一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

集成学习人工蜂群算法

为了抑制人工蜂群算法中的早熟收敛问题,提出一种集成学习框架,挖掘种群中的有用信息来抑制早熟。当个体产生候选解的时候,通过对所有好于当前解的个体线性组合,产生一个集成最优解;然后利用相应的人工蜂群算法的搜索公式产生候选解,该公式中的全局最优解被集成最优解代替。该框架通过产生更有希望的个体带领算法进化,帮助算法逃离局部最优解。实验表明,新的集成学习框架显著地提高了全局最优解引导的人工蜂群算法的性能,而没有增加算法的计算复杂度,且该框架可提高全局最优解引导的差分、粒子群算法的性能。     

配电网重构的改进多种群遗传算法

将改进的多种群遗传算法(multiple population GA,MPGA)应用于配电网重构。该算法引入不同控制参数的多种群协同进化模式,并且能根据进化程度自适应的改变操作算子,具有良好的全局和局部搜索能力,克服了遗传算法未成熟收敛等问题。种群间通过移民算子共享进化信息。采用人工选择精华种群保存最优个体。根据配电网网络特点,提出了基于基本环路的整数编码方法,减少了变量维数。人工定义寻优过程中不满足配电网络辐射状及无孤岛的运行要求的不可行解一个低适应值,保证搜索范围的连续性。基于matlab遗传算法工具箱,对IEEE16节点和IEEE 33节点2个不同规模测试系统编程仿真计算,证实了算法快速稳定的全局寻优能力。     

局部维度改进的教与学优化算法

针对原始教与学优化算法局部搜索能力不强和进化后期容易陷入局部最优的问题,提出基于局部维度改进和自学习扰动的教与学优化算法.将局部维度改进融入教和学2个阶段,将个体的高质量维度变量保留到下一代,不断改善低质量维度变量,提高算法的细粒度搜索能力.提出一种混合全局维度改进和局部维度改进的个体更新方式,通过2种改进权重的逐代变化实现算法早期全局搜索和后期局部探测的平衡.在新算法中增加基于个体最优位置和搜索边界信息的自学习阶段,使种群在进化后期仍能向最优解方向搜索,避免算法过早陷入局部最优.基于标准测试函数的仿真结果表明,相比于原始的教与学优化算法和当前其他优秀的改进版本,局部维度改进的教与学优化算法的收敛精度平均提高了10²~10⁵倍,收敛速度平均提高了2~3倍.     

一种利用动态搜索策略的混合蛙跳算法

从混合蛙跳算法的寻优原理出发,研究了其寻优机制．针对标准算法中存在的初始种群不均匀、迭代后期收敛速度慢,易陷入局部最优的缺陷,提出了一种改进的混合蛙跳算法．采用随机化均匀设计方法产生初始种群;引入影响因子,动态地改变子群当前最差值对其进化行为的影响;根据群体适应度方差判断种群是否陷入局部最优,并通过对当前全局最优值微扰,使算法跳出局部最优．实验结果表明,改进算法有更高的收敛精度和更好的收敛结果．     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进.改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解.实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能.     

一种改进的基于进化阶段的自适应遗传算法

为改善遗传算法的优化性能,延长种群搜索过程,对基于进化阶段的自适应策略遗传算法进行了改进．改进的自适应策略不仅基于进化阶段,同时基于个体,特别是采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解．实验结果表明,该改进的算法确实延长了算法的搜索阶段,提高了算法的性能．     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

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.     

一种多反向学习的教与学优化算法

针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化（MOTLBO）算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明：非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。     

基于搜索偏好知识的复杂多模差分进化算法

针对复杂多模优化问题,提出一种基于搜索偏好知识的差分进化算法PKLSHADE。PKLSHADE将先验搜索偏好知识注入到种群的进化过程,在不同的进化阶段对种群的多样性和集约性区分考虑,进化早期重视差分扰动以增强算法的全局开发能力,进化后期更多围绕当前最优解进行局部精细搜索。同时,基于搜索偏好知识的变异策略能够实现差分进化算法全局开发和局部搜索的自适应平滑过渡,避免两搜索阶段的硬切换。在CEC2017复杂混合多模函数上的实验结果及统计分析表明,PKLSHADE在最优解的精度、算法的稳定性等方面均优于LSHADE、EBLSHADE、jSO及AMECoDEs等近年来的优秀差分进化算法。     

基于相似性学习的整数规划问题演化求解

将学习机制引入到变异算子中,定义了个体距离、相似性和邻域等概念,用距离反映个体间的差异程度,用相似性描述个体间对应基因位的类似程度,用邻域实现对种群按相似性分割。提出了基于相似性学习的自适应演化算法,从而使得变异算子具有了很强的导向性,避免了传统达尔文演化策略的半盲目性,使计算结果稳定地收敛到全局最优解。以下料问题为例,对算法进行数值试验,运算结果表明该算法能很好求解整数规划问题。     

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。     

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.     

基于反学习和正交交叉算子的元胞差分进化算法

提出了一种基于正交交叉算子的元胞差分进化算法. 进化初期采用反学习初始化方法获得初始候选种群,利用元胞结构的局部搜索方法替代控制参数调节差分进化算法的选择压力,从而平衡差分进化算法的探索能力和开发能力,利用元胞自动机的并行演化机制保持种群的多样性,从而避免陷入局部最优. 该算法利用无交叉因子的正交交叉算子,通过多元素重复试验加速种群收敛速度. 对多个典型测试函数的仿真实验结果表明,所提出的算法相较于多个差分进化改进算法具有更快的收敛速度和更好的计算精度.     

动态种群差分进化算法研究

针对标准差分进化算法易早熟的缺点,模拟人类社会民族融合的进化历程,提出了动态种群差分进化算法(DPDE)。算法中将种群分为多个独立的子种群,子种群之间采用相互移民来进行信息交换,设置种群分裂和融合的条件来动态控制子种群个数。通过数值实验用几种典型的测试函数对DPDE的搜索性能进行了测试,实验结果表明,该算法能有效地避免早熟,具有良好的全局收敛性。     

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型．该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力．提出的模型和改进的算法模拟仿真表明：该方法对收敛速度和精度有更好的拟合性．     

Improved gravitational search algorithm for shaped beam forming

In view of the adverse effect of the random initial value on the performance and convergence speed of the gravitation search algorithm, a quasi-oppositional gravity search algorithm (QOGSA) is proposed. The quasi-oppositional based learning OBL is embedded into the GSA algorithm, the number of iteration is divided into multiple learning cycle, the oppositional probability is adjusted according to the success rate of the past learning cycle, and an adjustable oppositional probability is designed to optimize the timing of the mechanism in the evolution, which improves the speed of the algorithm to search for the optimal solution greatly. On this basis, in order to improve the population diversity, elite particles are retained to the next generation population. They replace the particles with a poor fitness value and acquire a higher optimization accuracy. Compared with the existing algorithms in the literature, the optimization accuracy of the QOGSA for the average optimal value of the single-peak and multi-peak test functions can be improved by 1016. For the shaping results of different types of beam, the optimization accuracy of the improved algorithm for the sidelobe can be improved from 1.26dB to 5.99dB. On the premise of the fastest convergence speed, the QOGSA can greatly avoid the problem that other optimization algorithms tend to fall into local optimization, with the overall performance being the best.     

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。     

自适应差分进化算法

提出了一种自适应差分进化算法,该算法在计算过程中自适应调整缩放因子,在搜索初期保持种群的多样性和增强全局搜索能力,后期有利于局部搜索提高算法的精度。数值实验结果表明,该算法有效的避免早熟,提高了全局寻优能力。该算法的性能优于基本微分进化算法。