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。     

一种量子行为磷虾算法及其仿真分析

针对基本磷虾算法收敛效率低下,容易收敛到局部极值的缺点,基于协同进化和量子计算基本理论,提出一种量子行为磷虾算法,称为协同进化量子磷虾算法(cooperative evolution quantum krill herd algorithm,CEQKHA).该算法将磷虾种群划分为主种群和辅种群,各种群能够独立进化,并实现优良个体的交换.利用量子进化行为方式更新磷虾个体位置,引进delta势阱,将粒子势阱中心设置为最优个体位置,获取磷虾进化后的位置,并分别将主种群和辅种群个体采用不同的位置更新方式,提高种群勘探和开采的能力.对所提出的算法进行了收敛性分析,证明了所提出算法的收敛性能.最后利用基准函数进行了仿真对比分析,经仿真验证,所提出的CEQKHA能得到更优解,具备良好的优化性能.     

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...     

基于云量子进化算法的SOC测试规划研究

为克服传统量子进化算法中,迁移操作和量子门单一方向更新操作易陷入局部最优解的缺陷,借鉴云模型云滴的随机性和稳定倾向性特点,提出了一种新的云量子进化算法,该算法在量子进化算法基础上,由云模型的X、Y条件云发生器加入杂交操作,由基本云发生器加入变异操作.并将云量子进化算法用于解决SOC测试时间与测试功耗协同优化.最后用国际标准电路ITC'02 Test Benchmark进行实验仿真,与已有算法相比,云量子进化算法能够更好地缩短SOC测试时间、提高SOC测试效率.     

自适应调整差分进化算法在优化问题中的应用

差分进化算法在求解优化问题时,进化后期由于种群多样性急剧下降,算法全局搜索能力被削弱,极易陷入局部最优解而"早熟"收敛.针对该问题定义了算法停滞系数和个体相似系数.根据算法停滞系数自适应调整算法的缩放系数.同时,根据个体相似系数判定种群普通个体与最优个体的相似性,并以此为基础对相似个体实施基因重构操作,从而避免种群个体严重趋同造成的种群多样性下降问题.将改进算法应用于标准测试函数和车辆路径问题的优化.模拟计算结果表明:改进算法的优化结果优于标准差分进化算法,改进的差分进化算法具有更强的全局寻优能力,适于求解复杂优化问题.     

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。     

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.     

基于混合策略的差分进化算法

针对传统差分进化算法在求解问题中种群易收敛、易早熟的问题,提出了一种基于混合策略的差分进化算法.该算法根据粒子适应度、适应度标准差和粒子间距离标准差,将种群分为3个不同大小、不同功能的子种群,每个子种群采用不同策略和控制参数来实现自己被指定的功能.算法在搜索过程中既增强了种群的全局搜索能力,又增加了收敛精度.通过对4个标准函数的测试,仿真结果表明该算法比其他算法具有更好的寻优能力.     

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．     

求解多峰函数优化问题的免疫量子进化算法

提出了一种求解多峰函数优化问题的免疫量子进化算法, 该算法依据小生境机制将量子表达的初始 种群划分为子群组, 再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞 交叉变异、抗体的促进与抑制等进化机制, 找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的 天然并行性和免疫算法的充分自适应性, 它比传统的进化算法具有更好的种群多样性, 更快的收敛速度, 更有效的 全局和局域寻优能力;证明了算法的收敛性, 最后通过仿真实验表明了该算法的优越性。     

基于等级信息反馈的进化算法

为了解决高维优化问题,提出了一种新的基于等级信息反馈的进化算法.该算法对变异尺度分成若干等级,并设置矩阵对父代各个维度上的变异等级、变异结果和变异次数等信息进行记录,利用这些反馈信息来指导后代个体的变异维度选择和变异尺度的生成;算法的超变异算子给予最优个体在其领域范围内进行多次搜索的机会以提高算法结果的精度.试验结果表明,与其他改进算法相比,该算法具有较好的全局收敛性,不易陷入局部最优解且算法的收敛速度和稳定性有显著提高.     

一种混合高维目标进化算法及其收敛性分析

现代多目标进化算法在高维目标空间中遭遇性能危机,提出一种混合高维目标进化算法(Hybrid Many-Ob-jective Evolutionary Algorithm,HMOEA)以改善算法的解题性能.新的算法使用了新定义的w-支配关系替代Pa-reto支配关系;其次,为使算法在收敛性与多样性之间保持适当均衡,下一代种群个体的构成随当前进化世代动态调整;最后,算法使用了改进的拥挤距离赋值机制评估解个体密度以实施多样性保持操作.新算法在DTLZ2问题上进行测试,结果表明该算法可以获得很好的性能,而且新算法在收敛性和多样性之间也取得了较好的均衡.最后,从一般意义上分析了HMOEA算法的收敛性,分析结果表明HMOEA算法能够以概率1收敛.     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.     

改进的变参数粒子群优化算法

为了提高标准粒子群优化(PSO)算法在收敛速度和优化精度上的性能,提出一种改进的变参数粒子群优化(MAPSO)算法.该方法以进化状态因子计算策略和进化状态估计模型为基础,引入了算法参数控制和变异算子,提高了算法的收敛速度和全局优化能力.在多个基准单峰和多峰优化问题上,对已有的2种算法和MAPSO算法进行了测试和比较,结果表明：在优化精度上,MAPSO算法在6个基准测试函数的4个测试函数上都优于另2种算法;在收敛速度方面,MAPSO算法在5个测试函数上都优于其他2个算法,体现了MAPSO算法在多个性能指标上的优越性.     

基于自适应进化策略的人工蜂群优化算法

提出一种自适应进化策略的人工蜂群优化算法来提高基本人工蜂群优化算法的性能。算法中每个引领蜂拥有4种进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定引领蜂个体的进化行为,并通过多策略进化概率变异方式来提升个体寻优速度或避免陷入局部最优解。典型高维复杂函数测试表明,该算法具有很好的收敛精度和计算速度。     

一种高维多模态优化的量子粒子群优化算法

为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.     

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．     

一种改进的进化规划算法在原料库存优化中的应用

库存控制是现代企业,特别是连续生产企业物流管理的一项重要内容.针对某有色冶金企业原料库存的实际情况,建立一个以资金损耗最小为直接性能指标的原料库存优化模型,并利用一种进化规划的算法对该模型进行优化.仿真及实际运行结果表明:进化规划算法有效地克服了传统遗传算法容易早熟收敛的缺点,具有全局收敛性,同时还能加快遗传进化的速度,得到令人满意的全局最优解.