差分进化樽海鞘群特征选择算法

针对樽海鞘群优化算法(SSA: Salp Swarm Algorithm)在求解特征选择问题时存在易陷入局部最优、收敛速度慢的不足,基于樽海鞘群优化算法提出了新的改进算法差分进化樽海鞘群特征选择算法(DESSA:Differential Evolution Salp Swarm Algorithm).DESSA中采用了差分进化策略替代平均算子作为新的粒子迁移方式以增强搜索能力,并加入进化种群动态机制(EPD: Evolution Population Dynamics),加强收敛能力.实验中以KNN(K-Nearest Neighbor)分类器作为基分类器,以UCI(University of California Irvine)数据库中的8组数据集作为实验数据,将DESSA与SSA同具有代表性的算法进行对比实验,实验结果表明,DESSA算法各考察指标较原算法有明显提升,较其他算法相对优越.     

基于差分进化的卷积神经网络的文本分类研究

为了提高文本分类的性能,采用差分进化的卷积神经网络(convolutional neural network,CNN)算法进行分类.首先随机设置CNN结构参数,然后采用差分进化算法优化参数,通过交叉和选择等操作选择不断进化获得最优个体,为增强差分优化的适用性,将缩放因子变化与进化代数相关联,解决了因为缩放因子设置不合理...     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

基于改进樽海鞘群算法的提梁机主梁轻量化设计方法

针对樽海鞘群算法在优化过程中存在收敛速度慢、求解精度低、易于陷入局部最优解等缺点，提出了基于柯西和高斯混合变异的一种自适应变异策略的樽海鞘群算法，该算法通过选出适应度值最好的前S个个体进行自适应变异，可避免算法陷入局部最优解.通过柯西和高斯变异动态调整参数的变化提高算法的局部搜索能力和收敛速度.选取10个测试函数分别对樽海鞘群算法及改进樽海鞘群算法进行测试比较.数值分析表明，改进的樽海鞘群算法收敛速度快，寻优能力强且精度高.将改进后的算法用于提梁机主梁结构的优化设计中，该结构在满足强度、刚度、稳定性等设计要求条件下，主梁的截面积减少了13.58%,轻量化效果显著，表明该算法具有良好的工程应用价值.     

一种改进的樽海鞘群算法

针对基本樽海鞘群算法(Salp Swarm Algorithm,SSA)在求解复杂函数时存在求解精度差和易陷入局部最优等缺陷,提出一种改进的樽海鞘群算法(Improved Salp Swarm Algorithm,ISSA)。首先,在领导者位置引入随机维度以拓展种群多样性;其次,改变追随者方式,即在算法前期以较大概率执行差分进化操作,进一步增强种群多样性,在算法后期较大概率执行黄金正弦算法,较好地平衡了算法的全局搜索和局部勘探能力。通过23个基准函数测试表明,本研究改进算法在收敛速度、计算精度和稳定性方面优于基本樽海鞘群算法和黄金正弦算法(Golden Sine Algorithm,Gold-SA),同时与其他改进樽海鞘群算法相比,该算法也具有一定优势。     

改进的樽海鞘群算法及在焊接梁问题中的应用

针对樽海鞘群算法的求解精度较低,收敛速度较慢等缺陷,提出一种改进的樽海鞘群算法。首先,对领导者个体执行精英反向学习策略以平衡算法的勘探和开发能力;然后,为提高算法的求解精度,受差分进化算法的启发,引入一种差分策略来更新追随者位置;最后,在搜索过程中对食物位置进行Gauss变异以避免陷入局部最优,为算法进行全局搜索奠定基础。在10个标准测试函数和一个经典工程问题上进行了实验,结果表明,改进的樽海鞘群算法的搜索性能明显优于其对比算法。     

一种改进的快速高效的差分进化算法

文章针对差分进化算法收敛速度和全局搜索能力之间不能同时兼顾这一问题,提出了一种改进的差分进化算法,该算法从动态更新种群、递增策略的交叉概率因子及递减策略的缩放因子对标准DE算法进行了改进,并用6个典型的测试函数对改进的差分进化算法和标准差分进化算法进行测试比较,结果表明改进后的差分进化算法在收敛速度、收敛精度和算法鲁棒性方面都要优于标准差分进化算法,采用动态更新种群的策略也有效地提高了算法的运算效率.     

基于改进差分进化算法的超声衰减谱反演计算

针对传统差分进化算法存在早熟收敛和求解精度低的缺点,研究了一种自适应控制参数的差分进化算法。通过引入自适应控制变量因子、自适应缩放因子和交叉因子使种群不断地向更新成功的个体学习,促进了后续种群的进化。对于颗粒粒径分布服从高斯分布、R-R(Rosin-Rammler)分布以及对数正态分布的3种典型颗粒系进行数值模拟,研究算例发现,改进差分进化算法反演得出分布参数值■,K的误差小于5%,体积中位径相比于设定分布的误差小于5%,因此,改进差分进化算法具有较强的稳定性与抗噪性。     

基于改进灰狼优化算法的医学数据特征选择应用研究

针对灰狼优化算法收敛速度慢、寻优精度低、易陷入局部最优等缺陷,提出一种基于差分进化(DE)的灰狼优化算法(GWODE).该算法在灰狼优化算法的基础上,引进差分进化机制生成变异种群,通过调节缩放因子和交叉概率因子避免算法陷入局部最优.引入精英保留策略,根据进化后狼群适应度进行排序,淘汰适应度差的灰狼,同时再引进相同数量灰狼确保种群的竞争力.本文将该算法应用于生物医学诊断方面.实验结果表明,本文提出的算法性能优于实验对比的特征选择算法.     

一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE).在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近.在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力.采用4个经典的测试函数对算法进行验证,结果显示:该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法.     

基于分组和动态参数设置的差分进化算法

提出一种基于分组和动态参数设置的差分进化算法。为增强算法在进化前期的全局搜索能力及后期的局部开发能力,设计了一种动态改变精英解选取范围的策略;针对个体特征的不同,将种群按个体适应度值分组,分别采用了不同的自适应缩放因子;为克服算法在进化过程中易陷入局部最优的缺点,提出了一种交叉概率的自适应设置策略。用30个CEC2014测试函数的仿真实验以及与3种差分进化算法和3种非差分进化算法的比较,说明所提算法具有良好的寻优性能。     

基于多准则寻优策略的差分进化算法

在差分进化算法的基础上,提出一种基于多准则寻优策略的改进差分进化算法。该算法可以动态调整变异因子和交叉概率,基于文中提出的多准则寻优策略,通过个体适应度、个体间距离等评价指标判断个体的优劣程度,并且可以降低种群的高密度程度,增强种群多样性。这种判断机制可以有效避免种群过早收敛,易陷入局部最优的风险。通过具体的测试函数对算法进行测试,并与标准差分进化算法进行比较,结果显示算法寻优效果较好,可以较快地得到全局最优解。     

运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

基于Baldwin效应的memetic差分进化算法

针对Baldwin效应在memetic差分进化算法中使用不成熟的研究现状,提出一种基于Baldwin效应的memetic差分进化算法。算法采用简化的模式搜索为局部搜索算子,差分进化算法为全局搜索算子,Baldwin效应为结合机制。创新了Baldwin效应的实现方法:改进普通memetic差分进化算法中仅根据个体适应度值引导进化的方法,加大局部搜索成功个体的被学习概率,使其能够参与引导进化。在CEC2014中30个测试函数上与其它知名差分进化算法对比,实验结果表明改进的算法具有更强的跳出局部最优解能力和更快的收敛速度。     

差分进化算法在机组组合问题中的应用

基于差分进化算法求解机组组合问题,差分进化算法具有全局寻优能力,通过群体内个体间的合作与竞争产生的群体智能指导优化搜索。给出了10台机组算例系统优化结果,验证了该算法用于求解机组组合问题时不易陷入局部最优解,有较好的收敛性和效率。     

基于并行优进策略的差分进化算法

差分进化算法是一种新颖的进化计算技术,为减少用户选择算法控制参数的盲目性和提高算法收敛速度,设计了一种基于并行优进策略的差分进化算法（DEPES算法）．算法随着搜索过程的进行随机动态调整缩放因子和选取差分进化模式;在进行差分操作的并行运算过程中,利用当前代最优个体产生新的试验向量参与竞争选择过程．几个复杂函数的数值实验结果表明,DEPES算法寻优效率高、收敛速度快、对初值具有很强的鲁棒性、对维数具有较好的适应性,尤其是具有避免局部极小的能力,其优化性能优于标准DE算法．     

基于小波基函数的差分进化算法缩放因子改进方法及应用

针对差分进化(DE)算法在求解复杂优化问题时存在收敛性和搜索能力差以及控制参数难以确定的问题,引入小波基函数,提出一种基于小波基函数的差分进化算法缩放因子改进方法.该方法采用小波基函数来改进DE缩放因子F,以保证解的多样性、加速算法收敛和提高算法性能.选择5个标准测试函数来测试改进DE算法的有效性,实验结果表明,改进的DE算法能有效解决控制参数难以确定的问题,提高了其搜索能力,获得了较好的最优解.     

一种求解约束优化问题的改进差分进化算法

针对原始差分进化算法在求解约束全局优化问题时存在陷入局部最优的缺陷,提出一种改进的差分进化算法.该算法在保留原始差分进化算法全局搜索能力的基础上,采用基于规则的方法进行约束处理和种群个体的比较及选择,并利用种群相似度和最优变异操作改善种群进行全局范围搜索的多样性,提高算法跳出局部最优的能力.数值实验表明,该算法稳定性较好,目标函数评价次数较少,收敛速度较快,全局寻优能力较强,不仅能有效求解连续变量约束优化问题,也适用于离散变量或混合变量优化问题.     

基于差分进化算法的辅助燃油系统燃油转输参数优化

为了选取和优化辅助燃油系统燃油转输参数,通过对差分进化算法进行改进,发展了辅助燃油系统燃油转输参数优化计算方法,对燃油转输参数方案进行了优化计算分析。结果表明:发展的改进差分进化算法对燃油转输参数方案的优化问题求解有效;与给定的燃油转输策略的计算结果相比,燃油转输参数优化方案可以保证双发运行情况下和单发运行情况下的性能最优。     

基于差分进化与优胜劣汰策略的灰狼优化算法

为了改善灰狼优化算法收敛速度慢、寻优精度低、易早熟等缺陷,提出1种改进的灰狼优化算法。在基本灰狼优化算法的基础上,引入差分进化机制生成1个变异种群,通过其动态缩放因子和交叉概率因子避免算法陷入局部最优。引入优胜劣汰的生物竞争淘汰策略,根据比较进化变异后狼群个体适应度值淘汰m只狼,同时随机生成与被淘汰狼数量相同的狼。采用典型的单峰与多峰函数对该文算法进行测试。仿真结果表明,该文算法的综合性能优于粒子群优化(PSO)和人工蜂群(ABC)等其他对比算法,提高了局部搜索的效率和精度。将该文算法应用于冷凝器实际控制参数整定优化问题中,并与遗传算法(GA)、PSO和工程整定(ZN)法进行比较。仿真结果表明,该文算法整定的参数输出响应的调整时间和上升时间减小,最大超调量降低且稳定性好。