多模态优化问题的邻域低密度个体差分进化算法

针对多模态优化问题(MultiModal Optimization Problems, MMOPs)的求解,提出了一种基于邻域低密度个体的差分进化算法.该算法在每一代,首先使用密度峰值聚类的方法求得每一个个体的密度,然后,将当前个体邻域范围内密度更低的个体作为变异算子的基向量,随着种群的进化,算法将会自动从探索阶段转化为收敛阶段,进而平衡算法的探索与收敛能力.将提出的算法应用于CEC2013多模态基准测试函数并进行仿真实验,结果表明本文算法在评价指标峰值比和稳定性上与其它基于差分进化的多模态优化算法相比具有明显的优势,并随着测试函数的维度与复杂性的增大,优势就更加明显,其性能优于许多现有的基于差分进化的多模态优化算法.     

基于知识引导的自适应动态多模态差分进化算法

为充分利用问题求解过程知识,提升动态多模态优化算法的计算资源利用效率,提出一种基于知识引导的自适应动态多模态差分进化算法.首先,利用自组织映射神经网络实现种群自聚类,形成稳定的小生境;然后,通过对种群全局知识和个体邻域知识的综合学习,设计一种基于知识引导的自适应差分进化算法,在对种群进化状态进行实时监测和分析的基础上,逐层递进地引导不同种群个体自适应地选择最符合当前进化需求的变异方式,提升种群搜索效率,平衡种群多样性与收敛性;最后,针对问题动态特性,设计一种基于历史动态过程知识引导的自适应动态响应机制,通过对历史寻优经验的自适应学习,预测生成新环境下的潜在精英个体,引导种群实现精准快速的多峰定位.实验结果表明,所提出算法能够有效解决动态多模态优化问题,且在不同动态环境设置下其求解性能均优于对比算法.     

一种新的蛋白质结构预测多模态优化算法

针对现阶段药物设计中对于蛋白质结构多模态的需求,提出了一种基于排挤差分进化策略的多模态优化算法.为了降低蛋白质构象空间求解的复杂度,算法采用能量极小化过程,有效缩小了可行域的搜索空间;同时,为了有效地平衡多模态优化问题的局部收敛性和模态多样性,在排挤差分进化算法的框架下,在保证算法收敛速度的前提下,算法采用空间局部性原理,同时随机选取不同交叉策略的集结思想又有效改善了种群的多样性.以脑啡肽为例,算法不仅得到了其全局最稳定结构,还获得了一系列局部最优结构.     

基于DE 和SA 的Memetic 高维全局优化算法

针对高维复杂多模态优化问题,传统的进化算法存在收敛速度慢,求解精度低等缺点,提出一种面向高维优化问题的Memetic全局优化算法。算法通过全局搜索和局部搜索结合的混合搜索策略,采用多模式并行差分进化算法进行全局搜索,基于高斯分布估计的模拟退火算法进行局部搜索。改进后的Memetic算法不仅继承了差分进化算法能发现全局最优解的优点,而且能大幅度提高搜索效率。最后,通过对4个高维多峰值Benchmark函数进行仿真实验,实验结果表明本文算法有效提高了算法的收敛速度和求解精度。     

免疫记忆遗传算法及其完全收敛性研究

指出多模态优化中现有小生境遗传算法(NGA)和简单子群遗传算法(SSGA)无法实现完全收敛。受精英个体保留策略的启示,基于免疫系统的记忆细胞机制设计了免疫记忆遗传算法(IMGA),利用马尔柯夫链为数学工具,从理论上证明了NGA不能完全收敛而IMGA能够完全收敛。选择小生境遗传算法与该文算法进行了对比仿真实验,不仅验证了理论上的完全收敛性结论,同时验证了所提算法求解多模态问题的有效性、快速收敛能力及其收敛的稳定性。     

一种求解多模态复杂问题的混合和声差分算法

针对多模态复杂优化问题,提出了一种基于和声搜索和差分进化的混合优化算法:HHSDE算法。在不同的进化阶段,HHSDE算法依据累积加权更新成功率来自适应地选择和声算法或差分算法作为更新下一代种群的方式,并改进了差分算法的变异策略来平衡差分算法的全局与局部搜索能力。通过对10个多模态Benchmark函数进行测试,利用Wilcoxon秩和检验对不同算法的计算结果进行比较,结果表明HHSDE算法具有收敛速度快,求解精度高,稳定性好等优势。     

自适应多模态免疫进化算法的研究与实现

基于免疫系统的动力学模型,根据一类抗体可结合多个抗原表位并逐步达到亲和度成熟的机理,研究并实现了一种多模态免疫进化算法(MIEA)．算法的主要算子包括正选择、记忆细胞产生、超变异和抗体相似性抑制．对不同的多峰值函数进行的仿真实验证明,算法能够找到多模态问题的全部最优解或尽可能多的局部最优解．通过与同类算法进行比较和计算复杂性分析表明,该算法不仅计算量小、具有更好的搜索性能,而且无需任何先验知识,可实现真正的自适应搜索．     

基于并行分区搜索的多模态多目标优化及其应用

基于分区搜索的多模态多目标优化属于一种决策空间分解策略,因此它具有天然的并行性.为提高求解效率,提出了一种并行分区搜索(Parallel Zoning Search,PZS)方法来辅助多模态多目标进化算法.在PZS中,首先将多模态多目标优化问题的整个决策空间划分为多个子空间,然后利用并行计算技术来实现选定的多模态多目标...     

基于关系模型的进化算法收敛性分析与对比

研究建立了一种等态等价关系与强/弱态偏序关系模型,用于分析进化算法在收敛性上的等价性与可比性.基于吸收态Markov(马尔可夫)性,满足等态关系的进化算法具有等价的收敛性,从而在收敛性意义上实现了进化算法的等价类划分.在等态关系基础上,建立了弱态和强态的偏序关系,提出了一种对比进化算法收敛性的数学工具,在此基础上设计了...     

基于多模态函数优化的改进克隆选择算法

文章分析了deCastro和VonZuben在2002年提出的用于多模态函数优化的克隆选择算法(CLONALG)的不足,并且运用小生境技术、记忆方法、梯度法和相似性抑制法对该算法进行了改造,提出了小生境克隆选择算法(NCSA)。利用马尔柯夫链为数学工具,从理论上证明了NCSA的完全收敛性(CompleteConvergence)。该算法与CLONALG进行了仿真比较实验,不仅验证了NCSA理论上的完全收敛性结论,同时验证了所提算法对于求解多模态问题更为有效,且具有很好的稳定性。