化目的。 SACEA算法在精英组团过程中引入随机种群以增加种群多样性,同时随机个体和精英个体的合作采用快速模拟退火机制来实现,使算法获得了更好的全局寻优性。通过对15组标准测试函数的仿真,并和已有的算法进行对比,很容易得出：SACEA算法具有更强的全局寻优能力,同时收敛速度也有所提高。     

混合文化优化算法及在车间调度中的应用

针对文化算法收敛速度慢、易陷入局部最优解以及种群多样性少的问题,本文对文化算法进行优化设计,提出一种将带有精英保留策略的遗传算法(GA)和模拟退火算法(SA)纳入文化算法(CA)框架的混合优化算法.此算法基于协同进化的思想,算法分为下层种群空间和上层信念空间,两个空间采用了相同的进化机制,但使用不同的参数.在文化算法的基础上加入带有精英保留策略的遗传算法,使种群中的优秀个体直接进入下一代,以此提高收敛速度;加入模拟退火算法,利用其具有突变的特点,概率性的跳出局部最优并接受劣质解,以此增加种群多样性.函数优化结果证明了算法的有效性,将此算法用于求解最小化最大完工时间的流水车间调度问题,仿真结果显示,此算法在收敛速度和精度方面都优于其他几个具有代表性的算法.     

求解多目标优化问题的分级变异量子进化算法

分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题,算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群,求解多目标0/1背包问题的实验结果表明了该算法的有效性.     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

基于子种群拉伸操作的精英共生生物搜索算法

针对共生生物搜索算法存在易早熟、收敛速度慢等缺陷,提出一种基于子种群拉伸操作的精英共生生物搜索算法.在“互利共生”阶段,根据适应度值将种群划分为两个子种群,设计有针对性的进化策略,使两个子种群分别负责开发和探索,有效地平衡算法的收敛速度与精度;在“偏利共生”阶段,利用最优个体的方向性引导信息,引入拉伸因子和差分扰动向量,并修正个体更新模式,从而在提高算法收敛速度的同时保证种群的多样性;模拟寄生体和宿主的生物关系,提出精英“寄生”机制,进一步平衡算法在整个迭代过程中的探索与开发能力.对与标准共生生物算法、改进后的共生生物搜索算法以及其他4个群智能进化算法在17个函数上的测试结果进行比较分析,结果表明所提出的算法精度更佳,收敛速度优势明显.     

M-精英协同进化数值优化算法

为了解决高维无约束数值优化问题,借鉴协同进化和精英策略的思想,提出了M-精英协同进化算法.该算法认为,适应度较高的个体群(称为精英种群)在整个种群进化中起着主导作用.算法将整个种群划分为由M个精英组成的精英种群和由其余个体组成的普通种群这样两个子种群,依次以M个精英为核心(称为核心精英)来选择成员以组建M个团队.若选中的团队成员是其他精英,则该成员与核心精英利用所定义的协作操作来交换信息;若团队成员选自普通种群,则由核心精英对其进行引导操作.其中,协作操作和引导操作由若干不同类型的交叉或变异算子的组合所定义.理论分析证明,算法以概率1收敛于全局最优解.对15个标准测试函数进行的测试显示,该算法能够找到其中几乎所有被测函数的最优解或好的次优解.与3个已有的算法相比,在评价次数相同时,该算法所求解的精度更高.同时,该算法的运行时间较短,甚至略短于同等设置下的标准遗传算法.此外,对参数的实验分析显示,该算法对参数不敏感,易于使用.     

基于多策略的改进花授粉算法

花授粉算法是近年来提出的一种新型的、简单高效的优化算法,已在各个领域得到广泛应用,但其搜索策略存在的不足,制约着其应用范围.为此,提出一种改进的基于多策略的花授粉算法.首先,新全局搜索策略通过利用两组随机个体差异矢量和莱维飞行机制来增加种群多样性并扩大搜索范围,使算法更易跳出局部最优,提升其开采能力;其次,在局部搜索部分引入精英变异策略,并与随机个体变异机制组合成一种新的局部授粉策略,利用精英个体对其他个体的演化方向进行引导,提高算法的搜索速度;通过随机个体变异策略来保持种群的多样性,增强算法的持续优化能力;同时,通过一种线性递减概率规则调节这两种变异策略,使其取长补短,以提高算法的优化能力;最后,对进化中没有得到改善的解,利用余弦函数搜索因子策略产生一个新解加以替换,从而提高算法解的质量.通过5类经典测试函数的仿真实验和采用统计学上的分析,证明了该算法的稳定性和有效性;与现有经典的和知名的改进算法进行了对比,实验结果表明,所提出的改进算法是一种富有竞争力的新算法.同时,利用改进算法对军事领域中的无人作战飞行器航线规划问题进行求解,测试结果表明,改进算法在解决实际工程问题时,同样具有一定的优势.     

双种群混合遗传算法的裁剪分床应用研究

为解决服装生产中的裁剪分床计划问题,结合生产过程的影响因素和订单需求,建立了裁剪分床的多目标数学模型进行优化,使用一种改进的双种群粒子群-遗传混合算法对模型进行求解。混合算法将进化种群划分为普通种群和精英种群,利用改进的遗传算法来全局搜索进化普通群体并筛选精英个体,同时结合粒子群优化算法进化精英群体。交叉和变异保证种群的多样性,粒子群寻优机制提升进化速度,两种群在进化时交叉影响不断寻找最优方案。实验结果表明：混合算法在解决多目标的生产订单裁剪分床问题上表现稳定,相比改进的遗传算法有更快的寻优速度,比手工计算方法减少1个裁床,裁剪时间缩短5?min且超裁数量降低60%,可以适应不同目标需求,针对实际生产中的裁剪分床有一定的应用价值。     

具有Levy变异和精英自适应竞争机制的蚁狮优化算法

针对蚁狮优化算法易陷入局部最优、收敛速度慢的缺点,本文提出一种具有Levy变异和精英自适应竞争机制的蚁狮优化算法。利用服从Levy分布的随机数对种群较差个体进行变异,可改善种群多样性提高算法的全局搜索能力;精英自适应竞争机制使得多个精英并行带领种群寻优,提高了算法的收敛速度,为避免较大计算量,并行竞争的精英个数会随着寻优代数增加而减少。同多个改进算法进行比较,结果表明本文所提算法具有更好的寻优精度和收敛速度。最后将本文改进算法应用于硅单晶热场温度模型的参数辨识,仿真结果说明该算法具有较好的参数辨识能力。     

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。     

具备反向学习和局部学习能力的磷虾群算法

针对磷虾群算法易陷入局部最优、收敛速度慢等缺点,提出了具备反向学习和局部学习能力的磷虾群算法。利用混沌映射和反向学习的思想初始化种群,根据算法迭代次数自适应调整学习维度,对精英个体进行反向学习,能有效保持种群的多样性,选取精英群体,通过自适应的Lévy飞行分布和改进的差分变异算子,提高种群的局部学习能力。这种新颖的元启发方式能加速收敛速度的同时可以保证磷虾群算法的鲁棒性。通过对8个基准函数进行仿真测试,实验结果表明：与最近的KH优化算法相比,该算法在收敛速度、收敛精度等方面得到明显改进。     

双种群分子动理论优化算法

针对传统分子动理论优化算法存在寻优精度差、易陷入局部极值等不足,提出了一种双种群分子动理论优化算法。该算法将种群分为精英和普通两个子群：普通子群采用传统分子动理论优化算法搜索策略进行大范围搜索,而精英子群则通过协同合作实现精细化搜索,以提高算法收敛精度;基于个体迁移实现子群间的信息交流,两个子群通过分工合作共同完成搜索过程。实验结果表明：改进算法在收敛速度、精度和算法稳定性等方面都有明显改善。     

调整协同种群构成提升进化算法搜索性能

进化过程中种群多样性降低导致的收敛极大限制了进化算法的求解质量与搜索效率。调整种群元素策略利用进化算法收敛本性,在进化过程中向进化种群加入优势元素和随机元素,调整种群元素构成。经共生进化算法求解复杂柔性作业调度测试,定期大规模加入优势元素和随机元素能有效调整种群结构,既利用了前期种群进化收敛的结果又维持了种群进化全程的多样性。使进化算法可通过扩大搜索规模有效提高求解质量,将促进进化算法在各领域的应用深度和广度。