进化迁移优化算法综述

进化算法是模拟自然界生物进化的启发式算法,具有良好的搜索能力和灵活性且广泛用于复杂优化问题的求解,但在求解过程中默认问题先验知识为零,然而由于问题很少孤立存在,解决单一任务积累的经验可迁移至其他相关任务。进化迁移优化算法利用相关领域的知识学习和迁移,实现了更好的优化效率和性能。介绍进化迁移优化算法的基本分类,从源任务选择、知识迁移、缩小搜索空间差异、进化算法搜索、进化资源分配等5个角度出发对主流进化迁移优化算法的核心策略和优劣势进行梳理和分析。通过中国知网和WOS平台对2014年至2021年的进化迁移优化相关文献进行检索,运用知识图谱进行数据挖掘、信息处理、知识计量和图形绘制,根据进化迁移优化的发展趋势和经验分析总结了其面临的主要挑战和未来研究方向。     

基于种群多样性控制的多级信息迁移多任务优化粒子群算法

基于群体智能“隐并行性”实现多任务优化已取得一系列研究成果,但任务间频繁的垂直信息传递导致种群异质性过度增加,进而产生信息负迁移消极影响,这也是目前多任务优化领域尚未完全解决的难题之一.针对此问题,首先将粒子群算法(PSO)与多种群演化信息共享机制相结合,然后引入标杆管理思想实现多层级信息迁移及智能涌现,最后通过计算种群多样性指数有效控制信息迁移频率,提出多级信息迁移多任务优化PSO算法(multi-level information transfer multi-task PSO, MITMPSO).仿真实验表明,通过设置合理的信息迁移阈值,MITMPSO能在多项式时间内显著提高多任务高维函数优化、多任务多约束函数优化以及多任务二元离散优化问题的求解质量,加快各优化问题的收敛速度.     

优化场景视角下的进化多任务优化综述

随着优化问题变得日益复杂,传统的进化算法由于计算成本高昂和适用性有限而面临挑战。为了克服这些挑战,基于知识迁移的进化多任务优化(EMTO)算法应运而生,它的核心思想是通过跨任务的知识共享,同时解决多个优化问题,旨在提高进化算法在应对复杂优化场景的效率。全面总结了当前进化多任务优化研究的进展,与已有综述文章相比,从不同的研究视角进行深入探讨,并指出了现有文献中对优化场景视角分析的缺失。鉴于此,从优化问题的应用场景出发,对适用于进化多任务优化的场景及其基本解决策略进行了系统性的阐述,以帮助研究人员准确地根据具体应用需求选择合适的研究方法。此外,深入讨论进化多任务优化当前面临的挑战和未来的研究方向,旨在为未来的研究提供指导和启示。     

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE．该算法基于一种双种群进化策略，一个种群中的个体由粒子群算法进化而来，另一种群的个体由差分操作进化而来．此外，通过采用一种信息分享机制，在算法执行过程中两个种群中的个体可以实现协同进化．为了进一步提高PSODE算法的性能，摆脱陷入局部最优点，还采用了一种变异机制．通过4个标准测试函数的测试并与PSO和DE算法进行比较，证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法．     

基于自适应知识迁移与资源分配的多任务协同优化算法

多任务优化算法在各任务单独优化的同时进行任务间的知识迁移,从而提升多个任务的综合性能。然而,在相似度较低的任务间进行负向知识迁移反而会导致整体性能下降,且为难度不同的任务分配同等的计算资源会造成资源浪费。此外,在任务的不同阶段采用固定的搜索步长容易陷入局部最优。为解决上述问题,提出了一种基于自适应知识迁移与动态资源分配的多任务协同优化(Multitask Cooperative Optimization Algorithm Based on Adaptive Knowledge Transfer and Resource Allocation, AMTO)算法。首先,每个任务用一个单独的种群进行优化,并将一个种群分成3个子种群,采用3种不同的搜索策略,增加搜索行为的多样性,并且在单个任务内根据个体成功率来动态更新搜索步长,增强自适应搜索能力,避免陷入局部最优;其次,利用多个任务间知识迁移的反馈结果在线计算任务间相似度,并依据相似度自适应地调整迁移概率,同时,在相似度较低的任务间进行迁移时还需减去任务偏差,减小负向知识迁移造成的性能下降程度,提升算法对任务间差异的感知能力;然后,通过评估...     

基于两层知识迁移的多代理多任务优化方法

进化多任务优化是计算智能领域一个新兴的研究方向,它致力于研究通过进化算法如何同时、有效地求解多个优化问题,从而提高单独求解每个任务的性能。基于此,提出了一种基于两层知识迁移的多代理多任务优化算法(AMS-MTO),其通过在代理间和代理内同时进行知识迁移来达到跨域优化的目的。具体来讲,代理内的知识迁移是通过差分进化实现决策变量信息的跨维迁移,从而避免算法陷入局部最优;代理间的学习采用了隐式知识迁移和显式知识迁移两种策略。隐式知识迁移利用种群的选择性交叉来产生后代,促进遗传信息的交流;显式知识迁移是对精英个体的迁移,可以弥补隐式迁移随机性很强的缺点。为了评估两层知识迁移的多代理多任务优化方法的有效性,在8个高达100维的基准问题上进行了实证研究,同时给出了收敛证明,并将其与现有的算法进行了对比。实验结果表明,在求解单目标优化的昂贵问题时,AMS-MTO算法效率更高,性能更好,收敛速度更快。     

一种基于进化方向的新的差分进化算法

变异策略对差分进化算法（DE）算法的成功与否起到至关重要的作用.然而,方向信息在DE变异策略的设计当中并没有被充分地挖掘,且对于如何平衡进化速度和种群多样性这两者之间的矛盾也没有得到很好的解决方案.研究了个体在进化选择操作前后产生的差量信息在变异操作上的导向作用,提出了一种新的基于进化方向的变异策略“DE/current-to-pbest/1/Gvector”.同时,为了测试我们这种新的方向信息能否提高算法的优化能力,我们在自适应差分进化算法（JADE）的基础上提出了一种新的算法DVDE.对CEC2005常用的12个测试函数做了仿真实验,实验结果证明DVDE的算法性能平均优于其他5个目前来说性能最好的DE算法（JADE,SaDE,CoDE,jDE,EPSDE）,特别是对于单峰函数,效果更为明显.实验结果也说明进化方向的加入对于提高算法的收敛速度以及保护种群的多样性避免算法过早陷入局部最优起到了较好的作用.     

一种基于引导策略的自适应粒子群算法

为解决粒子群算法前期搜索“盲目”,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群算法。该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导,克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,两者结合极大地提高了搜索到全局最优解的有效性。对4个标准测试函数进行仿真,实验结果表明IPSO算法在收敛速度、收敛精度以及成功率上都明显优于LDWPSO和WPSO算法。     

一种新的差分与粒子群算法的混合算法

利用粒子群算法的快速收敛性和差分进化算法的搜索精度较高等特点,提出了一种新的混合优化算法。该算法在粒子群算法的中后期,在已经寻找到的最优位置周围,随机生成一定数量的粒子进行差分进化算法,可以减少一定的运算量和在较优的区域进行寻找最优解。通过几个Benchmark函数的测试证明,新的混合算法具有搜索精度更高和更快收敛的优点。     

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。     

参数适应性分布式差分进化算法

提出一种适应性分布式差分进化算法.将初始种群分为多个子种群,并设计子种群间的迁移机制,当满足迁移条件时,根据冯?诺依曼拓扑结构,子种群内的优秀个体代替其邻域的较差个体,使得整个种群实现信息共享.同时,根据个体适应值变化情况,对每一个体分配不同的缩放因子?和交叉率CR,提出?和CR的适应性策略.实验结果表明,所提出算法有利于对解空间进行广泛探索,避免算法陷入早熟收敛,能够搜索到性能较好的解.     

A novel hybrid multi-objective immune algorithm with adaptive differential evolution

In this paper, we propose a novel hybrid multi-objective immune algorithm with adaptive differential evolution, named ADE-MOIA, in which the introduction of differential evolution (DE) into multi-objective immune algorithm (MOIA) combines their respective advantages and thus enhances the robustness to solve various kinds of MOPs. In ADE-MOIA, in order to effectively cooperate DE with MOIA, we present a novel adaptive DE operator, which includes a suitable parent selection strategy and a novel adaptive parameter control approach. When performing DE operation, two parents are respectively picked from the current evolved and dominated population in order to provide a correct evolutionary direction. Moreover, based on the evolutionary progress and the success rate of offspring, the crossover rate and scaling factor in DE operator are adaptively varied for each individual. The proposed adaptive DE operator is able to improve both of the convergence speed and population diversity, which are validated by the experimental studies. When comparing ADE-MOIA with several nature-inspired heuristic algorithms, such as NSGA-II, SPEA2, AbYSS, MOEA/D-DE, MIMO and D²MOPSO, simulations show that ADE-MOIA performs better on most of 21 well-known benchmark problems.     

多策略自适应变异的差分进化算法及其应用

针对传统DE算法在求解复杂函数时会出现早熟收敛、收敛精度低、收敛速度慢等缺陷，提出了一种多策略自适应变异的差分进化算法MsA-DE。将3种变异策略两两结合，随机分配所占比重，以增加种群的多样性；通过引入进化程度阈值，自适应地选择最合适的变异策略，平衡算法的全局搜索和局部搜索能力；对越界的变异个体进行处理，保证种群的多样性和有效性。加入扰动机制提高算法跳出局部最优的能力，同时提高最优解的精度。将该算法用于14个测试函数的优化中，结果表明，MsA-DE算法与其它4种算法相比具有更高的收敛精度和跳出局部最优的能力。将该算法应用于铁路功率调节器RPC的容量优化问题中，结果表明，该算法能够减小RPC补偿装置的容量，提高装置的经济性。     

A prediction-based adaptive grouping differential evolution algorithm for constrained numerical optimization

In this paper, a new adaptive grouping differential evolution (AGDE) algorithm is proposed to improve the optimization performance by implementing a prediction strategy of the constraints for constrained optimization problems. It is unnecessary to calculate the constraint values when dealing with the constraints in this method. The constraints are handled after a simple prediction according to the Lipschitz condition. When the constraints are very complex, the load arisen from the calculation of the constraint values is reduced dramatically and the feasibility of the solutions remains with great probability. In AGDE algorithm, the population is dynamically grouped to three subpopulations with respective newly-designed mutation strategy. Meanwhile, the mutation factor and crossover probability are adopted associated with the evolutionary process according to the information of the entire population. Both of the above improvements not only increase the diversity of population and speed up the convergence, but also reduce the complexity of the parameter selection. Four sets of comparative experiments are carried out to evaluate the feasibility and effectiveness of the proposed method that deals with the constraints.     

An improved adaptive differential evolution algorithm for continuous optimization

1. Download : Download full-size image

     

改进自适应微分进化算法求解全局优化问题

针对微分进化(DE: differential evolution)算法在进化后期收敛速度慢,收敛精度低,易陷入局部最优解等缺点。本文通过改进DE的变异方程,并引入一种新的控制参数自适应策略,提出了一种改进自适应微分进化(IADE: improved adaptive differential evolution)算法。进化过程中IADE将根据个体适应值与父代平均适应值之间的关系动态地调整控制参数。同时,采用10个常用于优化算法比较的标准函数对IADE和其它改进DE算法进行对比试验,实验结果表明IADE算法不仅能够显著地提高收敛速度和收敛精度,而且具有非常好的鲁棒性,从而使得该算法能够满足过程优化的实时性、准确性以及稳定性要求。     

An adaptive differential evolution algorithm with an aging leader and challengers mechanism

An adaptive differential evolution algorithm with an aging leader and challengers mechanism, called ADE-ALC, is proposed to solve optimization problems. In ADE-ALC algorithm, the aging mechanism is introduced into the framework of differential evolution to maintain diversity of the population. The key control parameters are adaptively updated based on given probability distributions which could learn from their successful experiences to generate the promising parameters at the next generation. One of the two local search operators is randomly selected to generate challengers which are beneficial for increasing the diversity of population. Finally, the effectiveness of the ADE-ALC algorithm is verified by the numerical results of twenty-five benchmark test functions.     

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.     

A differential evolution algorithm with intersect mutation operator

This paper proposes a novel differential evolution (DE) algorithm with intersect mutation operation called intersect mutation differential evolution (IMDE) algorithm. Instead of focusing on setting proper parameters, in IMDE algorithm, all individuals are divided into the better part and the worse part according to their fitness. And then, the novel mutation and crossover operations have been developed to generate the new individuals. Finally, a set of famous benchmark functions have been used to test and evaluate the performance of the proposed IMDE. The experimental results show that the proposed algorithm is better than, or at least comparable to the self-adaptive DE (JDE), which is proven to be better than the standard DE algorithm. In further study, the IMDE algorithm has also been compared with several improved Particle Swarm Optimization (PSO) algorithms, Artificial Bee Colony (ABC) algorithm and Bee Swarm Optimization (BSO) algorithm. And the IMDE algorithm outperforms these algorithms.