协同进化引力磷虾觅食算法

在对当前基本磷虾觅食算法的特性进行分析和研究后,针对基本磷虾觅食算法运行速度慢、全局收敛性不强等缺点,为提高磷虾觅食算法收敛性能,引入协同进化机制和引力算法思想,提出一种协同进化引力磷虾觅食算法（co-evolutionary gravitational krill herd algorithm,CGKH）。首先,为深入挖掘种群内部个体性能,将种群分为两个子种群进行协同竞争操作,提高种群整体竞争性能,同时将协同竞争后的种群划分为开采磷虾、跟随磷虾和侦察磷虾,并依据开采、跟随和侦察3个阶段进行协同进化,以提高种群局部开采能力;其次,借鉴引力算法基本思想,将磷虾个体觅食行为中的吸引度转化为邻域个体引力,确保个体向最优个体方向寻优;最后,为避免进化停滞和陷入局部极值,采用聚群和追尾行为对磷虾个体进行随机扰动,以提高种群后期个体多样性。对算法的收敛性能和漂移特性进行了分析,同时对算法进化能力进行了分析。利用同类型算法和不同类型算法进行了仿真对比分析,充分验证了所提出算法的优良性能。     

融合蜂群行为的量子进化算法

为提高量子进化算法的收敛精度和收敛速度,以人工蜂群算法为基本进化框架,提出一种融合蜂群行为的量子进化算法. 将采用相位编码的量子进化种群划分为量子开采种群、量子跟随种群以及量子侦察种群,在每个种群内模拟蜜蜂觅食行为寻优,其中量子开采种群采用混沌扰动搜索,量子跟随种群采用柯西变异操作进化. 同时对所有种群个体采用量子染色体的两步旋转更新方法,并进行自适应的动态变异操作. 利用基准测试函数进行仿真,与相关方法对比分析可知,所提出的算法在大部分的函数上都表现出较好的性能,能有效提高全局收敛性能.     

协同量子智能体进化算法及其性能分析

针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取三级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.     

协同进化免疫记忆克隆算法

为提高免疫克隆算法的收敛性能,基于协调勘探和开采的思想,提出一种新型协同进化免疫记忆克隆算法.将整个进化种群分为免疫克隆种群和免疫记忆种群,将免疫克隆种群又分为2个子种群,在每个免疫克隆子种群内部采用协同竞争模式,动态更新种群规模,并采用适应度共享、动态变异机制和浓度调节机制的克隆扩增以增加种群多样性;在免疫记忆种群中采用混沌精细搜索以及精英交叉机制,提高免疫记忆种群的开采能力.利用基准测试函数进行仿真并与相关方法对比分析,所提出的算法收敛效果优越,能有效地提高全局收敛性能.     

基于内分泌激素调节机制的量子进化算法

针对传统量子进化算法用于搜索某些适应度函数时稳定性和精确性差的问题,在计算量子旋转角时引入内分泌激素调节规律,使得量子旋转角根据种群进化代数及个体适应度值自适应调整,提出了一种基于内分泌激素调节机制的量子进化算法.并用于Schaffer函数寻优和三维人脑图像分割.仿真实验结果表明,该算法不仅保留了传统量子进化算法收敛速...     

一种用于函数优化的量子克隆算法

为了解决传统量子进化算法用于复杂函数优化易陷入早熟和收敛速度慢等问题,将克隆算子引入到量子进化算法中,提出了一种新型的进化算法一量子克隆算法.该算法既借鉴了量子进化算法的高效并行性又利用克隆算子增加种群的多样性.提高了算法在解决函数优化问题的全局寻优能力.仿真结果表明,该算法优于传统的量子进化算法,较好地解决了复杂函数的优化问题.     

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。     

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

基于反向学习的自适应α约束病毒种群搜索算法

为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。     

基于反向学习的自适应α约束病毒种群搜索算法

为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。     

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。     

自适应混沌量子克隆算法

针对传统进化算法的早熟和收敛速度慢等瓶颈问题,提出了自适应混沌量子克隆算法．算法中采用量子编码来表示个体,利用个体质量、进化代数和个体的分布情况构造变异算子,针对克隆算子局部寻优能力强的特点,通过logistic混沌序列自适应地调节变异尺度,提高种群多样性,避免盲目搜索．对函数优化问题的仿真实验表明:本算法求解精度高,均方差小于10-7;运算次数小,平均运算代数在10代以内就能获得高质量的解．     

基于种群多样性的自适应乌鸦搜索算法

针对原始乌鸦搜索算法对种群多样性控制不强、个体位置更新方式单一、局部搜索精细度不高等缺点,提出新的自适应乌鸦搜索算法.设计多种搜索引导个体,基于进化不同阶段的种群多样性,实现搜索引导个体的自适应选择策略,使算法在迭代前期加强全局勘探,在迭代后期强化局部开发. 结合正余弦搜索理念,构建基于线性递减、混合正余弦震荡递减的多种飞行长度控制参数及相应的多种搜索方式,提升算法的搜索遍历性,增加算法在迭代后期找到更优解的概率. 为了验证新算法的有效性,通过标准测试函数,将新算法与原始乌鸦搜索算法、改进乌鸦搜索算法和其他优秀的智能优化算法进行仿真实验,比较分析各算法的收敛精度、收敛速度、稳定性、Wilcoxon符号秩检验和Friedman检验. 实验结果表明,新算法的性能优于其他比较算法的性能,新算法实现了全局勘探和局部开发、收敛精度和收敛速度的平衡.     

基于TS模糊推理的自适应量子行为粒子群优化算法

为进一步改善量子行为粒子群优化算法的性能,保证搜索过程中粒子群的多样性,本文提出了基于Takagi-Sugeno(TS)模糊推理的自适应量子行为粒子群优化算法。该算法利用群体分布和搜索进程信息,通过TS模糊推理,动态调整算法参数及迭代方式,提升种群在更大空间搜索的能力,减少陷入局部最优的几率,并通过若干标准测试函数仿真和威氏(Wilcoxon)符号秩次检验。研究结果表明,与传统的粒子群优化算法相比,自适应量子行为粒子群优化算法性能更好,不但迭代初期收敛快,而且能收敛到理论最优值,尤其对复杂高维函数的优化问题更有效。该研究改善了量子行为粒子群优化算法的性能。     

基于多量子粒子群协同进化算法的敏捷供应链伙伴选择

针对敏捷供应链组建过程中伙伴选择的特点,提出了一种基于多种群协同进化的改进量子粒子群算法．在对该算法的设计中,首先将整个量子粒子种群分解为多个子种群,然后使各个子种群进行独立的演化,并通过周期性的共享搜索信息获得对自身信息的更新,最后通过具体的算例对该算法进行了仿真验证．研究结果表明,在算法的收敛性、最优性等方面,基于多量子粒子种群协同进化算法均达到了良好的效果．     

无约束优化问题的多种群混合类电磁机制算法

在分析了标准类电磁机制算法不足之处的基础上,提出了一种处理无约束优化问题的新的类电磁机制算法。新算法用两个种群进化,从两个进化种群中选出优势个体互相学习,交换信息;提出了基于粒子电荷量和它们之间距离的自适应调节的新的受力计算公式。仿真试验结果表明,和已有算法相比,该算法能有效克服早熟收敛,具有收敛快、求解性能好的优点.     

基于免疫量子算法的多用户检测技术研究

基于免疫算法和新的遗传量子算法,在码分多址通信系统中提出了一种解决多用户检测问题的进化计算方法--免疫量子算法(IQA).在IQA中,随机Hopfield神经网络被用于制作疫苗去提高IQA的收敛速度.另外,IQA为随机Hopfield神经网络提供良好的初始解会提高制作疫苗的性能,进一步改善每一代中量子种群中的适应度.通过在DS-CDMA系统进行Monte Carlo仿真,IQA算法的有效性和可行性被证实.仿真结果表明所提的IQA检测器的误码率性能优于其他的次优检测器,接近于最优检测器的理论下限.     

基于量子行为粒子群算法的航空瞬变电磁拟二维反演技术

传统的确定性反演算法严重依赖初始模型,易陷入局部极小值中,导致最终反演结果偏离真实模型。粒子群(PSO)算法作为一种随机性反演算法,具有较强的跳出局部极小值的能力,但是仍存在早熟收敛和收敛速度慢等问题,限制了该算法在二、三维电磁反演中的发展。针对上述问题,首先提出采用量子行为粒子群(QPSO)算法代替传统粒子群算法,将量子在势阱中运动规律引入到粒子群算法中,使得粒子可以出现在势阱内任何存在概率分布的位置上,有效地克服了由于群体的聚集性所导致的早熟收敛问题。此外,采用拟二维反演算法代替传统二维反演算法,使得反演模型参数维度下降,寻优过程中局部极小值个数将大幅度减少,显著提高粒子群算法的收敛速度,但是在粒子群中开展拟二维反演时,传统的正则化参数的寻优过程将浪费大量计算资源。结合量子行为粒子群算法中各测点的全局最优粒子在粒子群进化过程中的重要地位,采用α-Trimmed方法开展相邻点间全局最优粒子模型参数光滑约束,实现粒子群算法快速横向约束反演。最后将量子行为粒子群算法拟二维反演技术应用到含噪全航空瞬变电磁仿真数据处理中,反演结果与原始模型具有较好的一致性。     

求解高维复杂连续优化问题的粒子群算法研究

传统粒子群优化算法(PSO)求解较为复杂的高维度优化问题时,易出现早熟收敛现象,引发收敛效果变差,导致解的精度较低等问题.为求解现代社会出现的更多复杂优化问题,提高粒子群算法求解精度,引入分组变异的思想,在粒子迭代进化过程中以递减的方式控制变异概率.种群进化过程中是利用贪心搜索的方式,在后期会出现种群聚拢,因此引入反向学习策略,使得种群在聚拢环境下可以扩展搜索空间,离开局部最优位置.经过实验仿真证明,提出的新型粒子群算法(NEWPSO)在优化高维函数上具有更好的性能.     

一种基于量子染色体的遗传算法

将进化理论和量子理论结合,提出一种基于量子计算概念和理论的量子遗传算法．算法借鉴量子比特的叠加性。采用量子编码来表征染色体,能够表示出许多可能的线性叠加状态．模拟量子坍塌的随机观察可带来丰富的种群,量子染色体的进化也能够简单方便地引导进化．因此,它比传统遗传算法具有更好的种群多样性。更快的收敛速度和全局寻优的能力．从理论上证明了它的全局收敛性,仿真计算也表明了此算法的优越性．