基于反向学习的跨种群差分进化算法

针对差分进化（DE）算法存在的寻优精度低、收敛速度慢等问题,借鉴混沌分散策略、反向学习策略（OBL）以及跨种群并行机制,提出一种基于反向学习的跨种群差分进化算法（OLCPDE）。采用混沌分散策略进行种群初始化,将种群划分为精英种群和普通种群,对两个子种群分别采用标准的差分进化策略和基于反向学习的差分进化策略;同时,为进一步提高算法对单峰函数的求解精度和稳定性,采用了一种跨种群的差分进化策略,运用三种策略对子种群进行操作,达到共同进化的目的。实验独立运行30次,OLCPDE在12个标准的测试函数中,有11个函数都能稳定地收敛到全局最优解,优于对比算法。实验结果表明,OLCPDE收敛精度高,能有效避免陷入局部最优点。     

应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Diffe-rential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。     

基于随机邻域变异和趋优反向学习的差分进化算法

传统差分进化（DE）算法在迭代过程中不能充分平衡全局勘探与局部开发,存在易陷入局部最优、求解精度低、收敛速度慢等缺点。为提升算法性能,提出一种基于随机邻域变异和趋优反向学习的差分进化（RNODE）算法并对其进行复杂度分析。首先,为种群中每个个体生成随机邻域,用全局最佳个体引导邻域最佳个体生成复合基向量,结合控制参数自适应更新机制构成随机邻域变异策略,使算法在引导种群向最优方向趋近的同时保持一定的勘探能力;其次,为了进一步帮助算法跳出局部最优,对种群中较差个体执行趋优反向学习操作,扩大搜索区域;最后,将RNODE与九种算法进行对比以验证RNODE的有效性和先进性。在23个Benchmark函数和两个实际工程优化问题上的实验结果表明,RNODE算法收敛精度更高、速度更快、稳定性更优。     

基于泛化反向学习的多目标约束差分进化算法

差分进化算法是一种简单有效的进化算法,基于泛化反向学习的机制在进化算法中经常可以引导种群的进化.针对多目标的约束优化问题,提出了一种基于泛化反向学习的多目标约束差分进化算法.该算法采用基于泛化反向学习的机制(generalized opposition-based learning, GOBL)产生变换种群,然后在种群初始化和代跳跃阶段,利用非支配排序、拥挤距离和约束处理技术从原始种群和其变换种群中选择更优的种群个体作为新的种群继续迭代进化;该算法通过采用基于泛化反向学习的机制,可以引导种群个体慢慢向最优的Pareto前沿逼近,以求得最优解集.最后采用多目标Benchmark问题对该算法进行了实验评估,实验结果表明：与NSGA-Ⅱ,MOEA/D及其他的多目标进化算法相比,提出的算法具有更好的收敛性,并且产生的解能够逼近最优的Pareto前沿.     

基于t分布变异的自适应差分进化算法

为了更好地提高差分进化算法的全局探索和局部开发能力,提出了一种改进的差分进化算法。在该算法中,引入t分布变异算子将高斯变异和柯西变异的优点结合起来,根据以往的进化经验自适应地调整进化策略及交叉概率。通过四个典型的Benchmarks函数的测试结果表明算法具有良好的性能。     

一种基于混合策略的差分进化算法研究

差分进化算法DE(Differental Evolution)是一种著名的处理非线性复杂问题的优化技术。为改进其计算开销大、参数设置与问题本身特性过于相关等缺陷,提出一种混合策略的差分进化算法HDE(Hybrid DE)。它混合反向学习OBL(Opposition-based Learning)和自适应机制来进行参数调整,从而能加速算法收敛,同时提高求解成功率。在MATLAB环境中进行的测试实验结果表明,HDE在收敛速度,鲁棒性和计算开销等方面的性能在大部分测试用例上优于已有的多种算法。这表明混合策略是一种行之有效的差分进化算法的研究路径。     

自适应蚁群差分进化算法

针对传统差分进化算法在求解高维复杂问题时存在通用性差、鲁棒性低、收敛速度慢和求解精度低等问题,提出一种基于蚁群算法的自适应多模式差分变异策略.算法在每代进化中,个体根据各变异进化模式上的信息素大小,采用轮盘赌选择策略选择变异算子,并根据各变异算子对优化所做贡献的大小对信息素进行动态更新,贡献大的变异算子可以获得更多被选择的机会,使得各变异算子发挥其最大性能,从而提高算法的收敛速度和通用性.对5个高维的benchmark函数进行算法验证,实验结果表明,该算法很好的提高了差分进化算法的通用性和鲁棒性,有效地克服了收敛速度慢和早熟等问题.     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

Parallel differential evolution with self-adapting control parameters and generalized opposition-based learning for solving high-dimensional optimization problems

Solving high-dimensional global optimization problems is a time-consuming task because of the high complexity of the problems. To reduce the computational time for high-dimensional problems, this paper presents a parallel differential evolution (DE) based on Graphics Processing Units (GPUs). The proposed approach is called GOjDE, which employs self-adapting control parameters and generalized opposition-based learning (GOBL). The adapting parameters strategy is helpful to avoid manually adjusting the control parameters, and GOBL is beneficial for improving the quality of candidate solutions. Simulation experiments are conducted on a set of recently proposed high-dimensional benchmark problems with dimensions of 100, 200, 500 and 1,000. Simulation results demonstrate that GjODE is better than, or at least comparable to, six other algorithms, and employing GPU can effectively reduce computational time. The obtained maximum speedup is up to 75.     

广义逆向学习方法的自适应差分算法

针对差分算法(differential evolution,DE)在解决高维优化问题时参数设置复杂、选择变异策略困难的现象,提出了广义逆向学习方法的自适应差分进化算法(self-adaptive DE algorithm via generalized opposition-based learning,SDE-GOBL)。利用广义的逆向学习方法(generalized opposition-based learning,GOBL)来进行多策略自适应差分算法(Self-adaptive DE,Sa DE)的初始化策略调整,求出各个候选解的相应逆向点,并在候选解和其逆向点中选择所需要的最优初始种群,然后再进行自适应变异、杂交、选择操作,最后通过CEC2005国际竞赛所提供的9个标准测试函数对SDE-GOBL算法进行验证,结果证明该算法具有较快的收敛速度和较高的求解精度。     

基于差异演化算法的BP神经网络预测模型及其应用

人工神经网络的结构设计没有系统的规律可遵循,而常用的基于梯度的神经网络参数优化又易陷入局部最优解。针对BP人工神经网络所存在的缺陷,结合差异演化算法,提出了实数编码的DE-BP神经网络预测模型。利用税收预测的实例验证了算法的有效性,取得了令人满意的结果。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

基于反向学习和种群引导的多目标蝗虫优化算法

为了解决多目标优化的相关问题,提出了求解多目标的蝗虫优化算法,结合单个目标的蝗虫优化算法的搜寻机制、帕累托优势以及拥挤度策略,并在算法中应用种群引导和高斯变异算子,加入了反向学习机制.将所提出的算法与经典的M OPSO、M OCS、M OGOA和M OWOA算法进行了比较,比较结果表明,所提出的改进多目标蝗虫优化算法具...     

基于差分进化的生物地理学优化算法

针对生物地理学优化算法在实数编码时搜索能力较弱的缺点,提出一种基于差分进化的混合优化算法(BBO/DEs)。通过将差分进化的搜索性与生物地理优化算法的利用性有机结合,以解决原算法在局部搜索时容易出现早熟的问题;并构造一种基于Levy分布的变异方式,确保种群在进化过程中保持多样性;最后通过实验比较,选取了合适的试验策略。利用高维标准测试函数对相关算法进行实验,结果表明该算法能够克服搜索能力不足的缺点,并继承了原算法的快速收敛性能,可以有效兼顾精度与速度的要求。     

基于反向学习与Levy飞行的改进蜂群算法

为了优化蜂群算法(BCA),平衡局部搜索与全局搜索,避免算法陷入局部最优,并提高蜂群算法的收敛速度,提出了一种多策略改进的方法优化蜂群算法(MSO-BCA).算法在种群初始化阶段采用了反向学习(OBL)初始化的方法;在种群更新与邻域搜索中采用了具有Levy飞行特征的改进搜索策略.经过对经典Benchmark函数的反复实验并与其他算法的比较,表明了所提出的算法具有良好的加速和收敛效果,提高了全局搜索能力与效率.     

基于多变异策略的自适应差分进化算法

为了克服差分进化算法寻优精度低、收敛速度慢、稳定性差等不足,提出一种基于多变异策略的自适应差分进化算法（ADE-MM）。首先,在3个变异策略的选择过程中添加2个具有学习功能的扰动阈值,以提高种群多样性,扩大搜索范围;然后,根据上次迭代的成功参数自适应调整当前参数,提高寻优精度和寻优速度;最后,利用向量粒子池法和中心粒子法产生新的向量粒子,进一步提高寻优效果。使用8个函数、5种对比算法（RMDE、OLCPDE、JADE、SaDE、MDE_pBX）进行测试,且每种例子都独立执行30次。ADE-MM算法在均值和方差的比较中取得了全胜,其中在30维的情况下取得了5个独立胜利,3个并列胜利;在50维的情况下取得了6个独立胜利,2个并列胜利;在100维的情况下全部为独立胜利。同时在Wilcoxon rank sum test、胜率和算法耗时分析中,ADE-MM算法也取得优异的表现。实验结果表明,相对于其他5种对比算法,ADE-MM算法具有更强的全局寻优能力、收敛性和稳定性。     

基于非支配解排序的快速多目标微分进化算法

为解决基于帕累托(Pareto)支配解排序的多目标进化算法高时间复杂度问题,依据非支配解排序潜在特性,介绍了一种快速的非支配解排序方法,每次只处理当前种群中最高等级个体,且在分配等级的同时,能选择个体进入下一代,下一代被选足时即结束程序,减少了排序处理个体的数量,大幅度降低时间复杂度;另外,给出一种均匀的拥挤距离计算方法;最后,将快速非支配解排序和均匀拥挤距离计算与微分进化算法结合,提出基于非支配解排序的快速多目标微分进化算法(FMODE)。采用标准多目标优化问题ZDTl～ZDT4和ZDT6进行仿真实验：当种群个体较多(大于500)时,FMODE所用时间远小于NSGAⅡ;FMODE的总体性能上均优于经典的NSGAⅡ、SPEAⅡ和DEMO;在FMODE框架内,采用均匀拥挤距离在性能上也明显优于经典拥挤计算方法;并通过实验确定了FMODE算法的参数。实验结果表明FMODE能够减少计算等级时的处理时间,并在收敛性和多样性指标上明显优于对比算法。