带记忆信息的协同进化算法

本文提出了一种带记忆信息的协同进化算法--将种群划分为一个子种群和多个独立的个体,协调算法的局部与全局搜索能力;独立个体中适应度最高的个体与子种群进行交叉与合并,实现种群内部的协作与更新;利用子种群内个体间的相似性,选择有代表性个体进行多次变异,发现有利于提高个体适应度的重要基因位来引导该子种群的变异行行为。实验表明,本文算法能够快速找到高精度的数值解,性能稳定且易于实现。     

基于交叉模型的改进遗传算法

提出一种解决早熟收敛问题的改进遗传算法. 通过最小生成树聚类将种群划分为若干个子种群, 子种群内的个体之间及不同子种群间的个体之间同时进行遗传操作. 同子种群间个体的遗传操作可以保证算法的进化方向和收敛速度, 不同子种群间个体的遗传操作可以避免近亲繁殖, 提供多样性. 分别采用二进制和实数编码, 在经典的 23 个基准函数上的对比测试结果表明, 所提出算法具有较好的收敛速度和寻优能力.

     

一种新的交叉操作算子

论文提出了一种新的遗传操作算子-随机多父辈适应度值加权交叉算子(RandomParent-numberFitness-WeightedCrossover,RPFWX)。RPFWX在2到群体规模之间随机决定参与交叉操作的父代数量,以克服遗传算法的性能对于多父辈数量的敏感性。RPFWX根据父代个体的适应度值赋予较优秀的父代个体以较大的影响因子。父代个体根据该影响因子来决定其对于子代个体贡献的大小。RPFWX是包括两父辈算术交叉、uniformcrossover以及多父辈频率扫描交叉算子(theOccurrenceBasedScanningCrossover)等在内的多种交叉算子的概括和推广,并通过其凸空间封闭特性来保证子代个体的合法性。最后通过实验结果验证了RPFWX算子的优越性。     

基于代理模型的差分进化约束优化

针对耗时计算目标函数的约束优化问题,提出用代理模型来代替耗时计算目标函数的方法,并结合目标函数的信息对约束个体进行选择,从而提出基于代理模型的差分进化约束优化算法。首先,采用拉丁超立方采样方法建立初始种群,用耗时计算目标函数对初始种群进行评估,并以此为样本数据建立目标函数的神经网络代理模型。然后,用差分进化方法为种群中的每一个亲本产生后代,并对后代使用代理模型进行评估,采用可行性规则来比较后代与其亲本并更新种群,根据替换机制将种群中较劣的个体替换为备用存档中较优的个体。最后,当达到最大适应度评估次数时算法停止,给出最优解。该算法与对比算法在10个测试函数上运行的结果表明,该算法得出的结果更精确。将该算法应用于工字梁优化问题的结果表明,相较于优化前的算法,该算法的适应度评估次数减少了80%;相对于FROFI（Feasibility Rule with the incorporation of Objective Function Information）算法,该算法的适应度评估次数减少了36%。运用所提算法进行优化可以有效减少调用耗时计算目标函数的次数,提升优化效率,节约计算成本。     

基于分解和聚类的昂贵高维多目标进化算法

使用进化算法解决昂贵高维多目标优化问题时,因目标维数较高,导致收敛性和多样性平衡困难,并且消耗成本过高,使得计算资源有限时难以收敛.为此,提出一种基于分解和聚类的昂贵高维多目标进化算法(DC-EMEA),使用克里金模型近似目标函数,减少昂贵函数的评价次数.在优化器对模型的最优解集搜索时,借助参考向量分解目标空间,有利于收敛性和多样性的平衡,同时采取两轮选择的方式,保证后代种群规模与父代相同,为填充准则选择真实评价的个体时,提供更多选择,提升搜索效率.同时,提出一种自适应填充准则,首先使用K均值算法将种群划分为k个子种群.通过划分邻域, 将子种群自适应地分成不同类型,根据子种群的类型选择个体,提升计算资源的利用率.在选择个体时,侧重于对收敛性压力的维持,提升收敛速度.将选出的个体用于更新模型和档案.实验结果表明,DC-EMEA能够很好地平衡收敛性和多样性,同时具有较强的收敛能力.     

基于个体密集距离的多目标进化算法

外部种群维护和适应度赋值是多目标进化算法（MOEA）的两个重要部分,该文首先对这两个问题目前已有的处理方法进行了分析,然后提出了基于个体密集距离的外部种群维护方法,并在将所有个体根据Pareto支配关系分成四个层次的基础上,给出了一种由个体密集距离定义的适应度函数,最后将基于个体密集距离的多目标进化算法CMOEA应用于几个常用的测试函数,并和SPEA,SPEA-2进行了比较,计算结果表明CMOEA具有良好的搜索性能．     

考虑公平性的面向多灾点需求应急资源调度

针对铁路突发事件多需求点多供应点的应急资源调度问题,结合"软时间窗"的概念,以公平性最大和调度总成本最小为优化目标,设计了有多个救援目标的应急资源调度模型,并利用并列选择遗传算法求解。该算法根据目标函数的个数,将种群均等地划分为与目标函数个数相等的子种群,为划分后的各个子种群各自分配一个目标函数,并对其进行独立的选择运算,将各个子种群中适应度高的个体组成新的种群,对这个新的种群进行交叉、变异,生成下一代种群。算例表明,与粒子群优化（PSO）和两阶段启发式算法相比,利用并列选择遗传算法进行计算,目标函数中所有需求点的资源满足程度的方差分别减小了93.88%、89.88%,成本分别减少了5%、0.15%。所提算法能够有效减小所有需求点的资源满足程度的方差,即提高各需求点的公平性,同时降低成本,其在求解多目标规划问题中能够得到更优的解。     

基于改进遗传算法的多机协同多目标分配方法

针对复杂三维环境中多无人机协同多目标分配问题,在飞行代价函数建模的基础上,提出了一种改进遗传算法。首先通过引入启发式信息和采用随机生成的方法构造初始种群,保证了初始种群的多样性和高适应性;然后构造适应度函数,加入惩罚项排除不满足约束条件的方案;接着进行遗传操作,将变异产生的个体组成新的种群,把新种群中性能优异的个体加入到初始种群中,使初始种群个体种类更加丰富,扩大了解的范围。设计实验将改进遗传算法与基本遗传算法和差分进化算法进行了对比,实验结果表明,改进遗传算法在无人机与目标不同的数量关系下,都能够得到合理的分配方案;改进遗传算法有效改善了早熟问题,并具有更快的收敛速度,适合于求解多无人机多目标分配问题。     

基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

带局部交互的多星TT&C调度合作协同进化

针对现有合作协同进化机制较少利用局部协同信息的问题,通过对多星TT&C资源调度的合作协同进化求解进行改进,在全局协同的基础上加强局部交互,为每个个体设定一个表明其与所有相邻子种群合作效果的进化性能指标——局部交互值,将该值作为选择操作中衡量个体优劣的尺度之一,以局部交互值与各子适应度之和的差值决定个体变异率,使变异具有自适应性,从而减少由子种群代表个体选择的非全局性造成的优秀个体丢失现象。仿真实验结果表明该方法能较好地提高求解质量。     

双变异算子遗传算法的应用

针对简单遗传算法（SGA）所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果。实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优。     

动态调整子种群个体的差分进化算法

提出一种新的动态调整子种群个体数目的并行差分进化算法。基于种群个体的适应度值,该算法将种群个体分为三个子种群,分别用于全局搜索、局部搜索及二者的结合。在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目。另外,不同子种群分别采用不同的变异策略,以协调算法的勘探和开采能力。数值实验结果表明该算法具有较好的寻优效果。     

利用历史信息和限制算子求解MOFJSP

在绿色车间实际生产中,生产者要求在尽量短的时间内获得符合要求的多目标柔性作业车间的调度方案。提出一种使用个体历史信息和限制算子求解柔性作业车间优化调度问题的方法。该方法将多个优化目标分解为一组标量子问题,利用多目标进化算法优化子进行目标优化;在进化过程中,子代生成阶段使用历史信息,提高个体的改变量,加快收敛;在选择阶段,利用带有限制信息的稳定匹配选择策略选择多样性好的染色体种群作为下一次进化的父代种群,保证种群的多样性。实例仿真表明：相比已有算法,所提算法在效率、成本以及能效三个目标上分别提升0.8%、0.8%、2.5%,同时优于NSGA-II求解方案的1.4%、1.8%、4.8%。     

多宇宙并行量子多目标进化算法

提出了一种新的基于量子计算的多目标进化算法,即多宇宙并行量子多目标进化算法。算法中将所有的量子个体按给定的拓扑结构分成多个独立子种群,划分为多个宇宙;采用目标个体均匀分配原则和动态调整旋转角机制对各宇宙量子个体进行演化;宇宙之间采用最佳移民操作来交换信息,设计最优个体保留方案以便各宇宙共享全局信息,提高算法的执行效率。该算法用于多目标0/1背包问题的仿真结果表明：新方法能够找到接近Pareto最优前端的更好的解,同时维持解分布的均匀性。     

双变异算子遗传算法的应用

针对简单遗传算法(SGA)所存在的缺点和不足,提出了一种新的改进遗传算法一双变异算子GA.该算想法通过将所有产生的子代个体与父代个体混合作为下一代种群,在种群选择前对适应度值较低的个体进行一次变异,然后通过选择、交叉,再一次变异产生新种群,再利用自适应算法改变交叉和变异率及最优保存策略保护历代最优个体,利用matlab软件编程计算,在TSP中得到了较好的优化结果.实例说明,双变异算子的遗传算法能够最大限度使种群多样性,这样最有可能得到最优解,也易突破局部收敛的局限而达到全局最优.     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

基于变异算子和邻域值自适应的MOEA/D算法

基于分解的多目标进化算法（MOEA/D）在解决多目标问题时，具有简单有效的特点。但多数MOEA/D采用固定的控制参数，导致全局搜索能力差，难以平衡收敛性和多样性。针对以上问题提出一种基于变异算子和邻域值自适应的多目标优化算法。该算法根据种群中个体适应度值的分散或集中程度进行判断，并据此对变异算子进行自适应的调节，从而增强算法的全局搜索能力；根据进化所处的阶段以及个体适应度值的集中程度，自适应地调节邻域值大小，保证每个个体在不同的进化代数都有一个邻域值大小；在子问题邻域中，统计子问题对应个体的被支配数，通过判断被支配数是否超过设定的上限，来决定是否将Pareto支配关系也作为邻域内判断个体好坏的准则之一。将提出的算法与传统的MOEA/D在标准测试问题上进行对比。实验结果表明，提出的算法求得的解集具有更好的收敛性和多样性，在求解性能上具有一定的优势。     

利用信息量留存的蚁群遗传算法

提出一种结合蚁群算法中“信息量留存”思想的遗传算法．该算法将问题空间进行均匀分割，基于这些子空间选取初始种群，并定义每个子空间的初始信息量，遗传操作中根据信息量留存情况来控制个体选择．由于初始种群均匀地分散在解空间，降低了发生过早收敛的可能性；而采用蚁群算法中“信息量留存”的思想，可保证算法快速收敛到具有最优(次优)解的子空间，从而达到提高收敛速度的目的．     

聚类佳点集交叉的约束优化混合进化算法

提出一种基于聚类佳点集多父代交叉和自适应约束处理技术的混合进化算法用于求解约束优化问题.新算法的主要特点是:在搜索机制方面,利用佳点集方法构造初始化种群,使个体能够均匀地分布在整个搜索空间.然后根据父代个体的相似度将种群个体进行聚类分析,从聚类中随机选择个体进行佳点集多父代交叉操作,利用多个父代个体所携带的信息产生新的具有代表性的子代个体,能够维持和增加种群的多样性.另外,引入局部搜索策略以提高算法局部搜索能力和收敛速度.在约束处理技术上,新算法引入了一个自适应约束处理技术,即根据当前种群中可行解的比例自适应选择不同的个体比较准则.通过15个标准测试函数验证了新算法的有效性.     

一种基于复合交叉的实数编码遗传算法

提出了一种基于复合交叉的实数编码遗传算法。通过对父代染色体间的区域进行多次交叉操作,复合交叉操作保留了被搜索区域的信息。算法首先对父代染色体进行复合交叉操作,然后利用包含在新个体集合中的信息进行信息最大化选择,对每一代个体进行基于适应度的选择。集合中信息冗余的个体被从种群中删除,位于欠搜索区域中的个体被保留。由于算法能够始终保持种群的多样性,算法不仅能搜索到全局最优点,同时也能找到尽量多的局部极值点。利用算法对多极值函数进行了寻优,仿真结果表明了算法的有效性。