基于协方差分析的合作协同进化差分进化算法

在大规模高维优化问题中,随着决策变量数目的增加,协同进化算法在搜索全局最优解过程中容易陷入局部最优。基于此,提出了一种基于协方差分析的合作协同进化差分进化算法,在根据决策变量之间的相关性对优化问题进行分组之后,针对子组件内部变量之间的相关性会影响种群进化过程的现象,在对子组件优化的过程中,利用协方差计算种群分布的特征向量,通过坐标旋转消除变量之间的相关性,有效避免在种群搜索过程中陷入局部最优,同时加快了算法的寻优速度。在CEC2014测试函数集上进行了对比实验,实验结果表明,所提算法具有可行性。     

用于天线优化的改进差分进化算法

提出了一种改进的差分算法(Improved DE,IDE),通过在现有变异策略DE/current-to-p-best/1的基础上加上群体中心对个体的差分,从而加快了整体算法的收敛速度;并采用一种简化的模拟退火选择策略,以兼顾收敛速度和寻找全局最优解的能力,避免了过快收敛而陷入局部最优解.此算法虽未采用自适应策略,经测试其优化结果比加入自变异策略的J.Zhang's差分进化算法(JADE)更好.该算法无论经数学测试、还是应用于天线阵列的优化,都有非常好的鲁棒性.     

梯度策略自适应差分进化算法

差分进化算法是一种有效求解全局优化问题的方法,为进一步提高求解精度,加快求解过程,文中提出一种梯度策略自适应差分进化算法。该算法是在差分进化算法中加入梯度下降法,使其不仅有较好的全局搜索能力,且具有传统优化方法的快速局部搜索能力,因此具有较高搜索精度和较快的搜索过程。通过对CEC2005测试集中的1～14号测试函数进行仿真实验,并与SaDE,NSDE以及CMAES等算法实验结果进行了对比,结果表明了该算法的有效性。     

基于动态种群多策略差分进化模型的多目标进化算法

针对复杂的多目标优化问题,根据不同差分进化策略的特点,提出一种基于动态种群多策略差分进化模型和分解机制的多目标进化算法（MOEA／D-DPMD）。该算法将种群划分为3个子种群,每个子种群分配一种差分进化策略。为了提高算法的性能,依据每种差分进化策略的贡献度,动态的调整子种群的规模,各差分进化策略之间相互配合协同进化。采用具有复杂的PS的LZ09系列基准函数,测试新算法的性能,仿真结果表明邻域规模为25时性能最好。通过不同差分进化策略之间的对比分析,新算法也具有较强的优势。将其与MOEAD／DE和NSGA-II算法对比分析,结果显示该算法的收敛性和多样性均优于另外两种算法,是求解复杂多目标问题的有效方法。     

旅行商问题的改进差分进化方法

TSP(Traveling Salesman Problem)旅行商问题是一类典型的NP完全问题,目前大多采用遗传算法求解.差分进化算法(Differential Evolution Algorithm, DE)作为一种新型的进化算法,与遗传算法有很多相似之处.提出用改进的差分进化算法解决TSP问题.采用基于整数序规范的辅助算子解决变异问题,并引入刘海交叉算子.实验结果表明该方法有效地提高了算法的收敛速度与寻优质量,表现出了良好的特性.     

改进的差分进化算法解决混凝土搅拌站选址问题

本文提出了一种基于差分进化算法(DE)的混合型算法。在差分进化算法的基础上增加了局部搜索。基于实验结果,证明了本文提出的算法比已存在的其它算法更稳定,更有效地解决了混凝土搅拌站的选址问题。     

基于双向搜索差分进化的多目标优化算法

针对差分进化算法求解多目标优化问题时易陷入局部最优的问题,设计了双向搜索机制以增强DE(Differential Evolution,DE)算法的局部搜索能力。一方面降低了算法陷入局部最优的风险,另一方面可增强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,提出的方法在搜索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。     

一种求解约束优化问题的自适应差分进化算法

自适应算子选择方式已被用于差分进化算法求解全局优化问题及多目标优化问题,然而在求解约束优化时难于为自适应算子选择方式找到一种方式来恰当分配信用。为此,本文提出了一种基于混合种群的自适应适应值方式来对约束优化问题中变异策略进行信用分配并采用概率匹配方法自适应选择差分变异策略,同时对算法变异缩放因子与交叉率进行自适应设置提高算法的成功率。实验结果表明算法在求解约束优化问题相比于CODEA／OED, ATMES,εBBO-dm,COMDE 以及εDE算法有较高的收敛精度及收敛速度,同时验证了自适应方式的有效性。该算法可用于预报、质量控制、会计过程等科学和工程应用领域。     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

基于差分进化和贪心策略的自定义指令选择算法研究

 本文针对常见启发式算法中忽略指令与指令实例区别的问题,改进了一个已有启发式算法GreedyHeur:根据指令实例的启发式函数值得出相应指令的权值,并根据指令的优先级关系以贪心策略进行指令实例选择.针对启发式算法无法找到最优解的问题,本文引入基于群体搜索的差分进化算法,并结合贪心策略,提出了ISDE(Instruction Selection Based on Differential Evolution)算法.ISDE算法通过简单的编码和高效的适应度评价机制,快速地迭代搜索最优指令组合.实验结果表明,GreedyHeur和ISDE算法能快速有效地找到比已有启发式算法更优的候选指令组合.     

解决动态多中心问题的自学习差异进化算法

为解决动态环境下的多中心优化问题,提出自学习差异进化算法。通过评估特定个体检测到环境变化,自学习算子将群体引至新的环境,并保持群体的拓扑结构不变,以继续当前的进化趋势。采用邻域搜索机制加快算法的收敛速度,引入随机个体迁入机制增加群体多样性。实验以周期动态函数为测试对象,比较自学习差异进化算法与部分智能优化算法的性能,结果表明,新算法有更快的收敛速度和更好的环境适应能力。     

一种基于Kriging模型和受限差分进化的电磁结构快速优化算法

进化算法在各类电磁结构优化设计中有着广泛的应用,但由于需要在参数空间中进行随机搜索并仿真试探,优化效率普遍较低.针对这一问题,提出受限差分进化（Differential Evolution,DE）算法与Kriging代理模型相结合的电磁结构快速优化算法.算法根据参考设计结果建立圆柱管道空间,通过参数变换将进化区域限制在管道内部.Kriging模型学习管道内样本及其仿真数据,代替电磁仿真快速预测进化产生下一代种群的响应.相比整个参数空间,该算法DE寻优和Kriging学习的区域被显著减小,优化效率得到提升.通过一个波导双孔定向耦合器的优化设计,表明该方法的求解质量和收敛速度优于现有算法.     

利用改进微分进化算法实现线性系统逼近

提出一种基于改进的微分进化算法的逼近算法。新算法通过参考粒子群算法惯性权重思想,引入惯性加权系数,在计算初期能够维持个体的多样性,后期能够加快算法的收敛速度,提高了DE算法的性能。最后对典型的稳定线性系统逼近问题进行了数值计算,计算结果证明该算法优于未改进微分进化算法,能够以更少的进化代数和更小的计算量找到高质量的逼近模型。     

Improved artificial bee colony algorithm for large scale colored bottleneck traveling salesman problem

In the fields such as intelligent transport and multiple tasks cooperation, the model scale constructed by colored bottleneck traveling salesman problem (CBTSP) tends to large scale, and therefore it is necessary to study the large scale CBTSP and its algorithms. An improved artificial bee colony algorithm (IABC) was applied to solve the large scale CBTSP. IABC employed generating neighboring solution (GNS) to improve artificial bee colony algorithm for CBTSP. GNS generated new solution by deletion and reinsertion operations, during this process, and it can optimized the existed solution for this problem. Experiments show that IABC can demonstrate better solution quality than other compared algorithms for large scale CBTSP.     

基于GIS和差分进化粒子群的变电站选址方法

文中提出了一种基于地理信息系统(GIS)和差分进化改进粒子群的配电网变电站优化选址方法。该方法利用GIS确定变电站数量,基于变电站投资运行费用建立有约束条件的目标函数,采用粒子群算法进行变电站选址优化。针对粒子群算法易陷入局部最优且收敛速度慢的问题,借助差分进化引入两个变异因子,在提升粒子群算法收敛速度的同时,避免其陷入局部最优。算例分析结果表明,该方法具有较好的寻优能力和收敛特性,能够有效实现变电站选址优化。     

基于改进差分进化算法的机载激光雷达波形分解

全波形机载激光雷达数据记录了完整的回波波形,包含了目标的立面细节和后向散射系数等信息,但是这些信息无法在未经处理的情况下直接获取,波形分解是处理波形数据以提取有效信息的重要方法.针对波形分解中常用的参数优化算法对初值敏感,易陷于局部最优的缺点,提出一种基于改进差分(Modified Differential Evolu...     

变电设备差异化运维策略优化设计

基于信息化时代背景下,随着一系列先进技术手段的诞生与普及性运用,促使电力设备状态评价与风险评估体系越加完善,进而为变电运行人员实现对设备运行状态的有效掌握奠定了基础.     

一种基于差分进化的鲁棒音频隐写算法

音频隐写是将秘密信息隐藏到音频载体中,已成为信息隐藏领域的一个研究热点。已有研究大多聚焦最小化隐写失真,却以牺牲隐写容量为代价,且往往被一些常规信号攻击后难以正确提取秘密信息。为此,基于扩频技术,首先,分析了隐写参数（分段隐写强度和分段隐写容量）与不可感知性和鲁棒性的关系,并构建了一种以分段隐写强度、分段隐写容量为自变量,以不可感知性和隐写容量为优化目标,以信噪比为约束条件的音频隐写多目标优化模型;然后,提出了一种基于差分进化的鲁棒音频隐写算法,设计了相应的编码、适应度函数、交叉和变异算子。对比实验结果表明,所提隐写算法能够在保证不可感知性和抗隐写分析能力的前提下达到更好的鲁棒性,可以有效抵御一些常规信号处理攻击。     

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近.实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法.