基于博弈策略强化学习的函数优化算法

该文提出了一种基于博弈论的函数优化算法。算法将优化问题的搜索空间映射为博弈的策略组合空间,优化目标函数映射为博弈的效用函数,通过博弈策略的强化学习过程智能地求解函数优化问题。文章给出了算法的形式定义及描述,然后在一组标准的函数优化测试集上进行了仿真运算,验证了算法的有效性。     

适用于多峰函数优化问题的通用演化算法

本文在“两阶段子空间演化算法”的基础上加以改进,提出了一种解各种多峰函数优化问题的通用演化算法;并用五个复杂的函数进行了数值试验,得到了较好的结果。     

差分演化算法各种更新策略的对比分析

差分演化算法（differential evolution,DE）是一种模拟生物演化过程的随机搜索方法,具有收敛速度快,鲁棒性好等优点。目前DE有多种交叉和变异策略,它们在求解各类优化问题时表现出各自不同的性能。介绍了10种差分演化算法的更新策略,并利用标准测试函数集对它们进行了全面与系统的实验比较。通过分析采用这些策略的DE算法在不同解空间及进化各阶段的收敛曲线特点,对比总结了不同版本的DE算法在各类环境下的搜索性能。该研究一方面能够为DE算法的实际应用提供技术指导,帮助学者选择合适的DE更新策略以更好地解决工程问题;另一方面能够为新型DE更新策略的开发和自适应DE算法的设计提供理论基础。     

多个粒子参与交叉的一种动态演化算法

运用动态演化算法来求解约束优化问题,能够得到好的解。但由于采用常规的两个粒子参与交叉的交叉算子,使整个算法耗费的时间过多,导致算法的效率不高。文章用多个粒子参与的交叉算子,并以偏序逻辑对群体排序,使得该算法的收敛速度提高。最后通过数值实验表明这种方法的有效性。     

一种求解Shubert函数优化问题的演化算法

综合国内外演化计算研究现状,基于热力学中的自由能极小化原理, 设计了一个全新的热力学演化算法,并通过对于Shubert函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,实验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优。     

可求解多目标优化问题的演化博弈优化算法

借鉴演化博弈的思想和选择机制,提出了一种新的基于演化博弈的优化算法(EGOA)用于多目标问题的求解.算法框架具备对该类问题的通用性.为了对算法性能进行评估,采用了一组多目标优化问题(MOPs)的测试函数进行实验.实验结果表明,使用本算法搜索得到的演化稳定策略集合能够很好地逼近多目标优化问题的帕累托前沿,与一些经典的演化算法相比具有良好的问题求解能力.     

蚁群算法参数组合的博弈优化

针对蚁群优化算法参数组合选取的问题,提出了一种基于博弈论的蚁群算法参数优化模型。由于算法各个参数之间相互依赖、相互影响的关系,将各参数作为博弈论中的局中人,利用算法收敛时间与各个参数之间的数学关系,将其转化为博弈模型中参数的收益函数,求解出算法的最优参数组合。仿真结果表明,该模型能够方便有效求解出蚁群算法的最优参数组合。     

结合信息熵的多种群博弈蚁群算法

针对蚁群算法在旅行商问题（Traveling Salesman Problem，TSP）求解中难以找到最优解、容易早熟的问题，提出一种基于信息熵的多种群博弈蚁群算法。首先，算法采用主从合作博弈机制，引入夏普里公式和信息熵，自适应调整各算子的使用权重，同时构造奖惩算子，提高算法收敛性；然后，对从种群引入针锋相对策略，进行协同学习，提高从种群多样性；进一步，根据帕累托最优原则，对从种群引入协调博弈机制进行自适应合作，提高算法性能。最后，以TSPLIB标准库中的多组TSP问题作为实验算例，进行算法性能分析。实验结果表明，对比传统算法，该算法具有良好的求解精度和求解稳定性。     

基于PSO的队伍演化算法

粒子群优化算法(PSO)由于其原理简单、较易实现等特点,得到广泛研究和应用.为加快优化速度,提高收敛精度,文中提出基于PSO的队伍演化算法.该算法将优化过程分为两个阶段: 第一阶段为保持多样性,把队员分成若干个初级队伍并行优化,形成高级队伍; 后一阶段为提高收敛速度,仅优化高级队伍.在整个优化过程中,根据评估队员所取得的成绩,动态控制队员的调整步长和最大调整空间,同时产生教练组,为队员的进步方向提供指导.通过高维多峰测试函数进行测试对比,验证文中算法的优越性和有效性.     

求解六峰值驼背函数优化问题的热力学演化算法

作为计算智能关键技术的演化计算,因其在对复杂和非线性问题的求解中表现出良好的适应性、并行性、鲁棒性等众多优点,受到众多领域专家学者的广泛关注.在综合国内外演化计算研究现状的基础上,基于热力学中的自由能极小化原理,设计了一个全新的热力学演化算法,并通过对于六峰值驼背函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,试验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优.     

一种解函数优化问题的精英子空间演化算法

文献[1]提出了一种有效的求解优化问题的演化算法,算法简单易行,并能在较短时间内找到问题的最优解,在该算法的基础上,文中提出了一种精英子空间演化算法,在算法的杂交过程中,通过采用精英保存策略,增加父体的选择压力来加速算法的收敛,数值试验表明新算法比文献[1]中的算法具有更好的收敛性,能更快地找到优化问题的最优解。     

基于演化博弈的理性拜占庭容错共识算法

拜占庭容错算法(byzantine fault-tolerant)是保证区块链等分布式系统能够达成一致性的重要算法,其性能影响着系统的安全性和稳定性.针对现有共识算法存在效率低下和缺少激励机制等问题,提出了一种基于演化博弈的理性实用拜占庭容错共识算法.首先,通过引入信誉机制来确定节点在共识过程中的可信任度,以信誉值为理...     

可求解多目标优化问题的演化博弈优化算

借鉴演化博弈的思想和选择机制,提出了一种新的基于演化博弈的优化算法(EGOA)用于多目标问题的求解.算法框架具备对该类问题的通用性.为了对算法性能进行评,采用了一组多目标优化问题(MOPs)测试函数进行实验.实验结果表明,使用本算法搜索得到的演化稳定策略集合能够很好地逼近目标优化问题的帕累托前沿,与一些经典的演化算法相比具有良好的问题求解力.     

组合优化多智能体进化算法

提出了一种新的组合优化方法——组合优化多智能体进化算法．该方法将智能体固定在网格上,而每个智能体为了增加自身能量将与其邻域展开竞争,同样智能体也可进行自学习来增加能量．理论分析证明算法具有全局收敛性．在实验中,作者分别用强联接、弱联接、重叠联接等各种类型的欺骗函数对算法的性能进行了全面的测试,并将算法用于解决具有树状等级结构的问题．比较结果表明文中算法所需的计算量远远小于其它方法,具有较快的收敛速度．为了测试算法解决大规模问题的能力,作者还将算法用于解决上千维的欺骗问题和等级问题,结果表明该文算法的计算复杂度与问题规模成多项式的关系．此外,将算法用于上千维的欺骗问题和等级问题,在国内外还均未见报到．     

分段式量子-单纯形进化算法及函数优化

量子进化算法在高维复杂函数优化上存在容易陷入局部最优解、进化后期收敛速度慢的问题,为进一步提高其搜索性能,提出了一种带单纯形搜索算子的分段式量子进化算法。该方法将搜索过程分为3个阶段,首先用量子进化算法搜索到一定代数,然后将种群分为若干个子种群,每个子种群中的个体作为单纯形法的初始顶点,并行地用单纯形法进行搜索,将搜索后的子种群再合并,继续用量子进化算法进行最后的搜索。对几个典型的高维函数进行仿真的结果表明,该算法具有更快的收敛速度和更高的求解精度。     

An Evolutionary Algorithm for Global Optimization Based on Level-Set Evolution and Latin Squares

In this paper, the level-set evolution is exploited in the design of a novel evolutionary algorithm (EA) for global optimization. An application of Latin squares leads to a new and effective crossover operator. This crossover operator can generate a set of uniformly scattered offspring around their parents, has the ability to search locally, and can explore the search space efficiently. To compute a globally optimal solution, the level set of the objective function is successively evolved by crossover and mutation operators so that it gradually approaches the globally optimal solution set. As a result, the level set can be efficiently improved. Based on these skills, a new EA is developed to solve a global optimization problem by successively evolving the level set of the objective function such that it becomes smaller and smaller until all of its points are optimal solutions. Furthermore, we can prove that the proposed algorithm converges to a global optimizer with probability one. Numerical simulations are conducted for 20 standard test functions. The performance of the proposed algorithm is compared with that of eight EAs that have been published recently and the Monte Carlo implementation of the mean-value-level-set method. The results indicate that the proposed algorithm is effective and efficient.     

一种改进的动力学演化算法

动力学演化算法(DEA)是一种新颖的基于统计机制理论的演化计算技术.DEA通过驱动所有的个体运动和演化,可以有效地保持种群的多样性,但是在解决一些困难的函数优化问题时,DEA收敛速度慢并且易收敛于局部最优解.提出了一种改进的带有多父体杂交和差分变异算子的动力学演化算法(IDEA),有效地加快了DEA的收敛速度并且可以轻易逃离次优解.通过解决典型的数值函数优化问题来证实算法的有效性,实验结果表明,改进的动力学演化算法具有更高的收敛速度和收敛精度.     

量子演化算法的改进研究

从两个方面对量子演化算法进行改进：（1）因量子染色体的量子位处于叠加态和纠缠态,无法使用传统的交叉方式对量子位进行操作,设计了针对测量后的经典染色体进行全干扰交叉,这样既不会破坏量子染色体的固有的并行性,又可以增加测量后染色体的多样性,继而影响量子染色体进化方向,加快算法的收敛速度,有效地防止＂早熟＂;（2）设计了概率触发器启动量子非门进行量子变异。实验表明,改进的量子演化算法比起先前的算法具有更好的寻优能力,更稳定的收敛度。     

一种高效的多目标演化算法

为了提高非劣解向Pareto最优前沿收敛的速度及进一步提高解的精度,在设计了一种新的杂交算子并改进了NSGA-Ⅱ的拥挤操作的基础上,提出了一种基于分级策略的多目标演化算法。数值实验表明,新算法能够非常高效地处理高维的最优前沿为凸的、非凸的和不连续前沿的多目标测试函数,得到的非劣解具有很好的分布性质。但在处理高维的具有太多局部最优前沿的多峰函数时极易陷入局部最优前沿。