一种求解约束优化问题的自适应差分进化算法

自适应算子选择方式已被用于差分进化算法求解全局优化问题及多目标优化问题,然而在求解约束优化时难于为自适应算子选择方式找到一种方式来恰当分配信用。为此,本文提出了一种基于混合种群的自适应适应值方式来对约束优化问题中变异策略进行信用分配并采用概率匹配方法自适应选择差分变异策略,同时对算法变异缩放因子与交叉率进行自适应设置提高算法的成功率。实验结果表明算法在求解约束优化问题相比于CODEA／OED, ATMES,εBBO-dm,COMDE 以及εDE算法有较高的收敛精度及收敛速度,同时验证了自适应方式的有效性。该算法可用于预报、质量控制、会计过程等科学和工程应用领域。     

一种基于差分进化的BP神经网络学习算法

提出了一种基于改进差分进化算法和BP神经网络的计算机网络流量预测方法。利用差分进化算法的全局寻优能力,快速地得到BP神经网络的权值和阈值;然后利用BP神经网络的非线性拟合能力获得高精度的网络流量预测结果。实验结果表明,此方法能在较短的时间内获得较高精度的预测结果,具有较好的应用价值。     

基于精英区域学习的动态差分进化算法

DE算法简单高效,但对复杂问题也存在收敛效率较低的问题,为提高DE算法的全局勘探能力和收敛精度,提出了一种新的精英区域学习动态差分进化算法,算法首先将历史精英保存在精英池中,然后采用正弦函数对精英池中的精英进行区域学习,最后利用动态DE模式有效提高收敛的速度,并从理论上证明了算法的收敛性.通过对包括单峰函数、多峰函数和偏移函数的20个基准测试函数的仿真实验和分析,验证了新算法的有效性和适用性,其能在保持较高的收敛速度的同时也能保持较好的收敛精度,经与多种知名的DE算法在统计学上的分析比较,证明了该算法是一种具有竞争力的新算法.     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

求解约束优化的一种新的进化算法

罚函数法是解决约束优化最常用的方法,但如何确定罚因子是其难以克服与回避的问题.该文提出的求解约束优化问题的新的进化算法克服了这一困难,其基本思想是对种群中的个体按可行和不可行分别采取两种评价方案,对可行解按其目标函数值的大小加以评价,对不可行解按其违反约束的程度进行评价.作为评价个体优劣的适应度函数将可行点映射到(-1,1),将不可行点映射到(1,2),这样有效地区分了可行点与不可行点.数据实验与比较结果表明了该算法的有效性.     

基于动态参数差分进化算法的多约束稀布矩形面阵优化

针对多约束条件下稀布矩形平面阵列天线的优化问题,该文提出一种基于动态参数差分进化(DPDE)算法的方向图综合方法。首先,对差分进化(DE)算法中的缩放因子和交叉概率引入动态变化控制策略,提高搜索效率和搜索精度。其次,改进矩阵映射方法,重新定义映射法则,改善现有方法随机性强和搜索精度低的不足。最后,为检验所提方法的有效性进行仿真实验,实验数据表明,该方法可以提高天线优化性能,有效降低天线的峰值旁瓣电平。

     

基于约束差分进化的阵列置零

阵列置零的同时,阵列的旁瓣电平升高、主瓣增益降低甚至阵列指向都会发生改变,导致阵列性能降低。针对阵列置零时阵列性能降低问题,提出一种约束优化模型。在约束优化模型中不仅设置了零陷深度约束和近旁瓣电平约束,还设置了阵列期望方向增益约束及阵列指向约束。在满足约束条件下,使得阵列旁瓣电平最低。并且针对标准约束差分进化算法收敛慢,采用自适应约束差分进化(e-SADE)算法,该算法采用多种变异方式相结合、自适应地调节交叉概率和缩放因子。运用自适应约束差分进化分别通过调节阵元相位和阵列功率一定时的阵元权值求解这个约束优化问题,仿真结果表明提出的方法实现了需求的目标方向图,利用自适应约束差分进化算法优化实现阵列置零是有效可行的。     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.     

一种基于差分进化的教与学优化算法

教与学优化算法(TLBO)是一种基于教学过程现象的启发式算法。针对求解高维复杂优化问题时容易陷入局部最优的不足,文章提出了一种基于差分进化的TLBO,采用自适应教学因素和基于差分进化的学习过程来提高基本的TLBO性能。9个复杂的测试函数被用来验证所提出的方法的有效性和准确性。实验结果验证了算法的有效性,表明所提出的算法是一种具有优势的优化算法。     

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。     

应用精英反向学习的多目标烟花爆炸算法

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.     

混合均值中心反向学习粒子群优化算法

为平衡粒子群算法勘探与开发能力,本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习,使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较,实验结果验证了混合均值中心反向学习策略的有效性,算法的综合优化性能更强.     

基于旋转学习机制的差分演化算法

为克服反向学习机制仅能搜索反向空间中一个固定点的弊端,通过引入旋转操作将其扩展为一种新的旋转学习机制,新机制通过调整旋转角度能搜索旋转空间中的任意一点,具备更强的勘探能力和多种应用模式.通过嵌入旋转学习算子,并引入参数自适应机制,提出了新的基于旋转学习的差分演化算法.在广泛使用的测试函数集上开展仿真实验,结果验证了旋转学习机制的有效性,与多种知名差分演化算法相比,新算法在寻优性能上竞争优势明显,且具有良好的适用性.     

一种邻域重心反向学习的粒子群优化算法

粒子群优化算法使用反向学习技术可以提高性能.然而,现有的反向学习粒子群优化算法仅采用粒子最大最小边界计算反向解,没有充分利用群体搜索经验.针对此问题,提出了一种邻域重心反向学习策略,使用邻域重心作为参考点计算反向解,充分吸收群体搜索经验的同时保持种群多样性;采用收缩因子拓展反向解搜索范围,增加找到更高质量解的机率.在典型的基准测试函数、CEC'13测试函数和一个实际工程优化问题上进行验证,实验结果说明了邻域重心反向学习策略的有效性和本文算法的竞争力.     

精英反向黄金正弦鲸鱼算法及其工程优化研究

针对鲸鱼优化算法（Whale Optimization Algorithm,WOA）存在的收敛速度慢、寻优稳定性不足等问题,本文提出了精英反向学习的黄金正弦鲸鱼优化算法（Elite Opposition-Based Golden-Sine Whale Optimization Algorithm,EGolden-SWOA）.利用精英反向学习策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时引入黄金分割数优化WOA的寻优方式,从而协调算法的全局探索与局部开发能力.对20个单模态和多模态测试函数进行寻优实验,并与RLPSO（Reverse-learning and Local-learning Particle Swarm Optimization）、IWOA（Improved Whale Optimization Algorithm based on nonlinear convergence factor）等多个算法进行对比,实验结果表明EGolden-SWOA具有更好的寻优精度和稳定性.进一步对EGolden-SWOA进行求解大规模问题的实验,实验结果表明EGolden-SWOA可以有效解决大规模优化问题.最后将EGolden-SWOA应用于压力容器和蝶形弹簧设计优化问题,结果表明EGolden-SWOA在工程优化方面的性能优于RCSA（Rough Crow Search Algorithm）、CPSO（Co-evolutionary Particle Swarm Optimization）等改进算法,可以有效运用于实际工程优化问题.     

基于ε等级约束差分进化的多径估计算法

本文针对基于扩展Kalman滤波（EKF）的多径估计算法需要对非线性观测方程进行线性化.对初值比较敏感,造成估计性能下降的问题,提出了基于智能优化的多径估计算法.该算法将估计误差的二阶矩作为目标函数,将瞬时误差作为约束条件,同时考虑多径参数的先验信息,实现了将多径估计问题转化为具有约束条件的优化问题.然后,利用一种智能优化算法来解决该优化问题.本文采用了ε等级约束差分进化（εCRDE）算法来解决有约束条件的优化问题,并对该算法进行改进,使改进后的εCRDE算法可以实现多径参数的迭代估计.仿真结果表明,与EKF算法相比,在单一多径和2路多径情况下,基于改进εCRDE的多径估计算法都具有更好的估计性能.     

解决约束优化问题的一种聚类遗传算法

本文设计了一种基于聚类分析的遗传算法,首先将种群中的点按照某种特性分成不同的几类,然后分别找出每类及整个种群中较优个体.设计了一种变异算子使得其余个体向较优个体迁移,该变异算子在较优点附近具有很强的局部搜索能力.该方法能有效的处理约束.仿真计算的结果表明该算法能极大地提高计算稳定性和精度.