混合性能指标优化问题的大种群规模进化算法

混合性能指标优化问题可结合传统遗传算法和交互式遗传算法求解, 而种群规模和人机评价任务分配是影响算法性能的关键. 针对该问题, 本文提出一种新的进化优化算法. 首先, 采用大规模种群, 扩大搜索范围, 以增强算法的探索能力; 然后, 根据计算机和用户完成任务耗时的比值, 确定每代用户评价的个体数, 以提高计算机的使用效率; 接着, 采用K–均值聚类方法和基于相似度的估计策略, 以减轻用户疲劳; 最后, 采用Pareto占优比较不同个体的优劣, 使得最优解有较好的显式性能指标值和隐式性能指标值. 将本文算法应用于室内布局这一混合性能指标优化问题, 结果验证了所提算法的有效性.     

区间混合性能指标优化问题的自适应遗传算法

为了解决区间混合性能指标优化问题,在此提出了一种自适应进化优化方法。首先,基于前后代最优个体的距离,计算种群的收敛进度;然后,基于种群的多样性、收敛进度,以及进化代数,计算进化种群的交叉和变异概率;最后,将所提算法应用于室内布局这一典型的区间混合性能指标优化问题,并与其他算法比较,实验结果表明,所提算法在最优解数目、性能,以及分布性等方面均具有优越性。     

一类组合优化问题的混合进化算法

针对问题空间为全排列集合的一类组合优化问题,提出了一种混合进化算法。在自然进位制编码的基础上,算法采用了遗传算法的单点交叉算子和进化规划的高斯扰动算子,并运用了精英保留策略;算法实现时采用逐位运算法实现大数值运算,避免了运算溢出,减少了运算量。分析和模拟计算结果表明,新算法具有可行性、有效性和通用性。     

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。     

交互式进化计算研究进展

针对交互式进化计算的研究进展进行综述.首先对其求解模式及特点进行描述;然后对其理论、应用与改进研究进行系统分析,并深入讨论了交互式进化计算中的不确定性;最后指出了今后需要进一步研究的问题.     

针对混合变量优化问题的协同进化蚁群优化算法

针对由连续变量和分类变量构成的混合变量优化问题(MVOP),采用协同进化策略来对混合变量决策空间进行搜索,提出了一种协同进化蚁群优化算法(CACOAMV).CACOAMV分别采用连续和离散蚁群优化(ACO)策略生成连续和分类变量子种群,通过合作者来对连续和分类变量子向量进行评价,分别对连续和分类变量子种群进行更新来实现...     

混合量子进化算法及其应用

文章将量子进化算法(QEA)和粒子群算法(PSO)互相结合,提出了两种混合量子进化算法。第一种算法叫做嵌入式粒子群量子进化算法,其主要思想是将简化的PSO进化方程嵌入QEA的进化操作中,简化了QEA算法的结构,增强了QEA跳出局部极值的能力。第二种算法叫做量子二进制粒子群算法,其主要思想是将QEA中的量子染色体的概念引入二进制粒子群算法(BPSO),提高了BPSO算法保持种群多样性的能力和运算速度。通过对0-1背包问题和多用户检测问题的求解表明,新的算法不仅操作更简单,而且全局搜索能力有了显著的提高。     

分层交互式进化计算及其应用

针对目前交互式进化计算存在的局部搜索能力不强、效宰低下等问题，将分层的思想引入交互式进化计算，提出了分层交互式进化计算．给出了算法实施的关键问题，分析了算法的效宰．将其应用于服装设计，通过算例验证了算法的有效性．     

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法（PSO）和差分进化算法（DE）进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。     

Evolutionary algorithms for optimization problems with uncertainties and hybrid indices

Many optimization problems in real-world applications contain both explicit (quantitative) and implicit (qualitative) indices that usually contain uncertain information. How to effectively incorporate uncertain information in evolutionary algorithms is one of the most important topics in information science. In this paper, we study optimization problems with both interval parameters in explicit indices and interval uncertainties in implicit indices. To incorporate uncertainty in evolutionary algorithms, we construct a mathematical uncertain model of the optimization problem considering the uncertainties of interval objectives; and then we transform the model into a precise one by employing the method of interval analysis; finally, we develop an effective and novel evolutionary optimization algorithm to solve the converted problem by combining traditional genetic algorithms and interactive genetic algorithms. The proposed algorithm consists of clustering of a large population according to the distribution of the individuals and estimation of the implicit indices of an individual based on the similarity among individuals. In our experiments, we apply the proposed algorithm to an interior layout problem, a typical optimization problem with both interval parameters in the explicit index and interval uncertainty in the implicit index. Our experimental results confirm the feasibility and efficiency of the proposed algorithm.     

Hybrid evolutionary algorithm and application to structural optimization

This paper introduces a new evolutionary algorithm with a globally stochastic but locally heuristic search strategy. It is implemented by incorporating a modified micro-genetic algorithm with two local optimization operators. Performance tests using two benchmarking functions demonstrate that the new algorithm has excellent convergence performance when applied to multimodal optimization problems. The number of objective function evaluations required to obtain global optima is only 3.5–3.7% of that of using the conventional micro-genetic algorithm. The new algorithm is used to optimize the design of an 18-bar truss, with the aim of minimizing its weight while meeting the stress, section area, and geometry constraints. The corresponding optimal design is obtained with considerably fewer computational operations than required for the existing algorithms.     

Constrained optimization based on hybrid evolutionary algorithm and adaptive constraint-handling technique

A novel approach to deal with numerical and engineering constrained optimization problems, which incorporates a hybrid evolutionary algorithm and an adaptive constraint-handling technique, is presented in this paper. The hybrid evolutionary algorithm simultaneously uses simplex crossover and two mutation operators to generate the offspring population. Additionally, the adaptive constraint-handling technique consists of three main situations. In detail, at each situation, one constraint-handling mechanism is designed based on current population state. Experiments on 13 benchmark test functions and four well-known constrained design problems verify the effectiveness and efficiency of the proposed method. The experimental results show that integrating the hybrid evolutionary algorithm with the adaptive constraint-handling technique is beneficial, and the proposed method achieves competitive performance with respect to some other state-of-the-art approaches in constrained evolutionary optimization.     

一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

一种改进的演化算法及其在求解复杂优化问题中的应用*

针对传统演化算法在求解函数优化,特别是多峰函数优化问题中出现的早熟现象以及演化后期收敛速度慢等问题,提出了一种新的反序小生境演化算法。该算法采用小生境反序交叉算子,以进一步增强局部寻优的能力;引入一种并行演化算法机制,加强群体寻优能力;同时,根据定义域划分初始种群,增加初始种群的覆盖面积。通过仿真实验表明,与传统的小生境演化算法相比较,利用该算法求解复杂多峰函数优化问题能够明显提高问题的求解精度和收敛速度,而且能够得到所有的全局最优解,更好地避免了求解问题时的早熟现象,达到了较好的效果。     

Evolutionary algorithm-based face verification

This paper proposes a novel face verification method using principal components analysis (PCA) and evolutionary algorithm (EA). Although PCA related algorithms have shown outstanding performance, the problem lies in making decision rules or distance measures. To solve this problem, quantum-inspired evolutionary algorithm (QEA) is employed to find out the optimal weight factors in the distance measure for a predetermined threshold value which distinguishes between face images and non-face images. Experimental results show the effectiveness of the proposed method through the improved verification rate and false alarm rate.     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

差分型复杂过程全局进化方法

复杂过程全局进化算法是一种具有类似分散搜索的通用框架结构,能够高效完成全局搜索的新型进化算法。在该算法的基础上,提出了差分型复杂过程全局进化算法。差分型算法采用拉丁超立方体抽样生成多样性种群,并应用“最小欧几里德距离的最大值法”产生参考集Refset2,以保证参考集的多样性。采用差分变异和交叉策略替代原算法的线性合并,兼顾算法的收敛速度和种群的多样性。应用Nelder-Mead直接搜索法进行局部搜索,防止搜索过程在局部最优点附近反复。仿真结果表明差分型复杂过程全局进化算法,具有较高的搜索效率。