一种新的混合差分粒子群优化算法及其应用

基于差分进化算法在收敛快速性及粒子群算法在种群多样性保持上的优势,提出一种新的混合启发式优化算法,其基本思路是将粒子群种群作为辅助变异算子,与差分进化算法种群进行交叉操作,产生的新子代继承了父代和母代的优势特性,从而避免了单一算法的早熟收敛和收敛速度过慢的问题。通过与已有的改进算法仿真对比,该算法能够有效的跳出局部极值防止算法早熟且收敛速度很快。最后,借鉴已有文献方法对混合算法在B2C路径优化问题中的工程应用进行了实验研究。     

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。     

一种动态改变权重因子和交叉率的混沌差异演化算法

针对非凸、多峰及非线性函数优化难的问题,在差异演化(DE)算法的基础上进行了改进,提出了一种动态改变权重因子和交叉率的混沌差异演化算法(CDDE).在该算法中引入进化速度因子和聚集度因子.权重因子被表示为聚集度因子的函数,交叉率被表示为进化速度因子的函数.在每次迭代时利用聚集度因子动态改变权重因子,利用进化速度因子动态改变交叉率,从而使算法具有动态自适应性.引入混度变异算子,利用混沌的随机性和遍历性使算法具有较强的跳出局部最优值的能力.通过对3个典型函数的测试表明,CDDE算法收敛速度明显好于DE,收敛精度得到了提高.     

一种混合聚类的粒子群差分进化算法

针对差分进化算法在运行后期收敛速度慢和容易陷入局部最优的不足,提出一种混合聚类的粒子群差分进化算法.利用一步K-均值聚类算法改进粒子群优化算法的速度更新,使用线性递减的选择概率将改进后的粒子群算法与差分进化算法相融合,并在一定条件下对种群中部分较差个体进行重置.对9个典型测试函数的数值试验和与其他三种进化算法的比较结果表明:所提算法收敛速度快,寻优能力强并且鲁棒性好.     

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.     

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.     

种群多样性的GEP算法在预测中的研究和应用

针对传统的基因表达式编程(Gene Expression Programming,GEP)算法在函数发掘时容易陷入过早收敛和局部最优问题,提出了一种基于种群多样性的GEP(GEP based on population diversity,PD-GEP)算法。该算法提出了简单云改进GEP策略,利用简单云改进了常数创建方法,并设计了云变异算子和云交叉算子动态调整其变异和交叉概率,以保证种群的多样性。同时提出了种群的有效交叉策略,引入新个体更新种群,避免早熟收敛,提高进化效率。最后将其应用于工程实例中,并将其结果与传统GEP算法结果进行比较。研究结果表明:该算法提高了预测精度和收敛速率,具有更好的收敛性。     

求解函数优化问题的混合进化规划算法

提出一种混合进化规划算法,将进化规划与免疫进化中的克隆扩增相结合.该算法一方面用自适应变异步长的进化规划来有效地控制种群的整体进化,以在全局范围内进行搜索;另一方面,对于当前代中最优个体本身,利用免疫进化中的克隆扩增算子,来进行小邻域的局部细搜,从而形成两层领域搜索机制,以保证全局和局部搜索能力.仿真结果表明,该算法收敛速度快,搜索精确度高,并具有良好的全局搜索能力.     

竞争差分进化算法及其在共形阵综合中的应用

将竞争机制引入差分进化算法,在变异操作时加入种群中的次优个体,利用其竞争作用提高算法的收敛速度．通过对典型测试函数的优化寻值,验证了竞争差分进化算法相对于传统差分进化算法的优越性．运用竞争差分进化算法实现了共形天线阵的低副瓣、宽零陷以及多波束综合,仿真结果表明新算法具有更快的收敛速度．     

基于精英解学习的邻域搜索差分演化算法

为了防止差分演化算法在求解复杂问题时容易陷入局部最优、收敛速度慢等问题,提出了一种基于精英解学习的邻域搜索差分演化算法(ELNDE).在该算法中利用多个精英解构建一个精英解池策略,并且对其进行反向学习,保证种群的多样性.在每一代种群演化计算过程中执行邻域搜索,通过精英解作为导向,加快算法的收敛速度的同时提高开采能力.使用13个基准测试函数对提出的算法进行了测试并且与几种知名的改进算法进行比较.实验表明,提出的算法在收敛速度和解的精度是具有较大的优势.     

余弦适应性骨架差分进化算法

针对传统差分进化算法在解决复杂优化问题时存在收敛速度慢的问题,提出了一种余弦适应性骨架差分进化算法(CABDE),算法设计了一种新的变异策略适应性机制。该机制引入一个余弦适应性因子,实现高斯变异策略和DE/current-to-best/1变异策略的优势互补,以平衡算法的勘探能力和开采能力。其中,高斯变异策略具有较强的全局搜索能力,有利于维持种群多样性。DE/current-to-best/1变异策略具有较强的局部搜索能力,能够加快对较优区域的开采。同时,高斯变异策略和DE/current-to-best/1变异策略都利用当前最优个体来引导算法搜索方向,从而尽可能地加快收敛速度。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略。设计的变异策略适应性机制能够在维持种群多样性的同时加快收敛速度。为测试算法性能,采用18个不同特性的测试函数对算法进行数值实验。对CABDE算法的变异策略和参数动态变化进行了分析,实验结果验证了变异策略和参数动态变化的有效性。此外,CABDE算法分别与新近的骨架算法变体、差分进化算法变体、粒子群优化算法变体和人工蜂群算法变体进行了比较。实验结果表明CABDE算法获得了较高的求解精度,加快了收敛速度,整体上优于其他比较算法。     

精英克隆局部搜索的多目标动态环境经济调度差分进化算法

为有效解决复杂多目标动态环境经济调度问题,提出一种基于精英克隆局部搜索的多目标动态环境经济调度差分进化算法。以传统的差分进化(differential evolution, DE)算法为框架,为了提高DE算法的开采和探索能力,增设精英群的克隆和突变机制,采用动态选择方式确定精英群,有效增强算法的全局搜索能力。数值试验以IEEE-30的10机、15机系统为测试实例,并将提出的算法与三种代表性算法比较。结果表明,新算法所获的Pareto前沿具有较好的收敛性和延展性,可为电力系统调度人员提供更灵活的决策方案。     

差异进化算法参数研究及自适应处理

差异进化算法(DE)是近年来提出的一种高效进化算法,具有收敛快、控制参数少、程序实现简单等优点。本文在详细介绍了差异进化算法的基本原理之后,通过四个典型函数最小值问题的数值分析,系统研究了为取得较快的进化速度,算法中交叉因子和变异因子这两个主要控制参数的取值问题,并对标准差异进化算法进行了改进,提出自适应变异差异进化算法(AMDE)。数值测试分析表明,AMDE在提高进化速度的同时,将关键控制参数由三个减为两个,降低了算法对参数的敏感程度,减小了差异进化算法的应用难度。     

混沌局部搜索策略的差分进化算法

提出了一种应用混沌局部搜索策略的差分进化算法(CLSDE),在每一代中通过DE/best/2/bin形式的差分进化算法找到最佳个体,然后在最佳个体的附近用混沌的方法进行局部搜索.6个基本测试函数的优化结果表明:CLSDE寻优结果得到的最大值、最小值、平均值、标准差都比DE/best/2/bin好,而且收敛速度比DE/best/2/bin快.     

一种求解资源受限项目调度问题的差分进化-布谷鸟搜索算法

提出一种新颖的求解资源受限项目调度问题的差分进化-布谷鸟搜索(DE-CS)算法。DE-CS算法以全局搜索能力强的布谷鸟搜索算法为总框架,通过嵌入具有记忆搜索功能的差分进化算法,结合不同的个体更新操作,增加种群的多样性以改善算法收敛性。采用任务优先级编码和串行进度生成机制来求解PSPLIB问题库中J30、J60、J120的全部480、480和600个问题,以验证算法的有效性,并与多种算法调度结果进行对比。数值试验和算法比较验证了DE-CS算法求解RCPSP问题的有效性。     

改进差分进化算法及其在模糊聚类分析中的应用

针对差分进化算法早熟与搜索效率不理想的问题,提出一种改进的差分进化算法。算法在变异阶段采用多策略与多参数并行的方法一次产生多个变异个体,有效地保持了种群中个体的多样性,抑制了早熟现象的发生。根据竞争机制选择适应度最好的变异个体进行选择操作,提高了搜索效率。与差分进化及其改进算法的对比实验表明了算法的有效性,并把提出的算法应用到模糊聚类分析中,较好的解决了原始聚类模型求解容易陷入局部极值的问题。     

煤与瓦斯突出预测的改进差分进化神经网络模型研究

鉴于常规煤与瓦斯突出BP预测模型的不足,将改进DE算法用于BP网络模型参数的优化及训练,提出结合两者优点的改进差分进化神经网络(IDEBP)煤与瓦斯突出预测模型.模型通过对变异模式、变异交叉因子自适应确定等改进,有效提高了标准DE的性能.实现了DE全局优化搜索与BP自适应、自学习的有机结合,稳健性得到加强,更能充分辨识煤与瓦斯突出样本的复杂非线性知识.以36组工程实例数据,进行了IDEBP和DEBP模型与BP模型仿真对比实验.结果表明:该模型能有效避免常规BP的不足,在收敛迅速、结果辨识和预测精度等方面均大为提高,为瓦斯智能预测提供了新的解决方案.     

多点正交交叉的遗传算法研究

利用正交实验法的全局均衡思想，提出一种采用多点正交交换的遗传算法．算法通过正交表安排遗传算法的交换运算，并在所产生的多个子代中选择适应度大的进入下一次进化，这样既加快了算法的收敛速度又保证了种群的多样性．实验证明，该算法不但可以有效地克服标准遗传算法的缺陷，而且计算速度、精度和算法稳定性也得到了显著提高．     

基于共享学习策略的微分进化算法

针对传统微分进化算法易发生早熟收敛问题,提出基于共享学习策略的微分进化算法（SLDE）,引入共享个体和共享学习因子。共享个体覆盖整个种群,较优个体可引导算法朝希望方向进化,较差个体则能维持种群的多样性,向共享个体学习可避免丢失个体信息,实现整个种群间的信息交换,有助于算法跳出局部最优解,提高算法的局部开采和全局勘探能力。同时,算法充分利用个体的进化信息,根据个体适应值到最优适应值的距离自适应地调整共享学习因子,以弥补随机个体对进化带来的随机性和盲目性,增强算法的搜索能力。采用22个不同特性的Benchmark测试函数对算法进行性能测试,与7种改进DE算法进行性能对比,实验结果表明,SLDE具有较强的跳出局部最优解能力,能显著减少进化代数,大幅地提高算法的收敛精度、收敛速度和稳定性,SLDE的全局优化性能整体上远优于其他改进DE算法。     

基于正交设计的免疫克隆遗传算法

针对遗传算法存在＂早熟＂及局部搜索能力弱等问题,提出一种基于正交设计的免疫克隆遗传算法,将正交实验设计原理、免疫克隆理论以及标准遗传算法有效结合起来,增强算法的收敛速度和搜索精度。对算法进行了验证,表明该算法求解精度高出几个数量级,寻找到全局最优解的次数明显增加。