求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

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。     

求解高维多模优化问题的自适应差分进化算法

在基变量选择方差理论分析的基础上,提出一种自适应差分进化算法(ADE).ADE算法通过设计自适应收敛因子构建自调整的权重质心变异策略,同时在交叉策略中引入发射、收缩两种单纯形操作算子,保证算法全局搜索能力的同时,能钉效提高算法后期的局部增强能力.30个优化问题的数值研究结果表明ADE算法具有比DE、DERL以及DERB三种算法更快的收敛速度和可靠性,尤其适合于高维多模优化问题的求解.     

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...     

一种利用膜计算求解高维函数的全局优化算法

鉴于传统优化算法在求解高维多模态优化问题时存在收敛速度慢,求解精度低的缺点,针对上述问题提出了一种基于膜计算的优化算法。算法首先对高维空间进行分割,分割后每个子空间作为一个基本膜,基本膜区域中采用差分局部搜索策略提高算法的局部搜索能力和收敛速度。基本膜区域将局部最优解定时传送给表层膜。表层膜区域中采用全局搜索策略寻找全局最优解。通过对5个benchmark函数仿真验证,实验结果表明,该算法在收敛速度,求解精度和稳定性方面都有较大优势。     

多模态多目标差分进化算法求解非线性方程组

针对当前算法在求解非线性方程组时面临解的个数不完整、精确度不高、收敛速度慢等问题进行了研究,提出一种多模态多目标差分进化算法。首先将非线性方程组转换为多模态多目标优化问题,初始化一个随机种群并对种群中全部个体进行评价;然后通过非支配解排序和决策空间拥挤距离选择机制,挑选种群中的一半优质个体进行变异;接着在变异过程中采用一种新的变异策略和边界处理方法以增加解的多样性;最后通过交叉和选择机制使优质个体进行进化,直到搜索到全部最优解。在所选测试函数集和工程实例上的实验结果表明,该算法能有效地搜索到非线性方程组的解,并通过与当前四个算法进行比较,该算法在解的数量和成功率上具有优越性。     

面向高维复杂多模态问题的教与学优化求解算法

针对教与学优化算法（Teaching-Learning-Based Optimization：TLBO）在求解一些高维多模态复杂优化问题时,存在种群容易过早陷入局部搜索,导致丢失全局最优解的问题,提出一种改进的TLBO优化算法（MTLBO）。该算法以更接近人类的学习方式,对标准TLBO中的“教”和“学”过程进行了改进,并引入了新的“自学”机制来加强学员的创新学习能力,从而有效提高了算法的全局探索能力。通过10个复杂的多模态优化问题测试表明,在求解复杂多模态问题方面,与5个具有优异性能的TLBO算法和3个经典的群智能计算方法(SaDE,CLPSO, NGHS)相比,本文算法具有全局搜索能力强,稳定性好等明显优势。     

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.     

求解高维动态0-1背包问题的修补二进制差分进化算法

针对已有的动态优化算法求解高维动态背包问题(DKP)难于获得高质量的可行解,且跟踪环境速度慢,提出一种修补二进制差分进化算法(BDE/R) 求解高维DKP. BDE/R基于传统差分进化算法(DE)框架,设计了一种随机压缩变异算子,直接根据个体间的差异在离散域内变异;提出了一种贪婪的修补策略,以提高所获可行解的质量和算法的收敛速度;设计了一种对偶变换策略,提高种群的多样性,加速算法跟踪新环境的能力. 数值实验利用4种DKP测试BDE/R跟踪环境最优值的能力,以平均环境跟踪精确度(Av-Acc)和平均环境跟踪适应度(Av-Ada)为性能评价指标,将BDE/R与其他5种著名的优化算法比较,实验结果表明：与其他算法相比,BDE/R所获得的Av-Acc和Av-Ada指标优越于其他算法;由平均适应度值跟踪曲线比较获知,BDE/R跟踪环境速度较其他算法快.     

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。     

A harmony search algorithm for high-dimensional multimodal optimization problems

Harmony search (HS) and its variants have been found successful applications, however with poor solution accuracy and convergence performance for high-dimensional (≥200) multimodal optimization problems. The reason is mainly huge search space and multiple local minima. To tackle the problem, we present a new HS algorithm called DIHS, which is based on Dynamic-Dimensionality-Reduction-Adjustment (DDRA) and dynamic fret width (fw) strategy. The former is for avoiding generating invalid solutions and the latter is to balance global exploration and local exploitation. Theoretical analysis on the DDRA strategy for success rate of update operation is given and influence of related parameters on solution accuracy is investigated. Our experiments include comparison on solution accuracy and CPU time with seven typical HS algorithms and four widely used evolutionary algorithms (SaDE, CoDE, CMAES and CLPSO) and statistical comparison by the Wilcoxon Signed-Rank Test with the seven HS algorithms and four evolutionary algorithms. The problems in experiments include twelve multimodal and four complex uni-modal functions with high-dimensionality.Experimental results indicate that the proposed approach can provide significant improvement on solution accuracy with less CPU time in solving high-dimensional multimodal optimization problems, and the more dimensionality that the optimization problem is, the more benefits it provides.     

动态小生境半径两阶段多模态差分进化算法

针对多模态优化问题, 提出一种动态小生境半径两阶段多模态差分进化算法. 基于构象空间退火思想, 设计一种两阶段退火策略来动态调整小生境半径, 并根据退火过程将整个优化过程分为两个阶段. 在第1 阶段, 通过差分限制变异策略生成高质量的新个体来维持种群的多样性, 促进多模收敛; 在第2 阶段, 利用种子邻近变异策略对已探测到的生境高度搜索, 加快算法的收敛速度. 实验结果表明, 所提出算法能够有效实现从全局探测到局部增强的自适应平滑过渡, 是一种有效的多模态优化算法.

     

一种求解函数优化问题的改进鲸鱼优化算法

为提高鲸鱼优化算法求解复杂函数优化问题的性能,提出一种基于自适应参数及小生境技术的改进鲸鱼优化算法。首先,引入自适应概率阈值协调算法的全局探索及局部开发能力;其次,利用自适应位置权重对鲸鱼位置更新公式进行调整,提高算法的收敛速度及寻优精度;最后,采用预选择小生境技术,避免算法出现早熟收敛的现象。通过对12个典型基准测试函数的仿真表明,改进算法的寻优精度和收敛速度较对比算法均有明显提升,证明了提出的改进策略能有效提高鲸鱼优化算法求解复杂函数优化问题的性能。     

差分进化混合粒子群算法求解项目调度问题*

针对求解资源受限项目调度问题（RCPSP）,提出了基于差分进化（DE）的混合粒子群算法（PSODE）。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。     

改进差异演化算法求解约束优化问题

在现实生活中许多实际问题都可以转化为约束优化问题,并且实际问题通常都很复杂,其函数形态各具特色,传统基于梯度信息的各种求解策略对于具有不可微、多峰及非凸的非线性函数约束优化问题很难凑效。而最近兴起的智能类算法却对这类问题的求解效果突出,在借鉴国外的差异演化算法研究成果基础上,运用改进差异演化算法来求解约束优化问题。最后通过实例进行仿真实验,结果表明改进差异演化算法在求解约束优化问题时具有一定的优越性。     

求解RCPSP问题的带分布估计的差异演化算法

提出一种带分布估计的差异演化算法（DEED）用于求解资源受限项目调度问题（RCPSP）。该算法基于差异演化（DE）算法,利用分布估计算法（EDA）能够获得问题解空间的全局信息以及变量间的相互联系,以指导算法搜索过程,并对最优解的分布进行预测。DEED算法充分利用DE收敛速度快和EDA全局搜索优点。经标准问题库（PSPLIB）的单模式问题集验证,并与当前流行的算法进行比较,表明了DEED算法的有效性。     

一种基于JADE改进的差分演化算法

差分演化算法有局部搜索能力不足、容易跌入局部最优等缺点,其搜索性能主要依赖于对杂交概率和缩放因子的设置。为了改善上述缺陷,对带归档的自适应差分演化算法JADE进行深入的研究与分析,提出了改进的自适应差分演化算法ZJADE。该算法采用斜帐篷混沌映射函数初始化种群,在每次迭代中为每个个体分别产生满足正态分布、柯西分布的杂交概率和满足正态分布的缩放因子,并且记录成功变异个体的杂交概率和缩放因子,引入统计杂交概率,采用两种策略自适应地更新杂交概率。在13个经典测试函数上将ZJADE算法与多种经典自适应差分演化算法进行对比,实验结果表明,ZJADE算法在解的精度与收敛速度上更优,具有更好的搜索性能。