改进变异算子的差分进化算法并行性分析

针对并行差分进化算法的全局搜索能力和寻优的稳定性弱的现状,基于DE/best/1变异算子提出了一种改进的差分进化算法变异算子.该算子前期采用DE/best/1变异方法,当进化代数超过设定的进化代数值时,采用改进的变异算子.通过拓宽变异算子的搜索域来提高种群的多样性,提高了差分进化算法的寻优能力.对改进变异算子的并行差分进化算法进行了函数测试,实验结果表明:相比普通的变异算子,在相同种群规模的前提下,改进的差分变异算子拓宽了遗传算法的搜索域,提高了算法的全局搜索能力;在不同的种群规模下,改进的变异算子增强了算法的寻优稳定性.     

多种群实数编码遗传算法在多峰函数优化中的应用

对于函数优化问题,单种群遗传算法全局搜索能力较强,但局部搜索能力较弱,当函数为多峰时,易陷入局部解.本文引入多种群实数编码遗传算法,不同种群赋予不同的控制参数,以此兼顾全局和局部搜索能力,并采用移民算子联系各种群实现协同进化,以及人工选择算子保存各种群的最优个体作为终止判据,从而较好搜索到多峰函数的全局最优解,并提高迭代寻优效率.     

基于二次协作优化方法的配电网重构

针对现今配电网线损大的问题,构建以网损最优为目标函数的配电网重构数学模型,提出二次协作优化方法.该方法利用模拟渔夫捕鱼算法的局部寻优能力来寻找遗传算法的初始种群,再通过遗传算法的全局寻优能力寻找最优解,从而提高算法的搜索效率.对IEEE 69节点测试系统的算例仿真结果表明:所构建的配电网重构数学模型能有效地降低配电网中的网损;所提出的二次协作优化方法具有搜索效率高、性能好的特点.     

一种基于分组遗传算法的聚类新方法

为提高聚类效果,提出了一种基于分组遗传算法的聚类新方法。以改进的分组编码方式表示种群中的个体并基于此制定了合理的种群初始化方案,采用改进的遗传操作算子和种群更新规则,利用遗传算法高效的全局搜索能力实现聚类。通过非线性排序选择机制和精英保留策略提高了遗传进化的稳定性;引入同类并行交叉和合并分割变异算子提高了算法运行效率,增强了全局寻优能力。实验结果表明,该聚类新算法能够自动获得最优聚类数和最优划分方案,具有良好的性能和聚类效果。     

组播服务节点选择问题的求解算法

为了求解覆盖网络中最优组播服务节点MSN组合问题,提出一种基于混合实数编码的遗传算法(HRCGA)。采用实数编码方式对MSN组合进行编码,利用K-medoids聚类距离算子进行节点相似性度量,并根据MSN的实际特点,构造含有惩罚因子的适应度函数,限制不良个体参与进化。同时,针对标准遗传算法SGA局部搜索能力弱的特点,HRGCA引入个体进化控制策略。理论分析和仿真结果表明,该算法有效克服了传统K-medoids算法易陷入局部极小值、对初始中心选值敏感的问题。通过与传统SGA的仿真结果对比,HRCGA进一步提高了MSN组合全局寻优能力。     

一种基于阈值对偶算子的优化组合遗传算法

针对遗传算法局部搜索能力差的问题,模拟生物基因的对偶性,本文提出的阈值对偶算子,与对偶算子的性能相比较,既改善了遗传算法的局部搜索性能,又减小了对种群多样性的影响,与具有良好全局搜索性能的遗传算子组合,构造了一种基于阈值对偶算子的优化组合遗传算法.从理论上证明了算法的收敛性,实验结果表明,该算法具有更好的寻优能力,对应用串型编码的遗传算法解决优化问题具有很好的借鉴意义,阈值可根据求解问题特征和局部搜索强度而设定.     

基于逆序与对偶组合算子的小生境遗传算法

在逆序算子和对偶算子的性能研究基础之上,设计了逆序与对偶组合遗传算子,增强了局部搜索性能．通过引入共享机制小生境技术,并且采用自适应策略,对种群的多样性进行有效保护。构造了一种基于逆序与对偶组合算子的小生境遗传算法,较好地解决了局部搜索与全局搜索之间的矛盾,保证了算法的全局收敛性．算例测试表明该算法具有较强的整体寻优能力．     

基于逆序与对偶组合算子的小生境遗传算法

在逆序算子和对偶算子的性能研究基础之上,设计了逆序与对偶组合遗传算子,增强了局部搜索性能．通过引入共享机制小生境技术,并且采用自适应策略,对种群的多样性进行有效保护。构造了一种基于逆序与对偶组合算子的小生境遗传算法,较好地解决了局部搜索与全局搜索之间的矛盾,保证了算法的全局收敛性．算例测试表明该算法具有较强的整体寻优能力．     

基于K-近邻域搜索的遗传算法求解旅行商问题

针对传统遗传算法在求解旅行商问题时存在容易陷入局部最优和运算时间较长的问题,着重考虑影响算法局部搜索能力和种群多样性保持两个方面的因素,提出改进策略.将交叉变异产生的新个体与父代种群合并后剔除重复个体,再选择优势个体作为新种群,防止种群中适应度值较低但具有优质基因的个体被剔除,促进种群多样性的发展;通过分析旅行商问题的内在特性,采用K-近邻域搜索的方式减少变异算子的无效操作,提高算法局部搜索能力及算法寻优效率.实验结果表明：与BLS算法相比,改进遗传算法的平均解误差降低了15.36%;相较于传统遗传算法,应用新型变异算子的改进遗传算法收敛速度明显提高.全精英选择法能较好地保持种群多样性,新型启发式变异算子在全局搜索的同时加强了局部搜索能力,对提高算法求解精度和寻优效率都有较好的效果.     

一种改进的整数编码遗传算法在车辆路径优化问题中的应用

针对基于路径组合编码的遗传算法应用于求解VRP问题时，顺序交叉算子局部寻优能力不足的缺陷，引入一种进化逆转算子，改进了遗传算法求解VRP问题时的局部搜索能力。设计的两组仿真试验结果显示，进化逆转算子的局部寻优能力很强，用它改进的遗传算法求解VRP问题的结果表明，算法的收敛性明显好于标准遗传算法。     

基于混合策略的差分进化算法

针对传统差分进化算法在求解问题中种群易收敛、易早熟的问题,提出了一种基于混合策略的差分进化算法.该算法根据粒子适应度、适应度标准差和粒子间距离标准差,将种群分为3个不同大小、不同功能的子种群,每个子种群采用不同策略和控制参数来实现自己被指定的功能.算法在搜索过程中既增强了种群的全局搜索能力,又增加了收敛精度.通过对4个标准函数的测试,仿真结果表明该算法比其他算法具有更好的寻优能力.     

基于遗传算法和蚂蚁算法求解函数优化问题

针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题，提出一种基于遗传算法和蚂蚁算法的混合算法.该混合算法利用了遗传算法快速随机的全局搜索能力的优点，设计了编码与适应度函数，进行了种群生成与染色体的选择，并通过设定交叉算子和变异算子， 生成了信息素分布.该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点，通过确定吸引强度的初始值，建立了强度更新的模型，从而求得精确解.并将该算法应用于求解函数优化问题.结果表明，该混合算法与遗传算法和蚂蚁算法相比，收敛速度快，寻优性能好.     

自适应并行混沌免疫进化规划

基于克隆选择原理,提出一种新的并行混沌免疫进化规划算法.在算法中,根据抗体抗原亲和度将抗体种群分为两个子群,相应的提出混沌克隆算子和超变异算子,混沌克隆算子在局部空间具有较强搜索能力,超变异算子在广阔空间具有大范围搜索能力,通过两个算子的并行操作使局部寻优和多样性保持相结合,从而提高算法的搜索效率.仿真表明,与传统进化规划(EP)和基于混沌变异的进化算法(EACM)相比较,并行免疫进化规划搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂的机器学习问题.     

取消变异的小生境遗传算法及应用

为提高算法寻优能力,提出取消变异的小生境遗传算法.算法在寻优过程中采用最优保持子代种群产生策略,通过对种群中个体适应值惩罚机制的小生境操作,加速淘汰适应值低的个体,实现种群基因多样性,克服了遗传算法中随进化代数的增加种群个体趋于相似而造成全局搜索能力下降的缺点,增强了遗传算法在解决多变量多峰值优化方面的能力.将小生境遗传算法用于典型测试函数进行寻优测试,与取消变异改进遗传算法和基本遗传算法比较,证明了其在多变量、多峰值优化问题中的有效性和收敛性.     

基于遗传算法的分层覆盖网络组播树构建

依据NICE网络协议组织网络节点，提出一种分层覆盖网络组播树模型，其基于K-Mediods和遗传算法对组播服务节点MSNs选择，构建覆盖网络分层组播树。根据覆盖网络中组播服务节点的特点，引入基因差异控制和变异精英控制策略，对遗传算法中的交叉和变异算子进行修正，限制适应度差的个体生成，在缩小搜索空间、加快收敛速度的同时，提高算法的全局寻优能力。理论分析和仿真结果也表明，该模型不仅有效克服了传统K-Mediods算法模型易陷入局部极小值的特点，而且明显避免了对初始中心选值敏感的问题。     

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。     

混沌遗传算法优化管网状态神经网络模型

针对BP算法易陷入局部最优，提出将一种新的混沌遗传算法（CGA）用于全局优化给水管网状态神经网络模型的初始权阈值.该算法将混沌搜索与自适应遗传算法相结合，根据混沌运动的初值敏感性、内在随机性以及遍历性的特点，通过混沌映射搜索自适应遗传算法的较优初始种群，并利用自适应遗传算法进一步寻优，对混沌映射和遗传进化进行循环计算直至达到最大进化代数，最终获得BP模型的较优权阈值.实例分析结果表明，与自适应遗传算法（AGA）相比，该算法搜索稳健，全局搜索能力强，并且新算法优化模型具有更高的预测性能.     

触觉传感器非线性补偿仿生算法

为解决触觉传感器非线性误差大的问题,本文提出了一种基于动态密度聚类改进的自适应多种群遗传算法(IMPGA)。IMPGA算法通过对个体相似度的动态聚类分析生成多个子种群,各子种群采用自适应交叉、变异概率并行进化,提高了搜索全局最优解的效率。通过动态邻域搜索策略提高算法局部搜索的能力,通过移民算子保持每个种群的多样性和进化动力。实验表明通过IMPGA算法优化的BP神经网络能够有效减小触觉传感器非线性拟合误差,鲁棒性能好。     

基于多目标沙猫群算法的含风光储配电网无功优化

针对现有智能优化算法在求解配电网无功优化时存在的收敛速度慢、易陷入局部最优解等问题,提出一种基于多目标沙猫群算法(MOSCSO)的含风光储配电网无功优化方法.MOSCSO融合了多目标算法中外部储存集的更新和选择机制,具有较好的全局寻优能力,而沙猫群算法(SCSO)特有的搜索和攻击的种群更新方式保证了其具有较快收敛速度和较好寻优能力.建立储能设施(ESS)作为控制变量的IEEE 33节点系统数学模型,应用MOSCSO进行仿真验证.结果表明,本文所提方法在平衡风光发电系统的同时能够降低网损和提高电网稳定性,通过与传统算法比较,验证了MOSCSO在无功优化模型上的有效性和稳定性.     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。