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...     

蛋白质构象空间的多模态优化算法

蛋白质能量模型的不精确性导致数学上的最优解并不一定对应其稳定的天然态结构,同时其巨大的构象空间使得现有方法也极易收敛到局部最优解。针对蛋白质结构能量模型不精确和高维构象空间采样可靠性低的问题,在进化算法的基础上,提出了一种基于二面角相似度的蛋白质构象多模态优化方法。首先,执行模态探测,将Rosetta粗粒度能量模型作为筛选高质量新个体的标准,进行种群更新,增加种群构象的多样性;然后,建立二面角相似度模型,用于评价不同构象间的相似程度,以满足多模态优化算法中相似个体快速判定的要求,并基于排挤更新策略实现模态增强,获得结构更为合理的构象。10个测试蛋白质的实验结果表明:所提算法能够达到较高的预测精度,并且可以使种群具有良好的模态分布,得到尽可能多的高质量局部极值解,从而获得一些较好的蛋白质亚稳态结构。     

一种求解高维多模态复杂问题的差分文化算法

针对在求解高维多峰值复杂问题时种群容易陷入局部搜索、求解精度低的问题,提出了一种基于自适应差分进化算法和小生境高斯分布估计的文化算法。将差分进化算法用于种群空间的优化,利用动态小生境识别算法在种群空间中识别小生境群体。信度空间利用高斯分布估计算法在小生境内进行局部优化,并将小生境特征存入进化知识库,进化知识库进一步引导种群空间,有效地保证了种群的多样性,避免了局部的重复搜索。最后,通过仿真实验测试表明,算法具有收敛速度快、求解精度高、稳定性高和全局搜索能力强等优势。     

基于局部抽象凸支撑面的多模态优化算法

在基本进化算法框架下,结合抽象凸理论,提出一种基于局部抽象凸支撑面的多模态优化算法.首先,采用模型变换方法将原优化问题转变为单位单纯形约束条件下的严格递增射线凸松弛问题;其次,针对新生成个体的邻域信息构建局部抽象凸支撑面,并利用局部下界知识动态识别种群模态,从而减少替换误差,避免出现早熟现象;最后,借助支撑面下降方向进一步实现模态内部的局部增强过程.数值研究表明,针对给定的绝大部分测试问题,提出的算法在精度和可靠性指标方面均优于文中给出的其他算法.     

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。     

基于免疫进化的多模态优化算法研究

结合对生物免疫系统的最新研究成果,基于免疫细胞中不同亲和度抗体具有不同的变异率,最终通过不断进化达到亲和度成熟机理的启示,设计并实现了一个多模态免疫优化算法(MIOA)。算法的主要操作算子包括超变异、正选择、记忆细胞产生和抗体相似性抑制。通过对不同的多模态测试函数进行仿真实验,证明算法可以找到多模态问题的多个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,结果表明该算法不仅具有更好的搜索性能,而且计算量也大为减少。     

一种多模态单亲遗传算法

遗传算法在处理复杂的、多模态优化问题时常不十分有效,很难同时搜索多个峰点.这主要是由全局选择机制和交叉算子引起的.针对上述不足,本文提出了一种多模态单亲遗传算法,目标不是发现一个最优解而是多个最优或次优解的集合.主要是对交叉算子和选择机制作了改进,群体中个体能较好地保留自己的遗传特性,大大增强了种群个体的分散性.该方法不仅易实现并行或分布计算,且群体规模可以任意选取.仿真结果验证了算法的有效性.     

基于广义凸下界估计的多模态差分进化算法

针对多模态优化问题,提出了基于广义凸下界估计模型的改进差分进化算法。首先,基于模型变换方法将原优化问题转变为单位单纯形约束条件下的严格递增射线凸优化问题;其次,基于广义凸理论,利用差分进化算法中更新个体的适应度知识,建立原优化问题广义凸下界估计模型,设计实现了基于 N-叉树的估计模型快速计算方法;进而,综合考虑原问题目标值与其估计值之间的差异,提出一种基于有偏采样的小生境指标,并设计区域进化树更新策略来保证算法的局部搜索能力。数值实验结果表明,提出的算法能够有效地发现并维持一定数量的满意解模态,动态地实现全局模态搜索到模态内局部增强的自适应平滑过渡。对于给出的测试问题,能够发现所有的全局最优解以及一些较好的局部极值解。     

多模态多目标优化综述

随着工业生产和日常生活需求的多样化,单个解决方案己经无法满足生产生活的需求.多模态优化可以为决策者提供多个可行方案,但是早期对多模态优化的研究局限在单目标优化中.在多目标优化中也存在多模态优化问题,其存在多个全局或局部帕累托最优解集,找到这些最优解集具有重大的理论和实际意义.鉴于此,首先,介绍多模态多目标优化问题的特点...     

基于确定性拥挤的多模态郊狼优化算法

为了解决多模态优化问题,对郊狼优化算法进行研究,提出了一种基于确定性拥挤的多模态郊狼优化算法—DCCOA.将小生境技术的确定性拥挤方法引入郊狼优化算法中,定义了新的郊狼进化机制,改进了郊狼群组文化趋势的计算方法.同时,为了更真实地模拟郊狼的种群生活,算法还定义了2只阿尔法郊狼并且采用了权重法更新郊狼的社会状况.最后将D...     

一种新的求解多峰函数优化问题的动态演化算法

本文给出了一种新的求解多峰函数优化问题的定义：定位所有的极值点,包括全局的峰值点和局部的峰值点。传统的演化算法框架都是群体固定的演化迭代过程,对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小．影响了算法的效率。提出一种群体动态可调的演化方式,使得初始群体大小可任意指定,在演化过程中通过聚集和按比例引入新个体两个过程而动态变化。实验表明,该算法能尽可能多地定位峰值点。     

小生境人工免疫算法用于多峰函数优化

基于自然免疫系统的原理,提出了小生境人工免疫算法,为了解决多峰优化问题,可使每个抗体适度得到修改.利用小生境的共享函数法更好地维持了群体的多样性.同时小生境淘汰算法和免疫系统的记忆及变异特性促使群体中优良个体持续向问题的优化解逼近.算法对三个典型的多峰问题题进行了优化,给出了具体的实现步骤和较好的优化结果.     

自适应步长萤火虫群多模态函数优化算法

针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度低等缺陷,提出一种自适应步长萤火虫群多模态函数优化算法((SASGSO)。该算法解决了萤火虫群优化(GSO)算法优化多模态函数所存在的不足;同时SASGSO算法也可找到多模态函数的所有极值点。数值实验仿真表明,该算法具有操作简单、易理解、收敛速度快和求解精度高等优点。     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

基于极值优化的混合差分进化算法

针对标准差分进化算法在求解复杂优化问题时易陷入局部最优的问题,提出了一种基于极值动力学机制的混合差分进化算法。该算法的核心在于,当种群聚集度较高时, 利用极值优化算法强大的波动性,通过引入基于种群的极值优化算法来提高种群多样性,从而协助差分进化算法跳出局部最优。仿真实验表明,该混合算法具有较好的全局收敛性,能有效避免早熟收敛。     

基于偏序关系的遗传算法求解多峰函数优化问题

该文设计了基于偏序关系的演化算法求解多峰函数优化问题新算法。并从偏序关系的性质出发,从理论上为该算法的收敛性提供了一定的依据,进而为其搜索操作提供了明确的方向,避免了演化搜索过程中的盲目性。     

改进的粒子群算法求解蛋白质结构预测问题

蛋白质的生物学功能是由其空间结构决定的,因此,蛋白质结构预测就成为生物信息学领域中极具挑战性的问题之一.粒子群算法是一种新的群智能算法,优势在于简单容易实现,又有深刻的智能背景.在优化领域,粒子群算法适用 于求解连续优化问题,而基于HP格点模型的蛋白质结构预测问题是一个离散问题.因此,文中通过借鉴单点调整算法的思...     

一种基于片段组装的蛋白质构象空间优化算法

针对蛋白质构象空间优化问题,提出一种基于片段组装的构象空间优化算法。算法利用基于Rosetta粗粒度的知识能量模型有效地提高了收敛速度;同时,借助片段组装技术可以有效弥补因能量函数不精确而导致的预测精度不足的缺陷;此外,差分进化算法的引入使得算法具有较好的全局搜索能力。5种测试蛋白的实验结果表明,所提算法具有较好的搜索性能和预测精度。