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...     

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。     

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.     

基于协同进化遗传算法的神经网络优化

人工神经网络的结构设计没有系统的规律可循,而基于梯度的神经网络参数优化又易于陷入局部最优解.该文研究了用带退化的协同进化遗传算法来优化神经网络结构,同时优化网络参数.将网络参数作为实数编码基因进行遗传选择,参数个体的受损率超过退化阀值时发生结构退化.退化进程由协同进化的控制个体动态控制.实验证明,该方案能够有效简化神经网络的结构和得到最优网络参数,收敛速度比常规遗传算法快.     

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。     

基于遗传算法的函数优化问题研究

介绍了利用遗传算法解决函数优化问题的一般思路。引入一个称为精华模型的变量,以协调群体的多样性和选择性压力;引入并使用了均匀交叉算子、均匀变异算子,能改进遗传搜索的局部搜索能力,并显著提高遗传算法求得全局解的能力。     

基于遗传算法的排课系统研究

排课问题是一个有约束的、多目标的、难解的组合优化问题．利用遗传算法建立排课数据模型,定义一个包含教师编号、班级编号、课程嫡号、上课时间等染色体编码方案和适应度函敷,通过选择、交叉、变异等过程不断进化,得到近优解,使现有教学资源进行科学合理的安排。在实践中具有一定的应用价值。     

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。     

一种改进的双精英协同进化遗传算法

提出一种改进的双精英协同进化遗传算法。在该算法中,种群被划分为两个精英小队,二者协同进化;精英是小队中的最优个体,并且两个小队的精英具有较高的差异度。精英分别与被选的个体进行交叉,增强了种群个体和全局最优解的亲和度;同时,当精英小队中的个体间的差异度下降到规定的预警值时,引入变异操作,有效地保持了种群的多样性,避免了早熟问题。算法中还给出一种δ-表现型多样性测度计算方法,使之可以对个体适应值为实数的群体多样性进行准确计算。针对参数多、大范围的复杂计算环境,算法的搜索能力明显提高。     

基于协同交互式遗传算法的复杂产品概念设计

针对复杂产品概念设计中的方案求解问题,建立了基于进化思想的求解过程模型,提出了一种新的基于协同进化算法与交互式遗传算法相结合的复杂产品概念设计方法.针对手机概念设计中功能设计的特点提出了变长度编码和两层编码的混合编码方式.实例表明,该方法对多目标、人机交互的复杂产品概念设计方案求解是有效的.     

一种多微粒群协同进化算法

受自然界共生现象的启发,将微粒群算法和协同进化相结合,提出了一种多微粒群协同进化算法。进化过程中,粒子不仅要与本子群的其他微粒交换信息,还要受其他子群体的影响。通过对三个标准函数优化的实验结果表明,此算法在一定程度上避免了陷入局部极值点并且提高了收敛精度。     

The dynamics of the best individuals in co-evolution

There continues to be a growing interest in the use of co-evolutionary algorithms to solve difficult computational problems. However, their performance has varied widely from good to disappointing. The main reason for this is that co-evolutionary systems can display quite complex dynamics. Therefore, in order to efficiently use co-evolutionary algorithms for problem solving, one must have a good understanding of their dynamical behavior. To build such understanding, we have constructed a methodology for analyzing co-evolutionary dynamics based on trajectories of best-of-generation individuals. We applied this methodology to gain insights into how to tune certain algorithm parameters in order to improve performance.     

基于双策略协同进化的QPSO算法及其应用

为更好地提升量子粒子群优化算法（QPSO）的局部挖掘和全局搜索能力,提出了一种改进的QPSO算法（DSQPSO）。在改进算法中引入了双策略协同进化的思路调整粒子的位置更新公式。为充分体现个体粒子挖掘的优势和群体共同引导的特点,提出了两种吸引点构造的思路,做到个体和种群更好地融合以及信息的互通;分别考虑了最优平均位置与全局最优和粒子的历史最优之间的联系,对粒子搜索范围作出了重新定义;此外,在迭代过程中,借助随机扰动机制对全局最优位置进行调整,以保持种群的多样性。通过18个测试函数将DSQPSO算法与PSO、QPSO、RQPSO和LQPSO四种算法在收敛精度和鲁棒性方面进行对比;进而在两个具体的工程优化问题上,应用改进算法与八个智能算法进行了寻优结果比较。实验表明DSQPSO算法无论在基准测试中还是在工程应用上,其计算精度和收敛效果均有明显优势。     

基于CCEA和改进郭涛算法的函数优化问题求解

在合作式协同演化(CCEA)的基础上,引入了使用高斯变异算子的郭涛算法,设计了一种求解函数优化问题的高效混合演化算法.通过求解复杂高维的函数优化问题的多个实例,并将该算法和CCEA与基本郭涛算法结合的方法--CCGT进行了对比.实验结果表明,新算法是高效的,其结果优于现存文献中的其它模型,但不及CCGT优秀.证明在该算法中引入的高斯变异算子的作用不大.     

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。     

分布式文件系统中文件位置无关性的一个解决方案

在分布式文件系统中文件的"位置无关性”是一个重要的要求,有了它可以使文件在服务器之间自由移动而不影响到客户端程序的运行,同时达到平衡服务器负载的目的,以提高系统整体性能.本文讨论了一种简单易行的方法来实现文件的"位置无关性”.     

求解约束优化的改进粒子群算法

针对种群初始化时粒子过于集中和基本粒子群算法搜索精度不高的缺陷,提出了一种求解约束优化问题的改进粒子群算法。该算法引入佳点集技术来优化种群的初始粒子,使种群粒子初始化时分布均匀,因而种群具有多样性,不会陷入局部极值;同时使用协同进化技术使双种群之间保持通信,从而提高算法的搜索精度。仿真实验结果表明：将该算法用于5个基准测试函数,该算法均获得了理论最优解,其中有4个函数的测试方差为0。该算法提高了计算精度且鲁棒性强,可以广泛应用于其他约束优化问题中。     

精英正交学习萤火虫算法

针对萤火虫算法后期收敛较慢以及求解精度不高的问题,提出了精英正交学习萤火虫算法。该算法利用精英萤火虫采用正交学习策略来构造指导向量,以保存和发现最优方向信息,从而引导群体更准确地飞向全局最优区域。同时,还采用了自适应步长技术来更好地平衡算法探索与开发能力,采用最小吸引力参数保证高维空间距离过大的个体之间的相互吸引。在6个经典测试函数上与标准萤火虫算法及其它3种改进的萤火虫算法进行了对比,实验结果表明,提出的算法具有较快的收敛速度和较高的收敛精度。     

一种双种群协同进化算法在湿法炼锌过程中的应用

为了求解针铁矿法沉铁过程的多目标协调优化模型,从提高全局寻优能力和解的精度出发,提出一种基于改进全局搜索量子进化算法和局部搜索差分进化算法的双种群协同进化算法.数值仿真验证了该进化算法具有较好的收敛性和求解精度;典型工况的仿真优化结果表明了该多目标协调优化模型指导实际生产的可行性,以及所提出算法的有效性.