基于多种群差分进化的多目标优化算法

针对差分进化算法(Differential Evolution Algorithm,DE)求解多目标优化问题时易陷入局部最优的问题,设计了一种双向搜索机制,它通过对相反进化方向产生的两个子代个体进行评价,来增强DE算法的局部搜索能力;设计了多种群机制,它可令各子群独立进化一定次数再执行全局进化,以完成子群间进化信息的交流,这一方面降低了算法陷入局部最优的风险,另一方面增强了Pareto解集的多样性,使Pareto前沿面的解集分布更为均匀。实验结果表明,相比于NSGA-II等同类算法,所提方法在搜索Pareto最优解时效率更高,并且Pareto最优解集的精度及分布程度比前者更好。     

一种改进的动态多种群并行差分进化算法

针对单种群差分进化算法易出现早熟收敛的问题,提出了一种改进的动态多种群并行差分进化算法。该算法首先利用佳点集方法产生初始种群以增强算法的稳定性和全局搜索能力。基于个体的适应度将种群分为三个子种群,并分别执行采用不同实验向量产生策略和控制参数设置的差分进化算法,既保持了各个子种群算法的独立性和优越性,又不增加算法的复杂性。仿真实验结果表明该算法具有较好的寻优性能。     

多种群多策略的并行差分进化算法

为了更好地提高并行差分进化算法的求解精度和计算效率,实现适用于解决多种优化问题的鲁棒性算法,提出了一种多种群多策略的并行差分进化算法。该算法将种群划分为多个子种群,不同的子种群分别采用不同的差分进化策略。多个子种群各自独立进化,互不干扰,每隔一定代数才进行种群间的通信交流。通过利用多种群实现多种优化策略,并采用并行方式,使得算法可以采用不同的优化策略进行搜索,更加节省计算时间。数值实验结果表明,该算法在求解不同类型的优化问题时都具有良好的计算能力和效率。     

基于种群多样性的可变种群缩减差分进化算法

为了更有效地避免早熟收敛,提高算法的全局搜索能力,提出了基于种群多样性的可变种群缩减差分进化算法(Dapr-DE)。首先,Dapr-DE使用群体多样性指标控制种群规模缩减;然后,使用聚类将种群分为不同类簇,在类簇中根据适应度值删除个体,既维持了种群的多样性,又减少了由于 存在过多相似个体而导致的局部收敛。最后在CEC14测试集的30个函数优化问题上进行了实验比较,验证了所提算法的有效性。     

改进多种群差分进化算法的混沌系统参数估计

针对混沌系统参数估计的多峰寻优问题,提出一种改进的多种群差分进化算法。改进差分进化算法的变异操作,使其前期更适合全局性搜索,利用α核心集对当前种群进行聚类,分别对聚类后的子群选用贪婪的差分变异算子完成深度搜索,比较所选取各子群的最优值,得到全局最优值作为是否结束搜索的判断依据,并将其应用到混沌系统参数估计中。实验结果表明,该算法对于多峰值、大空间的全局性参数估计在收敛速度、精度上优于混合量子进化算法、改进粒子群优化算法以及DE/best/2算法。     

一种改进的基于差分进化的多目标进化算法

近年来运用进化算法（EAs）解决多目标优化问题（Multi-objective Optimization Problems MOPs）引起了各国学者们的关注。作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法。差分进化（DE）算法是EA的一个分支,最开始是用来解决连续函数空间的问题。提出了一种改进的基于差分进化的多目标进化算法（CDE）,并且将它与另外两个经典的多目标进化算法（MOEAs）NSGA-II和SPEA2进行了对比实验。     

双种群差分进化规划算法

标准差分进化算法（SDE）具有算法简单,控制参数少,易于实现等优点。但在难优化问题中,算法存在收敛速度较慢和容易早熟等缺陷。为克服此缺点,提出一种改进算法--双种群差分进化规划算法（BGDEP）。该算法将种群划分为两个子群独立进化,分别采用DE/rand/1/bin和DE/best/2/bin版本生成变异个体。每隔δt（取5~10）代,将两个子群合并为一个种群,再应用混沌重组算子将之划分为两个子群,以实现子群间的信息交流。在双种群协同差分进化的同时,应用非均匀变异算子对其最优个体执行进化规划操作,使得算法具有较快的收敛速度和较强的全局寻优能力。为测试BGDEP的性能,给出了4个30维benchmark函数优化问题的对比数值实验。结果表明,BGDEP的求解精度、收敛速度、鲁棒性等性能优于SDE、双种群差分进化（BGDE）和非均匀变异进化规划（NUMEP）等4种算法。     

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。     

求解动态优化问题的多种群竞争差分进化算法

针对动态优化问题（DOP）的求解,提出结合多种群方法和竞争策略的差分进化算法（DECS）。首先,将一个种群作为侦测种群,通过监测种群中所有个体的评价值和种群维度来判断环境是否发生变化。其次,将余下多个种群作为搜索种群,独立搜索环境中的最优值。在搜索过程中,引入排除规则,避免多个搜索种群聚集在同一个局部最优的邻域。在迭代若干代后对各搜索种群执行竞争操作,保留评估值最优个体所在的种群并对该种群的下一代个体生成采用量子个体生成机制,而对其他搜索种群重新初始化。最后,利用7个测试函数的49个动态变化问题对DECS进行验证,并将实验结果与人工免疫算法（Dopt-aiNet）、复位粒子群优化（rPSO）算法、改进差分进化（MDE）算法进行比较。实验结果表明,在49个问题上,DECS有34个问题的平均离线误差期望小于Dopt-aiNet算法,所有问题的平均离线误差期望都小于rPSO算法和MDE算法,因此DECS对DOP求解动态优化问题是可行的。     

基于差分进化算法改进SVD图像水印

水印的透明性与鲁棒性是一对矛盾.在鲁棒性不变的情况下,尽量减少图像的修改量,使含水印图像的透明度得到提高,确保水印算法的安全性.提出基于差分进化算法(DE)来改进SVD水印算法的透明度.通过DE算法获得的最佳值,来弥补图像在SVD嵌入水印后造成的视觉损失.实验表明,在嵌入强度相同的条件下,水印算法的透明度有了进一步的提高.     

一种基于JADE改进的差分演化算法

差分演化算法有局部搜索能力不足、容易跌入局部最优等缺点,其搜索性能主要依赖于对杂交概率和缩放因子的设置。为了改善上述缺陷,对带归档的自适应差分演化算法JADE进行深入的研究与分析,提出了改进的自适应差分演化算法ZJADE。该算法采用斜帐篷混沌映射函数初始化种群,在每次迭代中为每个个体分别产生满足正态分布、柯西分布的杂交概率和满足正态分布的缩放因子,并且记录成功变异个体的杂交概率和缩放因子,引入统计杂交概率,采用两种策略自适应地更新杂交概率。在13个经典测试函数上将ZJADE算法与多种经典自适应差分演化算法进行对比,实验结果表明,ZJADE算法在解的精度与收敛速度上更优,具有更好的搜索性能。     

采用改进差分进化算法的防空导弹火力分配

针对目前采用差分进化算法求解防空导弹火力分配问题需要人工确定惩罚系数,从而增大模型建立复杂性的问题。采用一种处理约束条件的改进差分进化算法求解该问题;该方法在解是否可行的基础上采用三种选择准则用于搜索可行解区域,并增加了一个整数变量用于保存整数解。实例结果表明,与采用惩罚函数的方法相比,该方法在同等的求解效率下,能够获得较好的最优值。由于该方法不用人为确定惩罚系数,减少了模型的确定难度和时间,可用于求解火力分配问题。     

基于差分进化的改进狼群算法研究

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题,提出一种基于差分进化的改进狼群算法（DWPA）。首先,通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进,降低算法计算耗费的同时提高了算法的全局搜索能力;然后,运用马尔可夫链理论证明了DWPA的收敛性;最后,对13个测试函数进行寻优测试并与WPA等4种算法进行对比分析。测试结果表明,DWPA具有良好的鲁棒性和全局搜索能力,在求解多峰、高维、不可分函数方面的寻优能力尤为突出。     

Utilizing cumulative population distribution information in differential evolution

Differential evolution (DE) is one of the most popular paradigms of evolutionary algorithms. In general, DE does not exploit distribution information provided by the population and, as a result, its search performance is limited. In this paper, cumulative population distribution information of DE has been utilized to establish an Eigen coordinate system by making use of covariance matrix adaptation. The crossover operator of DE implemented in the Eigen coordinate system has the capability to identify the features of the fitness landscape. Furthermore, we propose a cumulative population distribution information based DE framework called CPI-DE. In CPI-DE, for each target vector, two trial vectors are generated based on both the original coordinate system and the Eigen coordinate system. Then, the target vector is compared with these two trial vectors and the best one will survive into the next generation. CPI-DE has been applied to two classic versions of DE and three state-of-the-art variants of DE for solving two sets of benchmark test functions, namely, 28 test functions with 30 and 50 dimensions at the 2013 IEEE Congress on Evolutionary Computation, and 30 test functions with 30 and 50 dimensions at the 2014 IEEE Congress on Evolutionary Computation. The experimental results suggest that CPI-DE is an effective framework to enhance the performance of DE.     

求解多处理器任务调度问题的改进差分进化算法

针对多处理器系统任务调度复杂问题, 在自适应差分进化算法基础上增加惯性速度分项, 提出一种称为惯性速度差分进化(IVDE) 的改进算法, 以避免陷入局部最优解. 结合启发式任务列表, 对算法的状态编码提出了处理器列表(PL)、部分偏序任务列表(PTL) 和全部任务列表(CTL) 等3 种形式. 通过求解随机生成的任务调度标准图和真实求解任务问题, 进行了数值仿真验证, 其中PTL-IVDE 算法相比蚁群优化(ACO) 算法、混合遗传算法(TLPLC-GA), 能快速求得更好的任务调度方案.

     

An improved differential evolution algorithm for the task assignment problem

An improved differential evolution algorithm (IDE) is proposed to solve task assignment problem. The IDE is an improved version of differential evolution algorithm (DE), and it modifies two important parameters of DE algorithm: scale factor and crossover rate. Specially, scale factor is adaptively adjusted According to the objective function values of all candidate solutions, and crossover rate is dynamically adjusted with the increasement of iterations. The adaptive scale factor and dynamical crossover rate are combined to increase the diversity of candidate solutions, and to enhance the exploration capacity of solution space of the proposed algorithm. In addition, a usual penalty function method is adopted to trade-off the objective and the constraints. Experimental results demonstrate that the optimal solutions obtained by the IDE algorithm are all better than those obtained by the other two DE algorithms on solving some task assignment problems.     

基于简化群优化算法和协方差矩阵学习的差分进化算法

把SSO算法的交叉策略、协方差矩阵学习策略与传统的DE算法结合,提出一个新的DE算法的变种,我们把它称作SCDE算法。正如我们所知,DE算法的变异策略在DE算法中占据了非常重要的位置,然而,传统的DE算法的变异策略都是用相对位置来产生候选解,本文尝试利用个体历史最优解来诱导变异产生候选解,这将大大提高种群跳出局部最优的能力。此外,将算法的变异和交叉操作放在由种群的协方差矩阵的所有特征向量组成的坐标系中执行,这将使算法的交叉和变异操作具有旋转不变性。实验结果表明,本文提出的新的交叉和变异策略可以大大提高DE算法在CEC 2013中28个测试函数的全局寻优能力。     

基于差异进化的克隆选择算法

针对免疫算法在全局优化过程中多样性不足的问题,将差异进化引入克隆变异操作中,提出了一个新的改进的克隆选择算法——基于差异进化的克隆选择算法(DECSA),算法将差异进化和克隆超变异相结合,促进了抗体与抗体之间的信息融合,使得子代抗体继承父代抗体的信息的同时,携带着不同父代个体信息,丰富了抗体种群的多样性,实现了在同一父代抗体周围的多个方向同时进行全局和局部搜索。对13个标准测试函数的测试结果及与已有的算法的比较表明,该算法表现出较好的局部搜索和全局搜索能力。     

基于差分进化算法的组合测试用例集生成

为了减小所生成的组合测试用例集规模,提出了一种基于one-test-at-a-time策略的差分进化算法来求解该问题的方案。通过实验,比较了不同变异方式的优化性能,考察了各个算法参数对优化性能的影响,并与其他常用方法进行了对比。实验结果表明,与其他常用的组合测试用例生成方法相比,基于差分进化算法的生成方法能够生成规模更小的组合测试用例集。并且组合数越多,该算法的优势就越明显。     

混合差分进化算法

为了克服差分进化算法容易出现早熟和收敛速度慢的问题,提出了一种混合差分进化算法.该算法在趋药性差分进化算法(CDE)的基础上,通过对较优个体进行变异操作,维护了种群多样性、避免早熟;通过将较差的个体与较优个体进行杂交,提高了开采能力、加快了收敛速度.基于这两种策略,算法的开采能力与探索能力达到了平衡.用该算法解决标准函数优化问题,并将仿真结果与其他算法进行比较,数值结果表明该文算法具有较快的收敛速度和很强的跳出局部最优的能力.