改进DE算法优化高刺激率AEP的刺激序列

刺激序列的性质直接影响高刺激率听觉诱发电位(Auditory evoked potentials,AEP)去卷积的性能,自动生成满足需求的刺激序列可以为高刺激率AEP的基础和应用研究带来极大便利.以刺激序列的抖动量为优化变量利用差分进化(Differential evolution,DE)算法定义了约束条件下的目标函数.根据抖动量的变化范围,改进了DE搜索的变异算子实现搜索空间动态缩减.该方法可以方便地生成各种参数(包括刺激率、频带范围、扫程长度和采样频率)的低抖动率刺激序列.通过实测脑电信号合成的数据检验,本方法得到的各种刺激序列都取得了较好的效果.     

希尔伯特-黄变换增强高刺激率AEP的信噪比

针对高刺激率模式下运用连续循环去卷积的方法提取的听觉诱发电位(AEP)可能需要比常规方法更长的记录时间,受试者要忍受大量的声音刺激的问题,本文提出运用希尔伯特-黄变换的去噪方法来减少刺激个数。首先对采集到的每个扫程的脑电信号进行经验模态分解,得到一组固有模态函数(IMFs),然后将这些IMFs分为有用信号层和噪声层,采取非线性阈值方法分层进行去噪处理,以提高信号去卷积前的信噪比。处理结果的评估以1 014个扫程的脑电数据按照常规方法处理的提取AEP为基准,计算去噪后AEP和基准AEP的信噪比与相关系数。结果表明该方法能够有效减少约2/3的刺激个数,是一种十分有前景的高刺激率下AEP信号的提取方法。     

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。     

基于改进PSO和DE的混合算法

研究粒子群优化(PSO)算法和差分进化(DE)算法的优缺点,通过改进PSO算法并与DE算法混合,得到一种双种群的新型混合全局优化算法。经过对5个标准测试函数的大量实验计算表明,该算法能有效克服PSO算法和DE算法的缺陷,使寻优精度有较大改进,在高维情况下表现更加突出。     

混合CS算法的DE算法

为解决基本差分进化算法的缺陷,利用布谷鸟搜索（CS）算法寻优能力强的优点,在DE每次完成选择操作后,不直接进入下一次迭代,而是引入CS算法,继续进行搜索,这样就增加了粒子的搜索活力,从而得到一种新的差分进化算法。经过对6个标准测试函数的大量实验计算表明,该算法能有效克服DE算法的缺陷,使寻优精度有较大改进。将算法应用于求解非线性方程组问题,给出了数值算例。     

基于改进DE算法的并联泵组能效最优控制策略研究

为改变传统给水系统在节能降耗方面的不足,结合供水系统的典型特点,建立了以节能为目标的水泵并联运行优化调度模型;采用差分进化(DE)算法对模型进行求解,在确保供水系统服务用户质量的前提下,优化调度泵站开启水泵的台数和调速率,使系统整体运行的能耗最低.使用MATLAB搭建了仿真实验平台,验证了差分进化算法的有效性和实用性.     

一个基于PSO和DE的杂凑全局优化算法

结合粒子群优化算法和差分进化算法思想提出了一个杂凑的全局优化算法——PSO-DE,通过对4个基准测试函数的实验测试,并与PSO和DE算法比较,证明新算法在低维（≤10维）搜索空间可以获得更高质量的解。     

PSO混合DE算法求解约束优化问题

提出了一个全新的混合算法并命名为微粒群差分算法,该算法在标准微粒群算法的基础上结合了差分进化算法用于求解约束的数值和工程优化问题。传统的标准微粒群算法由于其种群单一性容易陷入局部最优值,针对这一缺点利用差分进化算法中的变异、交叉、选择3个算子来更新每次迭代每个粒子新生产的位置以使粒子跳出局部优值。融合了标准微粒群算法和差分进化算法优点的混合算法加速了粒子的收敛速度。为了避免惩罚因子的选择对实验结果的影响,采取了可行规则法来处理约束优化问题。最后将微粒群差分算法用于5个基准函数和两个工程问题,并与其他算法作了比较,试验结果表明,微粒群差分算法算法具有很好的精准性、鲁棒性和有效性。     

满足故障隔离率指标的测试序列优化差分进化算法

最优测试序列的设计是故障诊断过程中必须解决的非确定多项式（Non-deterministic polynomial,NP）完全问题。基于自适应差分进化算法,提出一种惯性速度差分进化（Inertial velocity differential evolution,IVDE）算法,通过增加额外的惯性速度项求解复杂电子系统最优测试序列问题（Optimal test sequence problem,OTP）。为求解该优化问题设计了个体的状态与测试序列编码方式,构建了包含故障隔离率（Fault isolation rate,FIR）等指标的个体适应度函数,通过优化生成诊断决策树来减少测试设备和测试成本。仿真结果表明,IVDE算法可以求得既满足FIR要求,又减少测试成本的测试序列。与粒子群优化算法（Particle swarm optimizer,PSO）、遗传算法（Genetic algorithm,GA）等其他算法相比,IVDE可以求解OTP,得到更好的解。     

改进DE/EDA算法在求解难约束优化问题中的应用研究*

针对约束优化问题13个Benchmark函数中最难求解的Bump函数,利用简单罚函数算子对DE/EDA算法进行改进,提出了改进DE/EDA算法。仿真实验结果表明,求解Bump函数最优解时,改进DE/EDA算法优于其他文献的算法,且比DE算法收敛速度更快,求解效果更好。     

采用差分进化算法优化模糊Petri网参数

如何有效地确定模糊Petri网（FPN）的各项参数、摆脱自学习能力差的缺点,一直是悬而未决的问题。针对此问题,将差分进化算法首次引入到FPN参数优化中,根据FPN的实际特征,提出了一种改进的差分进化算法。算法采用混沌策略产生初始种群,融合自适应变异因子及早熟惩罚策略提高种群多样性,同时保证很强的收敛性与全局性。仿真实验表明,将改进的差分进化算法与传统算法相比较,收敛到理想参数值的速度提高了5倍。     

一种基于差分演化的K-medoids聚类算法

针对传统的K-medoids聚类算法具有对初始聚类中心敏感、全局搜索能力差、易陷入局部最优、收敛速度缓慢等缺点,提出一种基于差分演化的K-medoids聚类算法。差分演化是一类基于种群的启发式全局搜索技术,有很强的鲁棒性。将差分演化的全局优化能力用于K-medoids聚类算法,有效地克服了K-medoids聚类算法的缺点,缩短了收敛时间,改善了聚类质量。通过仿真验证了此算法的稳定性和鲁棒性。     

基于复形法和云模型的差分进化混合算法

为了改善差分进化算法的收敛速度和优化精度, 提出一种基于复形法和云模型的差分进化混合算法（HDECC）。该算法使用差分进化算法搜索局部最优域, 引入复形法和云模型来加快算法的收敛速度和提高算法优化精度, 使算法的初期搜索速度和之后的优化精度得到相互平衡。最后, 使用七个标准约束优化问题和两个典型工程应用实例进行实验仿真, 实验结果表明, 与同类算法比较, HDECC算法全局搜索能力强、优化精度高、收敛速度快, 且算法更稳定。     

混合差分进化算法

为了克服差分进化算法容易出现早熟和收敛速度慢的问题,提出了一种混合差分进化算法.该算法在趋药性差分进化算法(CDE)的基础上,通过对较优个体进行变异操作,维护了种群多样性、避免早熟;通过将较差的个体与较优个体进行杂交,提高了开采能力、加快了收敛速度.基于这两种策略,算法的开采能力与探索能力达到了平衡.用该算法解决标准函数优化问题,并将仿真结果与其他算法进行比较,数值结果表明该文算法具有较快的收敛速度和很强的跳出局部最优的能力.     

基于文化算法和改进差分进化算法的混合算法

改进差分进化算法不能有效利用进化过程中的知识,传统文化算法进化后期收敛速度较慢。针对这些问题提出一种基于文化算法和改进差分进化算法的混合算法,并将这一算法应用于约束求解问题。对基准函数和丁烯烷化生产调度问题进行仿真,结果表明该混合算法具有较好的实用性和稳健性,在寻优效率和优化结果方面都优于与之比较的算法,并降低了计算量。     

朴素差分进化算法

针对变异算子学习方式的单一性,提出一种朴素变异算子,其基本思想是向优秀的个体靠近,同时远离较差个体,其实现方式是设计一种缩放因子调整策略,如果三个随机个体在某维上比较接近,则缩放因子变小,反之变大.在实验过程中通过平均适应度评价次数、成功运行次数和加速比等指标表明,基于朴素变异算子的差分进化算法能有效提高算法的收敛速度和健壮性.     

差分进化计算研究综述

差分进化计算（DE）是继遗传算法、微粒子群算法、蚁群算法之后的又一个成功的智能算法。它有三个算子即变异算子、交叉算子、选择算子。差分进化利用种群中个体之间的差异信息实现向最优解区域的搜索。实验证明,该算法具有较好的鲁棒性和求解效率。针对该算法的基本思想以及当前的部分研究成果进行了分析介绍。最后对下一步的研究进行了相应的说明和展望。     

一种基于差异演化变异的粒子群优化算法

为了保持粒子种群的多样性而避免发生“早熟”的问题,提出一种基于差异演化变异的粒子群优化算法（PSO）,该方法通过粒子聚集性判断如果粒子群中的粒子过于聚集,则使用差异演化算法对PSO算法中各个粒子的自身历史最佳位置进行变异,以实现保持粒子群种群多样性的目的。对4种常用函数的优化问题进行测试并进行比较,结果表明：所改进的粒子群优化算法比标准粒子群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。     

一种简单有效的求解TSP的混合差分进化算法

设计了基于标准差分进化算法(differential evolution,DE)与遗传算法(genetic algorithm,GA)的混合差分进化算法(hybrid DE,HDE),同时用典型的测试函数对HDE进行性能测试。针对旅行商问题(traveling salesman problem,TSP)的求解难题,给出了采用位置—次序转换策略和HDE的有效求解方法,并测试了Oliver 30个城市的TSP。仿真结果表明,与DE和GA相比,HDE的优势在收敛率、平均最优解以及耗时上都很明显,证明了HDE在解决TSP问题上的有效性和稳定性。