面向进制转换和克隆进化的帝国竞争改进算法

帝国竞争算法(imperialist competitive algorithm,ICA)是一种被广泛应用于求解各类理论与实践问题的随机搜索智能优化算法,但它收敛过快的特性令其容易在求解复杂问题时陷入局部最优,故对ICA进行有针对性的改进十分必要.引入二进制转换和克隆进化机制,为算法的进化种群提供新的上升通道和进化模式...     

面向资源约束项目调度的二阶段帝国竞争算法

资源约束项目调度问题是一类经典的组合优化难题,有着广泛的工程应用背景。自20世纪60年代起,该问题的优化方法层出不穷,但大多数智能优化算法在该问题空间中搜索表现一般。针对这一挑战,提出了一种二阶段演化帝国竞争算法（TSE-ICA）。首先,基于由关键路径法得到的组块提取策略,提出两种分别用于种群多样性开发和高效收敛的同化算子,通过在不同阶段选择合适的同化算子实现二阶段演化框架的构建。其次,基于组块的改进革命机制包含插入和乱序两种邻域搜索策略,帝国竞争机制则通过收集不同帝国的收敛信息实现参数的自适应调整;最后,利用记忆库引导种群进化,提高算法的收敛速率。TSE-ICA的最佳参数设置由Taguchi法的实验设计方法确定。数值实验面向典型实例库PSPLIB中的3个实例集J30、J60和J120对TSE-ICA执行了性能测试,并基于两种评价标准与17种先进的元启发式算法进行性能对比。实验结果显示,TSE-ICA具有较好的优化性能和收敛效率,初步验证了所提改进机制的有效性和所提算法的问题适用性。