改进小生境遗传算法求解多峰函数优化问题

多峰函数已广泛应用于优化计算、工业设计、机器学习等领域。在这些领域寻求全部的最优解已经成为人们研究的热点。在小生境遗传算法中采用动态的交叉和变异概率,这种新算法主要是通过引入Sigmoid函数,构造新的交叉和变异概率的调节公式。通过测试,改进算法在运行效率上有所提高,且能够快速地找到测试函数的极值点。     

基于遗传算法的多峰函数优化

目前,对于整体优化问题已经进行了大量理论研究,并提出了许多基于导数的解析方法和其他非解析的数值优化技术。但是,在实际领域中存在着各种高度复杂的优化问题,其目标函数可能表现为非连续或非处处可微、非凸、多峰和带噪声等各种形式,这类复杂优化问题不适合于采用解析方法,同时用传统上的搜索技术求解也会遇到许多困难。针对上述问题,提出利用遗传算法求解多峰函数的优化方法,新方法利用遗传算法的鲁棒性,对多峰函数进行优化,并用Matlab进行仿真,实验结果表明,遗传算法可以快速稳定地搜索到多峰函数的最优解。     

多峰函数优化的黄金分割斐波那契树优化算法

针对多峰函数优化问题,基于斐波那契树优化算法,结合黄金分割思想,提出一种黄金分割斐波那契树优化算法.该算法利用斐波那契树优化算法全局局部交替寻优特性,通过在寻优过程中对优化问题解空间进行黄金分割比例压缩,从而提高算法局部搜索能力与小峰值搜索能力.多峰函数优化的仿真结果表明,该算法多峰优化能力强、速度快、精度高.     

基于CMAES算法的加速度计多位置新型标定方法

针对粒子群优化算法(PSO)和遗传算法(GA)在加速度计标定优化后期出现早熟、陷入局部最优,以及在设计与应用过程中存在的缺陷,将自适应协方差矩阵进化策略(CMAES)算法应用于加速度计的快速标定:采用具有不同函数特征的Sphere、Rastrigin和Rosen三个基准函数对比测试CMAES算法的总体性能;以模观测标定方法为基础建立加速度计标定模型,选取加速度计的24个位置进行仿真观测.实验结果表明:CMAES算法在收敛速度、收敛精度、全局搜索等方面性能优异,将加速度计的标定精度提升了12个数量级,为其它算法标定加速度计奠定了良好基础,对位移系统测量研究具有重要意义.     

基于AWDO算法的主动悬架LQR控制优化

车辆主动悬架LQR控制研究的关键是性能指标加权系数的选择,针对这个问题,文中提出了一种基于改进风驱动优化算法的LQR控制器加权系数优化方法。利用协方差矩阵自适应评价策略算法(CMAES)确定传统风驱动优化算法(WDO)的固有参数,得到自适应风驱动优化算法(AWDO)。将LQR控制器性能指标的加权系数作为优化目标,在解空间中迭代搜索,寻找目标函数值最小的位置。通过实验仿真,并与粒子群算法(PSO)和遗传算法(GA)比较,该算法的收敛速度、收敛精度和鲁棒性更好,优化后的主动悬架性能比相应被动悬架的性能更优。     

社会认知算法在非线性多峰函数寻优中的应用

多峰寻优问题是现实中经常遇到的问题,传统求解方法多易陷入局部最优.为了求解多峰优化问题,利用一种新的智能算法--社会认知算法,它对目标函数的解析性质没有要求,适合于非线性多蜂函数问题处理的求解,使搜索不容易陷入局部最优,并给出了该算法的原理和步骤.最后通过仿真实验结果表明,与其他优化算法比较,该算法概念清楚,计算简单,具有很好的全局寻优特性,表明了该方法的有效性,适用于求解于多峰寻优问题.     

带局部搜索的动态多群体自适应差分进化算法及函数优化

 提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.     

协方差矩阵自适应演化策略学习机制综述

基于协方差矩阵自适应（CMA）的演化策略算法（ES）是一种优秀的、不依赖于梯度信息的随机局部优化算法.基于CMA的学习机制使其对搜索空间的任意可逆线性变换具有不变性,对于病态的、高度不可分的问题有优秀的求解能力.CMA学习机制具有较强的数学理论基础,这对设计其他演化算法有很好的借鉴意义.本文旨在详细分析CMA-ES的各种学习机制,并给出其所依赖的主要理论基础.最后通过实验比较CMA-ES各种变体的优势与不足,并着重比较本文改进的CMA-ES变体与其它变体在性能上的差异.     

多种群协方差学习差分进化算法

种群多样性与交叉算子在差分进化(DE)算法求解全局优化问题中具有重要作用,该文提出一种多种群协方差学习差分进化(MCDE)算法。首先,采用多种群机制的种群结构,利用每一子种群结合相应的变异策略保证进化过程个体多样性。然后,通过种群间的协方差学习,为交叉操作建立一个适当旋转的坐标系统;同时,使用自适应控制参数来平衡种群的勘测与收敛能力。最后,在单峰函数、多峰函数、偏移函数和高维函数的25个基准测试函数上进行测试,并同其他先进的进化算法对比,实验结果表明该文算法相较于其他算法在求解全局优化问题上达到最优效果。     

基于多策略离散差分进化的移动互联网个性化服务组合

移动互联网技术的普及使人们不再满足于单一功能的服务,而更倾向于按需定制的个性化服务或服务组合.提出了一种应用于Web服务组合的多策略离散差分进化(multi-strategy discrete differential evolution,MDDE)算法.该算法采用随机选择框架,调用具有不同特性的变异策略,是一种搜索能力和收敛速度均衡的离散差分进化算法.实验结果表明,MDDE算法在求解Web服务组合优化问题中比原始DE算法的收敛精度更高,稳定性更好.     

混合精英策略的元胞多目标遗传算法及其应用

为了提高Pareto解集的收敛性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种混合精英策略的元胞多目标遗传算法。该算法在分析元胞种群结构的特点基础上,融入一种混合精英策略,提高算法的收敛性能。为了更好的平衡算法的全局搜索和局部寻优的能力,加入一种差分进化交叉算子。通过与同类算法在21个基准函数上对比实验,结果表明,引入混合精英策略和差分进化策略能够提高算法的性能,与其他优秀算法进行比较的结果说明,新算法有更好的收敛性和多样性。工程实例求解结果表明了算法的工程可行性。