基于插值方法的EMO多样性保持策略

针对演化多目标优化(evolutionary multi-objective optimization,EMO)算法搜索到的近似Pareto 前沿出现间断或不完整现象的问题,提出了基于插值方法的演化多目标多样性保持策略,利用标准测试函数对NSGAII(支配关系排序的遗传算法)和提出的算法进行多样性和收敛性指标测试,数值试验结果表明,所提出的算法性能得到明显改进,优于NSGAII算法.     

一种多样性控制的多目标粒子群算法

针对传统多目标粒子群算法容易早熟的问题,提出了一种基于多样性控制的多目标粒子群算法.该算法采用一种基于权值向量的多样性评价指标来度量算法在每一次迭代时的种群多样性,并根据评估值来自适应地控制算法的进化过程.为了保证种群的多样性,采用一种基于Steffensen方法的自适应变异策略对外部种群进行更新.通过自适应地选择粒子...     

基于混沌优化和网格筛选策略的多目标分布估计算法

为了解决多目标分布估计算法中进化速度慢、解精度和分布不佳等问题,提出一种基于混沌优化和网格筛选策略的多目标分布估计算法.该算法首先利用混沌模型进行种群的初始化,以获得较理想的初始化结果;然后运用混沌的局部优化策略对每代产生的非支配个体进行寻优,加速种群向Pareto最优前沿的逼近;最后利用简单的网格筛选策略保持个体的均匀分布,从而增强精英种群的多样性.3种评价标准在8个测试问题上的实验表明:与目前最具代表性的RM-MEDA算法相比,该算法不仅在接近真实的最优前沿和保持种群的多样性方面具有一定优势,而且在进化速度上也有较大提高.     

一种改进的多目标粒子群优化算法

针对多目标粒子群优化算法在迭代过程中收敛速度和多样性方面的不足,提出一种改进的多目标粒子群优化算法(IMOPSO).采用基于栅格和拥挤距离的协同外部档案维护策略,通过更准确地选择收敛性和多样性性能更好的非劣粒子作为全局最优值,加快整个种群的收敛速度;采用分段Logistic混沌映射、外部档案检测机制及修改的粒子速度更新公式,分别在初始化阶段和迭代过程中增强种群的多样性;最后,通过对标准测试函数仿真测试证明了改进后的算法能够快速收敛至Pareto最优前沿并保持较好的多样性.     

基于精英解学习的邻域搜索差分演化算法

为了防止差分演化算法在求解复杂问题时容易陷入局部最优、收敛速度慢等问题,提出了一种基于精英解学习的邻域搜索差分演化算法(ELNDE).在该算法中利用多个精英解构建一个精英解池策略,并且对其进行反向学习,保证种群的多样性.在每一代种群演化计算过程中执行邻域搜索,通过精英解作为导向,加快算法的收敛速度的同时提高开采能力.使用13个基准测试函数对提出的算法进行了测试并且与几种知名的改进算法进行比较.实验表明,提出的算法在收敛速度和解的精度是具有较大的优势.     

自适应交配限制概率的自组织多目标演化算法

为平衡多目标演化算法求解不同优化问题以及求解同一优化问题时不同搜索阶段的勘探与开采能力,并考虑到减小聚类算法辅助演化算法时产生的计算开销,提出了一种基于自适应交配限制概率的自组织多目标演化算法（adaptive mating restriction probability based self-organizing multiobjective evolutionary algorithm, ASMEA）.首先,ASMEA在每一代利用自组织映射（self-organizing map, SOM）算法建立了演化种群个体间的邻居关系,基于此关系有利于算子实施恰当的重组操作,并在演化算法后期产生优质解,与此同时,为了节省利用SOM建立当前种群个体之间的邻居关系时引起的计算开销,将SOM与演化算法相融合,交替地进行SOM训练与种群演化.然后,运用交配限制概率控制交配父代来源于SOM发现的邻居种群或者是整个种群,以分别加强开采和勘探. 最后,根据采用不同父代来源的重组在过去一定代数产生后代个体的效用,自适应地调整算法的交配限制概率. 利用ASMEA和5种具有代表性的多目标演化算法对标准测试题进行求解,求解结果表明:ASMEA在搜索质量、搜索效率以及可视化方面优于其他5种算法,从而验证了ASMEA算法对多目标优化问题具有良好的求解性能.     

多目标柔性作业车间调度的Pareto混合粒子群算法

针对多目标柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)的复杂性,建立了以总完工时间、所有机器总负载及最大机器负载为目标函数的多目标调度模型,提出了一种带有Pareto档案集的混合粒子群优化算法.该算法首先通过全局搜索、局部搜索和随机产生相结合的初始化方法产生高质量的初始种群,利用改进的快速排序法构造Pareto档案集,并给出了一种快速更新Pareto档案集的算法.既保持了种群的多样性,避免了算法陷入局部最优,又有效地提高了算法的收敛速度;算法中还引入逆转策略来进一步增加解的多样性.通过3个经典算例的实验仿真,验证了该算法的可行性和有效性.     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

改进的基因表达式编程算法在演化建模中的应用

为了克服传统基因表达式编程易早熟收敛、种群多样性难以保持、演化效率不高、拟合度不高等缺陷,给出了基于表现型的种群多样性测度,并提出了基于排挤小生境的改进基因表达式编程算法. 该算法将小生境半径内的早熟个体通过罚函数排挤出去,使其它优良个体得以更大概率进化,并使各个个体之间保持一定的距离. 分别对一元函数和多元复杂函数进行演化建模实验. 结果表明,改进的算法能在演化过程中能保持丰富的群体多样性,能够有效避免过早收敛,具有更高的成功率、更高的收敛速度和拟合精度.     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。     

基因表达式编程种群多样性自适应调控算法

为了解决基因表达式编程GEP种群多样性控制问题,提出了一种新的带权种群多样性的自适应调控方法。设计了带权的种群多样性测度方法,详细分析了选择、交叉及变异算子对种群多样性的影响。提出了初始种群的多样化算法DAIP,以保证初始种群多样性的最大化。设计了自适应的交叉和变异算子,提出了种群多样性自适应调控算法APDTA,使种群在进化过程中维持合适的种群多样性,进而提高进化效率。实验验证了APDTA的有效性。     

混合遗传模拟退火算法求解背包问题

提出了一种混合遗传模拟退火算法求解背包问题,该算法应用改进的模拟退火算法作为局部搜索,提高算法的搜索效率,采用同时考虑解的质量和种群多样性的种群更新策略,保持种群的多样性,仿真实验结果表明该算法是有效的.     

Memetic算法求解多维背包问题

针对多维背包问题较难找到全局最优解的情况,提出了一种求解多维背包问题的Memetic算法,该算法主要由带反馈机制的禁忌局部搜索算法、交叉算子和种群更新策略组成.其中,种群更新策略需要同时考虑种群中解的质量与种群的多样性,以提高算法搜索的多样性.测试表明,该算法能够有效避免陷入局部最优解并找到比现有算法更好的结果.     

基于动态权值的粒子群算法的多样性分析

种群的多样性是保证粒子群优化算法收敛的前提条件,基于此提出了一个概念清晰、运算量小的多样性定义,并从粒子在寻优过程中粒子聚合程度和速度进化程度出发分析粒子群的多样性。在此基础上,提出了一种基于动态权值的改进算法,算法能自适应的调整惯性因子以保持种群多样性,有效地避免了早熟收敛。仿真实验表明该算法不仅能加快种群的进化速度,而且还能增强算法的全局收敛性,收敛概率也从15％增加到100％。     

Immune response-based algorithm for optimization of dynamic environments

A novel immune algorithm suitable for dynamic environments (AIDE) was proposed based on a biological immune response principle. The dynamic process of artificial immune response with operators such as immune cloning, multi-scale variation and gradient-based diversity was modeled. Because the immune cloning operator was derived from a stimulation and suppression effect between antibodies and antigens, a sigmoid model that can clearly describe clonal proliferation was proposed. In addition, with the introduction of multiple populations and multi-scale variation, the algorithm can well maintain the population diversity during the dynamic searching process. Unlike traditional artificial immune algorithms, which require randomly generated cells added to the current population to explore its fitness landscape, AIDE uses a gradient-based diversity operator to speed up the optimization in the dynamic environments. Several reported algorithms were compared with AIDE by using Moving Peaks Benchmarks. Preliminary experiments show that AIDE can maintain high population diversity during the search process, simultaneously can speed up the optimization. Thus, AIDE is useful for the optimization of dynamic environments.     

应用种群多样性二进制蛙跳算法实现机会频谱分配

针对NP-Hard认知无线电分配模型,提出了基于种群多样性的二进制蛙跳算法.传统蛙跳算法采用整数编码和相关的搜索方法,新算法采用种群文化倾向性,在二进制编码条件下实现了最优或次优解搜索.依据模式理论,以海明距为数学工具,定义了种群多样性参量作为早熟判别指标,当出现早熟时,在保留精英个体前提下进行种群重构,避免算法陷入局部最优.为了证明算法的有效性,进行了100种网络拓扑结构的对比实验,实验数据说明,新算法优于粒子群、遗传算法和量子遗传算法,针对3种适应度函数,其优胜率分别为100%、75%和100%.     

一种基于小生境的负相关神经网络集成算法

提出了一种基于小生境的负相关神经网络集成算法.所提方法结合了负相关学习和进化算法,采用同时训练的方式对多个神经网络进行训练,不仅能使网络之间产生有效的差异度,而且能促进网络之间的交互性和合作性.此外,在进化过程中引入了一种改进的小生境技术,能更有效地维持网络种群的多样性,从而保证神经网络集成的差异度.所提方法在6个分类数据集上进行了测试,并且与一些相关神经网络集成方法进行对比.实验结果表明所提方法能得到一个有效的神经网络集成.     

A novel genetic algorithm preventing premature convergence by chaos operator

ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ(ＧＡｓ),ａｓａｋｉｎｄｏｆｓｅａｒｃｈｉｎｇａｎｄｏｐｔｉｍｉｚｉｎｇａｌｇｏｒｉｔｈｍ,ｉｓｂａｓｅｄｏｎｔｈｅｐｒｉｎｃｉｐｌｅｓｏｆｎａｔｕｒａｌｅｖｏｌｕｔｉｏｎ[1].Ｉｔｈａｓｂｅｅｎｅｓｔａｂｌｉｓｈｅｄａｓａｖｉａｂｌｅａｎｄｒｏｂｕｓｔｔｅｃｈｎｉｑｕｅｆｏｒｓｅａｒｃｈｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｃｒｏｓｓａｄｉｖｅｒｓｅｄｏｍａｉｎｏｆｄｉｓｃｉｐｌｉｎｅｓ.Ｈｏｗｅｖｅｒ,ｗｈｅｎａｐｐｌｙｉｎｇＧＡｔｏｓｏｌｖｅｌａｒｇｅｓｃ…