带局部增强算子的微分进化改进算法

微分进化算法具有鲁棒性强、易于使用、控制参数少等优点.但在搜索中存在一定的盲目性,搜索效率不高.本文通过引入局部增强算子,使种群中的部分个体在当前最优个体附近寻优,以加快算法的收敛速度.利用五个标准的优化算法测试函数对改进算法进行了测试,并与动态微分进化算法和微粒群算法进行了比较.算法分析和仿真结果表明,本文提出的改进算法大大提高了算法搜索效率.     

引导型免疫算法研究

基于免疫系统机理提出的免疫算法是一种新型的智能系统，在优化计算方面表现出巨大的潜力，具有多样性好、搜索成功率高的优点．但免疫算法在局部搜索中存在一定盲目性，搜索效率不高．本文提出引导型免疫算法，通过增强免疫算法中抗体的社会性，为免疫算法的搜索过程提供引导性，加快算法收敛速度，并对引导型免疫算法中新引入的算法参数进行了深入讨论．算法分析和仿真结果表明，引导型免疫算法在保持算法高搜索成功率的前提下，有效地提高了算法搜索效率．     

新型复杂进化全局优化算法的研究

文章在复杂系统思想激励下设计了一种新型的基于复杂系统改进的进化算法,该算法改进了进化算法的交叉、选择、变异和进化策略,体现了进化过程中能量分布、空间搜索、信息利用的复杂性,并保持了进化算法的简单结构框架;进而通过计算实例分析了新型复杂系统进化算法两个主要参数对算法性能影响;最后,新算法测试了CEC'2012大规模全局优化竞赛中的函数集合,并与其他优秀算法的测试结果进行了对比,结果表明本文所提出的基于复杂系统改进的进化算法综合性能强于所有的对比算法.     

一种思维进化蜂群算法

人工蜂群算法（ABC ）是一种模拟蜜蜂群智能搜索行为的随机优化算法,已成功用于解决许多优化问题。为有效改善ABC算法的性能,文章结合思维进化的思想提出了一种思维进化蜂群算法（MEABC ）,该算法通过学习和按维更新策略对ABC算法进行了改进,并对改进算法的收敛性进行了分析。通过四个标准测试函数的仿真实验,验证了MEABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。     

梯度策略自适应差分进化算法

差分进化算法是一种有效求解全局优化问题的方法,为进一步提高求解精度,加快求解过程,文中提出一种梯度策略自适应差分进化算法。该算法是在差分进化算法中加入梯度下降法,使其不仅有较好的全局搜索能力,且具有传统优化方法的快速局部搜索能力,因此具有较高搜索精度和较快的搜索过程。通过对CEC2005测试集中的1～14号测试函数进行仿真实验,并与SaDE,NSDE以及CMAES等算法实验结果进行了对比,结果表明了该算法的有效性。     

量子启发式优化算法的尺度动态调速机制

尺度在量子启发谐振子优化算法中起着重要作用,反映了解空间中搜索探针的分辨率.当前研究中以固定速度调整尺度并未合理利用尺度资源.此外,候选解可能会因高斯采样的聚集效应而陷入边界.本文提出了一种在一定程度上反映了适应度利用效率的指标,称为适应度进化利用率.在此基础上,本文提出了一种具有尺度动态调速机制和边界映射反弹策略的量子启发式优化方法 .该算法通过与尺度调整因子相关的适应度进化利用率动态调节尺度调整速度,通过2种不同的边界映射反弹策略增加可行解的多样性.将本算法与多种流行优化算法在基准测试函数集上进行对比实验,采用了一种带有动态可接受误差的成功率评估机制保证公平性,实验结果表明该算法具有较强的竞争性.     

基于生态种群捕获竞争模型的多目标Memetic优化算法

本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.     

改进的差异进化多目标优化算法在靶场测控方案优化设计中的应用

针对在靶场测控方案优化设计中常存在的非线性函数优化难,局部搜索能力弱,约束条件复杂等问题,给出了一种改进的求解策略,即差异进化算法。在介绍差异进化算法基本原理的基础上,对算法中交叉因子和变异因子这两个主要控制参数的取值方法进行了改进,同时改进约束条件的收敛方法,提高了差异进化算法的优化性能。最后对靶场高炮武器系统直接射击测控方案进行优化设计,并做了仿真试验。通过指标对比和数值分析表明,算法求解效率高,收敛速度快,全局搜索能力强。     

改进蝴蝶算法求解多维复杂函数优化问题

针对蝴蝶优化算法存在的问题,提出一种融合差分变异策略并根据进化代数自适应调整权重的蝴蝶优化算法.首先,在全局搜索阶段引入非线性惯性权重改善蝴蝶位置更新公式,自适应调节算法在不同进化时期的搜索范围和粒度,提高算法的收敛速度与寻优精度;然后通过加入F分布全局自适应随机变异对全局公式进一步改进,提升算法的全局探索遍历性,防止出现低精度早熟现象;最后在局部搜索阶段融入具有判定系数和扰动因子的双向差分变异策略,在不减损种群多样性的同时使蝴蝶个体的探索更具方向性,有利于算法摆脱局部极值点,加快收敛速度.理论分析证明了改进算法的时间复杂度与基本蝴蝶优化算法一致,6种代表性对比算法在CEC 2017基准函数上进行的多种维度测试结果表明,改进算法在求解高维复杂函数优化问题时收敛速度和寻优精度明显优于其它对比算法,维度变化对求解性能的影响更小,寻优性能更好更稳定.     

基于粒子群优化的反潜搜索研究

在分析目前反潜搜索现状的前提下,提出了使用粒子群优化算法进行反潜搜索,并针对基本粒子群优化算法存在早熟和后期收敛速度慢的局限性,对个体极值实行高斯变异,并使惯性因子随进化代数自适应调节,提高了全局搜索能力和后期收敛速度,改进了粒子群优化算法的潜艇搜索策略.经过实验验证,本算法可以有效地提高反潜搜索效率.     

基于混合变异差分进化算法的均匀面阵稀疏优化

差分进化算法(DE)已被广泛应用于解决稀疏面阵优化问题,针对DE 算法早熟、全局搜索能力差、容易陷于局部最优的问题,提出一种混合变异差分进化算法,通过加入概率因子来平衡算法收敛速度与全局搜索能力,以阵列孔径、阵元数量以及阵元间距为约束条件,将算法中的实数编码转化为二进制编码,以方向图平面峰值旁瓣电平之和最低为目标函数,通过优化后得到的阵元分布,得到稀疏优化阵列的三维方向图。仿真结果表明:该方法在满足约束条件的同时,能够避免算法早熟得到较优的目标函数值,概率因子为算法提供了额外的自由度。     

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。     

Synthesis of linear antenna arrays using Jaya,self-adaptive Jaya and chaotic Jaya algorithms

This work aims to show the effectiveness of a recently proposed population-based optimization algorithm known as Jaya algorithm and its variants named as self-adaptive Jaya algorithm (SJaya) and Chaotic-Jaya (CJaya) algorithm to synthesize linear antenna arrays which are widely used in the communication systems. Three case studies of synthesis of linear antenna arrays are formulated by considering different topologies. In addition, two case studies of synthesis of dipole antenna arrays are formulated and all the case studies are solved using Jaya, SJaya and CJaya algorithms. The results of Jaya, SJaya and CJaya algorithms are compared with those of cat swarm optimization (CSO) algorithm, particle swarm optimization (PSO), Cauchy mutated cat swarm optimization (CMCSO) algorithm, harmony search based differential evolution algorithm (HSDEA), dynamic differential evolution algorithm (DDE), improved genetic algorithm (IGA), modified real genetic algorithm (MGA) and accelerated particle swarm optimization (APSO) algorithm. The Jaya, SJaya and CJaya algorithms achieved a better side lobe level suppression as compared to the other optimization algorithms while maintaining the vital antenna parameters within permissible limits.     

差分进化帝王蝶优化算法求解折扣{0-1}背包问题

帝王蝶优化算法（Monarch Butterfly Optimization,MBO）是一种新颖的群体智能算法,自从提出就在实际优化问题上表现出很好的性能.但是,帝王蝶优化算法的迁移算子采用随机选择两个个体来生成新个体,并没有记忆整个种群的最优解,容易造成全局最优帝王蝶搜索经验的丢失.根据MBO寻优过程的内在机制以及差分进化算法的变异算子能够利用个体间的差异信息,将MBO分别与目前性能最优、应用范围最广的7种差分进化（Differential Evolution,DE）变异策略相结合,实验验证了7种不同算法的性能.基于性能最优的DE/best/2/bin变异模式,提出了一种差分进化帝王蝶优化算法（Monarch Butterfly Optimization Algorithm with Differential Evolution,DEMBO）,使得算法能够记忆种群最优解并实现种群内部信息的充分共享,达到既加快收敛速度又提高解的精度的目的.在30个典型折扣{0-1}背包问题（D{0-1}KP）实例上进行了一系列实验,实验结果表明：（1）DEMBO能够在时间复杂度不变的条件下,显著提高算法的求解精度和收敛速度;（2）DEMBO在求解所有D{0-1}KP实例时,均能够获得一个近似比非常接近1的近似解.     

一种基于反向学习的约束差分进化算法

差分进化算法是一种结构简单、易用且鲁棒性强的全局搜索启发式优化算法,它可以结合约束处理技术来解决约束优化问题.机器学习在进化算法中,经常可以引导种群的进化,而且被广泛地应用于无约束的差分进化算法中,但对于约束差分进化算法却很少有应用.针对这一情况,提出了一种基于反向学习的约束差分进化算法框架.该算法框架采用基于反向学习的机器学习方法,提高约束差分进化算法的多样性和加速全局收敛速度.最后把该算法框架植入了两个著名的约束差分进化算法:(μ+λ)-CDE和ECHT,并采用CEC 2010的18个Benchmark函数进行了实验评估,实验结果表明:与(μ+λ)-CDE和ECHT相比,植入后的算法具有更强的全局搜索能力、更快的收敛速度和更高的收敛精度.     

受启发的人工蜂群算法在全局优化问题中的应用

 人工蜂群算法是最近提出的一种较有竞争力的优化技术.然而,它的搜索方程存在着探索能力强而开发能力弱的缺点.针对这一问题,受差分进化算法的启发,提出了一个改进的搜索方程.该搜索方程在最优解附近产生新的候选位置以便提高算法的开发能力.进一步,充分利用和平衡不同搜索方程的探索和开发能力,提出了一个改进的人工蜂群算法(简记为IABC).此外,为了提高算法的全局收敛速度,用反学习的初始化方法产生初始解.通过18个标准测试函数的仿真实验并与其他算法相比较,结果表明IABC算法具有良好的处理复杂数值优化问题的性能.     

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.