改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

一种基于密度聚类的小生境差分进化算法

针对基本差分进化算法早熟收敛的缺陷,提出了一种基于密度聚类的小生境差分进化算法。该算法基于DE/rand/2/bin变异方式全局搜索能力强、鲁棒性好和DE/best/2/bin变异方式局部搜索能力强、收敛速度快的特点,首先初始化一个没有子种群的全局种群,再在全局种群中采用DE/rand/2/bin进行迭代搜索,并对其中的个体进行聚类,当聚类簇中的个体数目达到规定的最小规模时形成一个小生境子种群,然后在各子种群中采用改进的DE/best/2/bin进行迭代搜索并重新进行聚类,从而提高进化过程中种群的多样性,增强算法跳出局部最优的能力。仿真实验表明,该方法能显著提高算法的收敛速度和全局搜索能力,有效避免早熟收敛。     

基于共享机制的自适应混合遗传算法

共享机制小生境遗传算法常由于保持算法种群的多样性而减缓了全局收敛速度.针对共享机制的这个缺陷,提出了一种基于共享机制的自适应混合遗传算法.将熵的概念引入共享机制,提出了用以度量种群多样性的小生境熵的概念;构造了小生境半径和进化参数(交叉、变异概率)的自适应计算方法;设计了用于增强算法局部搜索寻优能力的扩展突变算子.最后实验表明,该算法对于解决多模态函数优化问题具有很好的全局搜索能力和较快的收敛速度,能够有效避免早熟收敛.     

自适应梯度小生境混合优化算法

通过对梯度法和小生境遗传算法优缺点的分析,提出了一种自适应梯度小生境混合优化算法。小生境算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,保持了种群的多样性,改善全局搜索能力,应用自适应变步长梯度算法的快速寻优特点来减少运行的时间,优化极值精度,加快了收敛速度。对Shubert函数的仿真试验,证明该算法能明显的改善全局搜索能力,加快算法收敛速度。     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

基于梯度优化的自适应小生境遗传算法

针对基本遗传算法全局搜索能力差和收敛速度慢,且在求解多峰函数时仅能得到部分最优解的缺点,提出一种基于梯度优化的自适应小生境算法。该算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,有效地保持了种群的多样性,改善全局搜索能力,加快了收敛速度,应用改进的梯度优化算子保证进化向最优解方向靠近,提高了计算峰值的精确度。对Shubert函数的仿真试验证明,该算法能改善全局搜索能力,加快算法收敛速度并提高计算精度。     

基于小生境算法和聚类分析的快速收敛遗传算法

摘要：针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,在讨论种群多样性表示方法和早熟原因的基础上,提出了一种基于小生境技术和聚类分析的遗传算法快速收敛算法．利用小生境技术保持种群的多样性,有效防止早熟收敛．当种群进化到一定程度后,进行聚类分析,从而获得分布在各个极值点附近的聚类区域．在各个聚类中心处,利用局部搜索算法获得极值点;其余个体按照小生境技术在聚类区域外进一步搜索．仿真结果表明,这种算法能够有效地防止早熟收敛,可以极大提高遗传算法的搜索效率,有利于并行实现,并在一定程度上有助于骗问题的解决．     

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划（Sequential Quadratic Programming,SQP）的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。     

精英策略个体优势遗传算法研究

针对遗传算法存在的局部搜索能力差、早熟收敛和进化后期收敛速度慢的问题,提出了一种改进精英策略的个体优势遗传算法（Individual Advantages Genetic Algorithm,IAGA）。IAGA通过在精英子种群更新中不断增加精英个体数量和多样性,在保持算法全局收敛性的同时,增强算法在最优解区域的局部搜索能力。引入半粒子群变异算子,提高了算法前期向全局最优解靠拢的速度;引入个体优势算子,提高种群优势个体的多样性,有效改善了进化后期收敛速度慢的问题;与已有同类算法相比,平衡了收敛速度和全局收敛性之间矛盾的同时,进一步提高了收敛速度和精度。     

一种求解动态优化问题的免疫文化基因算法

针对传统免疫网络动态优化算法局部寻优能力弱、寻优精度低及易早熟收敛的缺点,提出一种求解动态优化问题的免疫文化基因算法。基于文化基因算法基本框架,将人工免疫网络算法作为全局搜索算法,采用禁忌搜索算法作为局部搜索算子;同时引入柯西变异加强算法的全局搜索能力,并有效防止早熟收敛。通过对经典动态优化函数测试集在相同条件下的实验表明,该免疫文化基因算法相较于其他同类算法具有较好的搜索精度和收敛速度。     

自适应克隆抑制人工免疫算法*

分析了传统的人工免疫算法在寻优过程中易陷入局部极值点或过早收敛的原因,对算法进行了改进,提出了一种自适应克隆抑制免疫算法。改进的算法在克隆下一代抗体时,同时考虑了抗体亲和度和浓度两个因素,并给出了一种自适应调节两者关系的算子,兼顾了收敛速度和后代抗体种群多样性两个方面。对改进后的算法进行了分析,给出了数学描述,以便于工程应用。最后,通过典型的算例对提出算法的有效性进行了验证,结果证明,改进后的算法在收敛速度和寻优性能方面均优于传统的人工免疫算法和标准遗传算法。     

Clonal Strategy Algorithm Based on the Immune Memory

Based on the clonal selection theory and immune memory mechanism in the natural immune system, a novel artificial immune system algorithm, Clonal Strategy Algorithm based on the Immune Memory (CSAIM), is proposed in this paper. The algorithm realizes the evolution of antibody population and the evolution of memory unit at the same time, and by using clonal selection operator, the global optimal computation can be combined with the local searching. According to antibody-antibody (Ab-Ab) affinity and antibody-antigen (Ab-Ag) affinity, the algorithm can allot adaptively the scales of memory unit and antibody population. It is proved theoretically that CSAIM is convergent with probability 1. And with the computer simulations of eight benchmark functions and one instance of traveling salesman problem (TSP), it is shown that CSAIM has strong abilities in having high convergence speed, enhancing the diversity of the population and avoiding the premature convergence to some extent.     

An immune memory clonal algorithm for numerical and combinatorial optimization

Inspired by the clonal selection theory together with the immune network model, we present a new artificial immune algorithm named the immune memory clonal algorithm (IMCA). The clonal operator, inspired by the immune system, is discussed first. The IMCA includes two versions based on different immune memory mechanisms; they are the adaptive immune memory clonal algorithm (AIMCA) and the immune memory clonal strategy (IMCS). In the AIMCA, the mutation rate and memory unit size of each antibody is adjusted dynamically. The IMCS realizes the evolution of both the antibody population and the memory unit at the same time. By using the clonal selection operator, global searching is effectively combined with local searching. According to the antibody-antibody (Ab-Ab) affinity and the antibody-antigen (Ab-Ag) affinity, The IMCA can adaptively allocate the scale of the memory units and the antibody population. In the experiments, 18 multimodal functions ranging in dimensionality from two, to one thousand and combinatorial optimization problems such as the traveling salesman and knapsack problems (KPs) are used to validate the performance of the IMCA. The computational cost per iteration is presented. Experimental results show that the IMCA has a high convergence speed and a strong ability in enhancing the diversity of the population and avoiding premature convergence to some degree. Theoretical roof is provided that the IMCA is convergent with probability 1.     

一种带交叉因子的双向寻优粒子群优化算法

针对传统粒子群算法易早熟、精度低、后期收敛速度慢等问题,结合反向学习理论,提出了一种基于交叉因子的双向寻优粒子群优化算法(CBMPSO)。该算法使初始种群在搜索区域均匀分布,计算粒子及其反向粒子的适应值,取最优作为初始种群;迭代过程增加对全局最差粒子的跟踪,随机开启基于交叉因子的双向学习机制。对几种典型函数的测试结果表明,CBMPSO算法的寻优能力及收敛速度有了显著提高,并且能够有效避免早熟收敛问题。     

An immune memory clonal algorithm for numerical and combinatorial optimization

Inspired by the clonal selection theory together with the immune network model, we present a new artificial immune algorithm named the immune memory clonal algorithm (IMCA). The clonal operator, inspired by the immune system, is discussed first. The IMCA includes two versions based on different immune memory mechanisms; they are the adaptive immune memory clonal algorithm (AIMCA) and the immune memory clonal strategy (IMCS). In the AIMCA, the mutation rate and memory unit size of each antibody is adjusted dynamically. The IMCS realizes the evolution of both the antibody population and the memory unit at the same time. By using the clonal selection operator, global searching is effectively combined with local searching. According to the antibody-antibody (Ab-Ab) affinity and the antibody-antigen (Ab-Ag) affinity, The IMCA can adaptively allocate the scale of the memory units and the antibody population. In the experiments, 18 multimodal functions ranging in dimensionality from two, to one thousand and combinatorial optimization problems such as the traveling salesman and knapsack problems (KPs) are used to validate the performance of the IMCA. The computational cost per iteration is presented. Experimental results show that the IMCA has a high convergence speed and a strong ability in enhancing the diversity of the population and avoiding premature convergence to some degree. Theoretical roof is provided that the IMCA is convergent with probability 1.     

基于素描的遗传算法

传统遗传算法容易陷入局部最优解，本文借鉴美术中“素描”的思想，对传统的遗传算法进行了改进，提出了基于素描的新型遗传算法．该算法模拟人的素描行为，构造参数控制下的选择算子，再通过参数的调节来选择个体，并依据最优个体对选择算子进行修正，以达到动态调整群体进化过程中的种群多样性和收敛速度之间的矛盾，从而有效地避免了传统遗传算法中早熟现象，显著地提高了GA对全局最优解的搜索能力和收敛速度．这将使GA在众多实际的优化问题上将具有更广泛的应用前景．仿真结果表明，该算法正确有效，且性能优于现有的其它方法．     

基于改进量子粒子群算法的Nash均衡研究

在N人非合作博弈Nash均衡问题求解过程中,将量子不确定性原理、协同演化以及免疫算法内的抗体浓度抑制机制引进到经典粒子群算法中,设计了一种新型改进量子粒子群算法来更好地处理Nash均衡问题。该算法在运算过程中,运用抗体浓度以及协同演化的方式来维系粒子群具备的多样性特征,并借助量子不确定性缩减迭代搜索耗时。该算法不仅有效地将粒子群算法运算简单与方便实现的特质承继下来,而且算法的收敛速度以及其全局搜索能力都获得了大幅度的提升。相关数值算例分析表明,改进的算法能够更好地处理粒子早熟,相较遗传算法以及免疫粒子群算法更具性能优越性。