基于差分进化算法的支持向量机参数选择

支持向量机参数是影响其性能的重要因素,为了进一步提高支持向量机分类精度和泛化能力,提出了基于差分进化算法的SVM参数选择。以样本误判率最小为优化准则,利用差分进化算法对SVM参数进行优化选择。实验结果表明,利用差分进化算法选择SVM参数,加快了参数搜索的速度,提高了SVM分类精度,该方法具有良好的鲁棒性和较强的全局寻优能力。     

参数自适应的精英变异差分进化算法

针对经典差分进化算法(DE)的优化性能容易受到变异策略和控制参数影响的问题,提出了一种参数自适应的精英变异差分进化算法(A parameter Adaptive Elite Mutation Eifferential Evolution algorithm, AMEDE).首先,提出一种精英变异策略的方法,其目的是为了方便获取优秀个体信息;其次,引入新的控制参数,使得算法可以在更大的搜索空间进行搜索;最后,利用自适应参数学习方法,为种群中的每个个体赋予不同的控制参数值,并根据种群多样性和精英个体的信息动态更新个体的参数,使算法避免过早的收敛并提高算法的收敛精度.对本文提出的AMEDE算法与其他6种改进差分进化算法(DE,CoDE,JaDE,JDE,SaDE,GPDE)在16个基准测试函数上进行了三组对比实验.实验结果表明,AMEDE算法在高维函数和低维函数上都具有搜索精度高、收敛速度快和鲁棒性强等优点.     

自适应蚁群差分进化算法

针对传统差分进化算法在求解高维复杂问题时存在通用性差、鲁棒性低、收敛速度慢和求解精度低等问题,提出一种基于蚁群算法的自适应多模式差分变异策略.算法在每代进化中,个体根据各变异进化模式上的信息素大小,采用轮盘赌选择策略选择变异算子,并根据各变异算子对优化所做贡献的大小对信息素进行动态更新,贡献大的变异算子可以获得更多被选择的机会,使得各变异算子发挥其最大性能,从而提高算法的收敛速度和通用性.对5个高维的benchmark函数进行算法验证,实验结果表明,该算法很好的提高了差分进化算法的通用性和鲁棒性,有效地克服了收敛速度慢和早熟等问题.     

差分进化算法参数控制与适应策略综述

差分进化算法逐渐成为进化计算领域最流行的随机搜索算法之一,已被成功用于求解各类应用问题.差分进化算法参数设置与其性能密切相关,因此算法参数控制与适应策略设计是目前该领域的研究热点之一,目前已涌现出大量参数控制方案,但尚缺乏系统性的综述与分析.首先简要介绍差分进化算法的基本原理与操作,然后将目前参数控制与适应策略分成基于经验的参数控制、参数随机化适应策略、基于统计学习的参数随机化适应策略和参数自适应策略4类进行系统性综述,重点介绍其中的参数适应与自适应策略.此外,为分析各种参数控制与适应策略的功效,以实值函数优化为问题背景设计了相关实验,进一步分析各种策略的效率与实用性,实验结果表明,参数自适应控制策略是目前该领域最有效的方法之一.     

集成协方差矩阵自适应进化策略与差分进化的优化算法

不同智能优化算法在求解优化问题时通常表现出显著的性能差异.差分进化(DE)算法具备较好的全局搜索能力,但存在收敛慢、效率低的不足,协方差矩阵自适应进化策略(CMA–ES)局部搜索能力强,具备旋转不变性,但容易陷入局部最优,因此, DE和CMA–ES之间具有潜在的协同互补能力.针对上述问题,提出了一种集成协方差矩阵自适应进化策略与差分进化的优化算法(CMADE).在CMADE框架中, DE算法负责全局搜索, CMA–ES算法进行局部搜索.通过周期性解交换机制实现CMA–ES和DE两个算法间协同交互和反馈控制.在解交换时,从DE种群中选择优秀个体,利用CMA–ES算法在优秀个体周围进行局部搜索.同时在DE和CMA–ES的混合种群中,综合考虑解的多样性和最优性,选取一定比例的解作为DE算法的新种群进行全局搜索,实现全局搜索与局部搜索的动态平衡.将CMADE算法与CMA–ES, DE, SaDE, jDE, EPSDE, ACODE和SHADE算法在CEC2014标准测试集上进行比较实验.结果表明, CMADE整体性能显著优于其它比较算法.     

自适应差分进化算法在入侵检测中的应用

针对开放式的网络环境要求入侵检测系统能够实时高效响应的问题,本文提出了一种自适应的差分进化算法ADE,用于入侵检测的特征选择.算法对网络数据的混合属性进行预处理,引入进化代数和个体适应度函数作为自适应算子动态调整摄动比例因子F和交叉概率CR,采用自适应变异策略提高进化的适应性.在KDDCUP 99数据集的测试结果表明,...     

自适应变异差分进化算法估计软测量参数

提出一种自适应变异差分进化算法(ADE),能根据搜索进展情况自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟:在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率．与传统的差分进化算法(DE)相比较,ADE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低．本文将ADE算法应用于对苯二甲酸中对羧基苯甲醛含量软测量模型的参数估计,获得了满意的结果．     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

多变异策略的自适应差分演化算法

差分演化(Differential Evolution,DE)算法的性能依赖于变异策略的选择和控制参数的设置.不同问题对DE的变异策略和参数的设置各不相同.为了提高DE的性能,提出一种多变异策略的自适应差分演化算法,建立由多种变异策略组成的策略池,两个主要参数自适应策略控制.为了验证所提算法的性能,在测试数据集CEC2013上进行了实验,并将其与使用6种不同变异策略的原始DE和4种改进DE进行比较.实验结果表明,提出的算法是一种有效的DE变种,其性能优于其它DE.     

基于动态自适应策略的改进差分进化算法

针对差分进化算法处理复杂优化问题时存在后期收敛速度变慢、收敛精度不高和参数设置困难的问题,提出了一种基于动态自适应策略的改进差分进化算法(dn-DADE)。首先,新的变异策略DE/current-to-dnbest/1利用当前种群中的精英解引导有效的搜索方向来动态调整可选的精英解,使其在进化后期趋于全局最优解。其次,分别设计了缩放因子和交叉因子的自适应更新策略,使两者在搜索的不同阶段自适应变化,以弥补差分进化算法对参数敏感的不足,进一步提高算法的稳定性和鲁棒性。对14个benchmark函数进行了测试并与多种先进DE改进算法进行了比较,结果显示,dn-DADE算法具有较高的求解精度,收敛速度快,寻优性能显著。     

基于均匀设计的差分进化算法的参数设定

差分进化算法参数的设定多采用经验选取方式,其缺点是试验运行量大以及难以得到最优参数组合,从而在很大程度上影响了算法的寻优能力。将均匀设计的试验方法引入差分进化算法的参数设定中,通过对单峰函数、多峰函数和病态函数等3种不同类型的标准测试函数进行均匀设计试验,找出适合不同类型标准测试函数的最优参数组合,从而达到对差分进化算法的参数进行设定的目的。结果显示,将经过均匀设计试验得到的两组最优的参数组合用于差分进化算法时,所获得的平均全局最优解为4.3215,平均标准差为3.650。可见,利用均匀试验设计方法对基本差分进化算法的参数进行设定是可行且有效的,同时具有较好的稳定性。     

基于锦标赛选择变异策略的改进差分进化算法及函数优化

针对差分进化算法传统变异策略在全局收敛鲁棒性和搜索效率上不能达到一个很好的折衷,并且算法的操作算子固定,导致搜索效率低、易早熟收敛等问题,文中在差分进化算法变异策略性能分析的基础上,提出了一种基于锦标赛选择的变异策略。该策略采用“锦标赛选择”对随机选取的变异向量排序选出基向量,差分向量选择有利于搜索的方向并对其 “强化”,以提高收敛速率和维持种群多样性;同时操作算子采用随机正态缩放因子F和时变交叉概率因子CR,以平衡局部搜索和全局搜索;最后,利用4个典型Benchmarks测试函数对改进算法进行测试。实验结果表明,该改进型差分进化算法能有效避免早熟收敛,较好地提高算法的全局收敛能力和搜索效率。     

多目标微分进化改进算法及应用

微分进化算法作为一种新型、简单、高效的并行随机优化算法,近年来在许多领域得到了应用,多目标微分进化便是其中的一种。针对传统多目标微分进化算法中微分进化控制参数不能自适应调整、算法容易出现早熟和退化的现象,采用惯性权重参数自适应调整的控制策略以及改进的拥挤距离算法对多目标微分进化进行改进,并将改进后的算法用于控制系统PID参数优化仿真试验。结果表明,改进后的多目标微分进化算法具有较好的收敛性和分布性以及较高的搜索效率。     

具有参数自适应机制的改进离散差分进化算法

在研究和分析离散差分进化算法的基础上,提出了一种具有参数自适应机制的改进离散差分进化算法(PADDE)。该算法首先对连续域进化过程中的参数进行自适应调整,以平衡全局搜索与局部搜索,协调种群多样性和收敛速度间的矛盾,其次根据对应离散域上成功进化的个体的离散编码反馈信息引导算法协同进化。通过对背包问题进行的实验表明,该算法具有良好的收敛效率和稳定性。     

基于克隆选择的差分进化算法及其在SVM中的应用

支持向量机参数是影响其性能的重要因素,但对支持向量机核参数的选取仍没有形成一套成熟的理论,从而严重影响了其广泛的应用。将克隆选择算法引入差分进化算法,对基本克隆选择算法和差分进化算法中的策略进行改进。将两种改进的算法进行融合,提出了一种基于克隆选择的差分进化算法,并将其应用于SVM核参数的优化中。测试结果表明,该算法不仅可以有效避免差分进化算法易早熟收敛的问题,而且寻优能力得到显著提高;在UCI数据库wine数据中的应用表明,利用克隆选择差分进化算法优化SVM核参数加快了参数搜索的速度,提高了SVM预测精度和泛化能力,具有较高的分类准确率和较好的推广性能。     

针对多目标优化的混和差分演化算法

作为一种简单而有效的新兴计算技术,差分演化算法（DE）已受到学术界和工程界的广泛关注,并且已经在多峰函数优化,数据过滤,多目标优化等十九个大方向上取得了许多成功应用。为此,对围绕差分演化算法的相关背景,原理、特点、改进等方面进行简单介绍．Hookeand Jeeves方法是一种经典的局部搜索算法,将其与差分演化算法结合来求解多目标优化问题,提高了解的收敛质量,因而从整体上提高了算法的性能,并且测试结果也说明了该算法的可行性。     

分区交叉差分进化算法及其约束优化

差分进化算法处理复杂高维优化问题时存在收敛速度慢和精度不高的缺陷,为此提出了分区交叉差分进化算法。利用柯西分布随机数设计两个动态算子,分别生成缩放因子和交叉因子用于进化中,并对进化进行合理的分区,不同区段根据不同的配置利用算子生成相应的交叉因子。同时为了加快收敛速度,采用了新的变异策略,对寻优的方向加以引导。对经典Benchmark函数进行了仿真测试,结果显示,本算法的收敛速度与优化准确率均有显著提高。同时提供了算法处理约束问题的解决方案,并检验了方案的可行性。     

基于免疫离散差分进化算法的复杂网络社区发现

针对复杂网络社区发现问题,在标准差分进化算法的框架下,提出一种新型免疫离散差分进化算法(Immune discrete differential evolution, IDDE).该算法通过标签传播策略生成初始种群,采用离散差分进化策略来保证种群在问题空间的全局搜索能力,同时对种群中的优秀个体执行针对性的高频克隆变异操作,以提高算法的局部开发能力,改善算法的收敛性能.在计算机生成网络与真实世界网络中的仿真实验结果表明:IDDE算法具有较强的寻优性能与鲁棒性,能够有效探测复杂网络中存在的社区结构.