基于网格化拉马克学习机制的差分进化算法

引入拉马克进化理念,提出一种基于网格化拉马克学习机制的差分进化算法。该算法在网格划分机制建立起的分布式搜索框架下,采用单元格最优解保护机制、学习步长机制、解空间同仁机制和定矢变异机制组成拉马克学习模式。仿真结果表明,所提算法可以充分发挥拉马克学习的局部搜索能力,又可有效避免早熟收敛,其求解精度明显优于其他比较算法。将所提算法应用于电力系统最优潮流计算问题,获得了良好的优化效果。     

基于离散哈里斯鹰优化算法求解具有单连续变量的背包问题

为了将哈里斯鹰优化（HHO）算法用于求解具有单连续变量的背包问题（KPC）,基于0-1向量表示个体的编码,利用位运算重构了HHO的进化方程,并采用一种自适应变异机制改善搜索结果,由此提出了一个新的离散哈里斯鹰优化算法（DisHHO）。为了验证DisHHO求解KPC的性能,利用它求解四类大规模KPC实例,通过与已有二进制HHO以及求解KPC的最新算法比较表明：DisHHO不仅平均计算结果优,而且计算速度快,因此DisHHO是求解KPC的一个新的高效算法。     

基于改进差分进化的车辆路径优化算法

差分进化算法是一种具有记忆个体最优解和种群内部信息共享的特点的新型进化算法,本质上可看做是一种基于实数编码的、具有保优思想的贪婪遗传算法。针对具有NP难的车辆路径优化问题,提出了一种改进的差分进化算法。利用贪心算法产生初始种群,定义合法化修复变异个体的方法,采用改进的顺序交叉,并在变异操作之后,加入新的选择机制。使用Matlab进行了算法的实现,实验结果表明了改进DE算法能够高效地解决VRP问题。     

求解0/1背包问题的离散差分进化算法

0/1背包问题是实际中经常遇到的一类经典NP难组合优化问题.针对0/1背包问题,提出一种融合贪婪变换的离散差分进化算法.该算法中通过模2运算来实现变异操作;为了满足约束上限,融合了贪婪变换;为了防止早熟,采用了在进化若干代后重新初始化种群的策略.经数值实验表明,该算法在求解0/1背包问题时是可行的,有效的,比单纯的贪婪算法,融合贪婪变换的粒子群优化算法及融合贪婪变换的遗传算法更加稳健,良好.     

基于差分进化的离散粒子群算法求解TSP问题

针对TSP问题,结合离散粒子群算法和差分进化算法各自的特点,提出了基于差分进化的离散粒子群算法。该算法先利用差分进化算法的变异、选择算子产生新的群体,再通过离散粒子群算法和交叉及选择算子进行局部搜索。通过对标准的30个城市进行实验,实验结果表明,该优化算法在求解TSP问题上有很好的性能。     

求解二重积分问题的差分进化算法

传统计算二重积分方法大都是等距分割方法,但是在在被积函数区间变化快慢相差较大时,计算精度大为降低。为此,提出一种不等距点分割的差分进化算法用于求解复杂函数的二重积分问题。在积分区域x向与y向上选取一些节点,将积分区域分割成很多小的子矩形域,并通过差分进化算法对其进行优化,使函数变化较快的区域分得小一些,函数变化较慢的区域分得大一些,从而得到较准确的二重积分。仿真结果表明,提出的算法收敛速度快,计算精度高,能计算较复杂的二重积分。     

基于新颖S型转换函数的二进制粒子群优化算法求解具有单连续变量的背包问题

为了高效求解具有单连续变量的背包问题(KPC),首先基于高斯误差函数提出了一个新颖S型转换函数,给出了利用该转换函数将一个实向量转换为0-1向量的新方法,由此提出了一个新的二进制粒子群优化(NBPSO)算法;然后,利用KPC的第二数学模型,并且把NBPSO与处理KPC不可行解的有效算法相结合,提出了求解KPC的一个新方...     

贪婪封装二进制差分进化算法求解高维背包问题

提出一种处理高维背包问题(KP)的贪婪封装二进制差分进化算法(GPBDE),并设计了一种贪婪封装的修补策略处理不可行解.为了提高种群的多样性及算法的全局搜索能力,对适应度较低的个体执行对偶变换.数值实验选取4种KP对GPBDE的优化能力进行测试,并将所提出的算法与4种同类算法进行比较,结果表明,GPBDE具有较强的寻优和约束处理能力,且收敛速度较快.     

基于改进差分进化算法求解连续矩阵问题

矩阵分析在控制中可以对系统的稳定性和控制观测性能进行改善。传统的约旦递推法和Kronocker积算法是基于大量的数值分析、矩阵转换的基础上进行的,过程繁冗,求解效率低;在工具箱求解的基础上提出改进的差分进化算法,并加入边界约束对典型的若干连续矩阵求解,启发式的特点引导搜索的智能进行同时对违约变量进行处理,简化了求解过程,提高了求解精度。通过对矩阵方程的仿真结果对比,证明了该智能算法为矩阵状态参数估计提供了新的解决途径。     

混合差异演化算法求解多维背包问题

提出了一种求解多维0-1背包问题的混合差异演化算法,算法使用了两个主要的思想策略,即依据物品单位容积价值的高低选择物品的贪婪算法和基于二进制编码的差异演化算法。对10个测试算例进行了仿真试验,结果表明文章提出的算法可以快速找到这些测试算例的最优解,是求解多维背包问题的一种有效方法。     

求解多选择背包问题的改进差分演化算法

首先将差分演化算法（DEA）的演化机制归结为差异算子（DO）和选择算子（SO）的作用,然后基于离散域上的多选择背包问题（MCKP）,通过重新定义DEA算法的差异算子中的三种基本运算,并采用个体正整数编码方法和处理非正常编码的快速微调策略,提出了一种求解MCKP问题的改进差分演化算法（MDEA）,第一次将DEA用于求解组合最优化问题.对经典MCKP问题实例的计算表明：MDEA算法不但是可行的,而且是高效的.     

一种求解背包问题的混合差异演化算法

为增强差异演化算法在求解背包问题时的局部搜索能力,提出拉马克-鲍德温混合差异演化算法。该算法采用双种群协同进化,以差异演化算法为主体,在演化过程中分别引入拉马克进化和鲍德温效应2种局部搜索算子,引导种群进化方向。仿真实验结果表明,该算法求解精度高,收敛速度快,能够高效求解背包问题。     

求解任务指派问题的差异演化算法磁

建立了任务指派问题的数学模型,采用差异演化算法对其进行求解,给出了差异演化算法求解该问题的具体方案,对不同的任务指派问题算例进行了仿真实验。结果表明,算法可以有效、快速地找到任务指派问题的最优解。     

利用改进的微分进化算法求解带平衡约束的圆形packing问题

提出了一种改进的微分进化算法(DE)求解二维带平衡约束的圆形packing问题．首先，构造出等价的物理模型,定义系统的能量函数,再对能量函数进行全局优化,从而间接得到问题的近似解．其中引入的参数动态调整策略在计算初期维持个体的多样性,后期加快算法的收敛速度,提高了DE算法的性能．最后，对两个算例进行了数值计算,实验结果证明了算法的有效性．此算法思路可推广应用于求解其它类型布局问题．     

混合猴群算法求解折扣{0-1}背包问题

针对折扣{0-1}背包问题(D{0-1}KP),当问题规模较大时,精确算法求解比较困难.基于此,将贪心核加速算子与猴群算法融合提出一种混合猴群算法(MMA)用于求解D{0-1}KP问题.同时在MMA算法的爬过程中引入诱导因子,避免爬过程陷入局部最优,再利用修复策略对不可行解进行修复.通过仿真实验,结果表明MMA算法求解...     

用于约束多目标优化问题的双群体差分进化算法

首先给出一种改进的差分进化算法,然后提出一种基于双群体搜索机制的求解约束多目标优化问题的差分进化算法.该算法同时使用两个群体,其中一个用于保存搜索过程中找到的可行解,另一个用于记录在搜索过程中得到的部分具有某些优良特性的不可行解,避免了构造罚函数和直接删除不可行解.此外,文中算法、NSGA-Ⅱ和SPEA的时间复杂度的比较表明,NSGA-Ⅱ最优,文中算法与SPEA相当.对经典测试函数的仿真结果表明,与NSGA-Ⅱ相比较,文中算法在均匀性及逼近性方面均具有一定的优势.     

新颖的离散差分演化算法求解D{0-1}KP问题

折扣{0-1}背包问题(D{0-1}KP)是0-1背包问题(0-1KP)的一种更复杂的扩展形式。为了利用离散差分演化高效求解D{0-1}KP,首先提出了一个新V型转换函数(NV),通过NV将个体的实向量映射为一个二进制向量,与已有的S型和V型转换函数相比,NV计算复杂度更低,求解效率更高。然后,基于新V型转换函数给出了一种新的离散差分演化算法(NDDE),并利用NDDE提出了求解D{0-1}KP的一个新的高效方法。最后,为了验证NDDE求解D{0-1}KP的性能,利用它求解四类大规模D{0-1}KP实例,并与基于群论的优化算法(GTOA)、基于环理论的演化算法(RTEA)、混合教学优化算法(HTLBO)和鲸鱼优化算法(WOA)等已有算法的最好计算结果进行比较,比较结果表明,NDDE不仅求解精度更高,而且算法的稳定性佳,非常适于求解大规模D{0-1}KP实例。     

背包问题的知识进化算法

知识进化算法是在分析知识进化机制基础上提出的一种新型优化算法。该文根据0-1背包问题的特点,提出用于求该问题的知识进化算法方案,阐明算法的具体实现过程。通过对其他文献中仿真实例的计算和结果比较,表明应用该算法求解背包问题取得了良好的效果。该算法同样可以应用于其他组合优化问题。     

0-1背包问题贪婪算法应用研究

结合生活中顾客中奖后奖品的选择问题,给出0-1背包问题的数学模型,介绍基于0-1背包问题的的贪婪算法,使用这种算法解决奖品选择问题,最后在viusal c 6.0下编程实现.