一种改进的差分进化算法及其应用

多目标优化问题(MOP)存在范围广且人工求解难度大,通过差分进化算法(DE)解决MOP问题具有重要意义.由于常用DE算法性能有限、收敛速度、计算精度和优化能力相互制约,通过改善变异因子、进化机制以及与粒子群算法融合等措施,研究一类基于粒子群优化和DE的混合算法(PSODE),经典优化函数的仿真实验和对比分析,结果表明在高维复杂寻优问题中可以求得高精度解.在实际数字滤波器优化设计中,表明其改进算法在计算精度和运行速度上均能取得满意的应用效果.     

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.     

解全局优化问题的差分进化策略

以进化策略算法为框架,提出一种求解连续函数,特别是高维连续函数问题的优化算法--差分进化策略.该算法利用进化策略快速收敛的优点,融入了差分演化算法中具有较强全局搜索能力的变异算子.经数值实验分析表明,差分进化策略在函数优化过程中具有较强稳健性,可提高全局搜索能力,保持快速收敛优势,能用于研究生物进化、机器学习、人工智能、模糊系统及人工神经网络训练等领域.     

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.     

一种高效并行的匹配场反演混合优化算法

为解决浅海匹配场反演所面临的复杂的参数优化问题，设计了一种基于差异进化算法与下山单纯形算法的混合优化算法。差异进化算法是一种并行的全局优化算法，其优化机制使其在优化的起始阶段有较高的效率，但不能持续；下山单纯形算法是一种对目标函数梯度信息敏感的局部优化算法，具有很强的压缩参数向量的能力。利用所导出的检测差异进化算法效率跌落的机制，将2种算法有机结合，以下山单纯形算法强的参数向量压缩能力保证差异进化算法持续进行全局、并行搜索，得到一种高效的全并行混合优化算法。高维函数优化与匹配场反演仿真算例表明，该算法能有效解决复杂场合下的参数优化问题。     

一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

用于函数优化的进化非选择算法实验分析

进化非选择算法是将生物免疫系统的非选择机制和进化学习机制相结合而形成的算法,影响其求解效率的算子除了传统进化算法中的变异和选择算子外,还有非选择算子.通过函数优化实验验证了进化非选择算法的求解性能,结果表明非选择算子的引入使得进化非选择算法能够较好地跳出局部最优解,具有较为稳定的求解性能.与此同时,针对函数优化问题,给出了非选择算子相关的自我集大小和自我集每代更新数目这2个影响算法效率的重要参数的参考取值方法.     

新的混合分解高维多目标进化算法

在基于分解技术求解高维多目标优化问题的思想启发下,为了提高多目标优化问题非支配解集合的分布性和收敛性,提出新的基于个体支配关系的混合分解高维多目标进化算法.该算法采用分子种群的进化模式,设计新的基于有效阶的个体支配关系用于个体的比较和更新操作,以便在增加个体选择压力的同时提高解集分布的多样性.为了改善该算法的局部搜索性能,将Powell搜索作为局部搜索算子,采用传统优化与进化算法相融合的混合进化策略.为了检验提出算法的性能,将提出算法用于求解5~20个目标的6类标准测试问题,与同类算法相比,该算法在收敛性和分布性方面均具有较大的改进和提高.     

基于Epsilon-MOEA的给水系统多目标优化与决策

给水系统优化运行是多目标优化问题,决策者需要从众多的候选方案中筛选出一个综合性能最好的方案.将多目标进化算法与多属性决策相接合,采用两阶段方法来求解供水系统的多目标优化与决策问题.首先构建供水系统的多目标优化模型,包括供水系统的运行费用与维护费用最小化,以及水压服务水平的最大化,运用多目标进化算法Epsilon-MOEA求解,生成Pareto解集.然后,基于信息熵方法得到属性权重,用逼近理想的排序方法(TOPSIS)进行多属性决策(MADM)研究,对Pareto最优解进行排序.算例应用表明,该方法能够对供水系统运行的多个目标进行优化,并使决策者能够从众多的候选方案中选出综合性能较好的方案.     

一种新的高维数据聚类自适应算法的研究

聚类有效性是用来评估在不同输入条件下的聚类算法性能的处理过程.高维数据空间的稀疏性和"维灾"问题使得传统有效性指标失去作用.提出新的可用于高维数据集的有效性指标,并结合启发式递减算法,提出一种高维数据的自适应聚类算法,用于确定高维数据集的最佳聚类数目.实验结果表明:提出的聚类算法有较好的性能.     

Many-objective particle swarm optimization algorithm for fitness ranking

Due to the complexity and difficulty of solving the many-objective optimization problem,a many-objective particle swarm optimization algorithm for ensemble fitness ranking is proposed.In this algorithm,the nearest vector between the individual and reference points in the population is obtained,and the individuals in the population are sorted by the penalty-based boundary intersection approach.Then,the poor individuals in the population are deleted and the elite individuals are saved in the external archives.The four advanced many-objective evolutionary optimization algorithms are adopted to make comparisons on 5,8,10,15 objectives of 13 standard test sets.Experimental results show that the performance of the proposed algorithm is better than comparison algorithms in most of the test cases.It has also been proved that the algorithm has good convergence and diversity,and that it can effectively deal with many-objective optimization problems.     

基于超平面投影的高维多目标进化算法

针对高维多目标优化问题（MaOPs）,为了更好地在收敛性和分布性之间保持平衡,提出基于超平面投影的高维多目标进化算法（HPEA）.通过归一化技术构造单位超平面,将种群个体垂直投影到单位超平面上,消除收敛程度的影响;通过改进的Harmonic平均距离,评估单位超平面上投影点的拥挤密度;结合收敛信息构造λ-distance,更好地平衡解集收敛性与分布性.为了检验所提算法的性能,将之用于求解3~10个目标的9类标准测试函数,与目前国内外具有代表性的5种高维多目标进化算法对比可知,该算法相对于其他算法具有优势,能够在提高算法收敛性的同时,保证解集的分布性.     

多目标遗传算法的收敛性研究

基于群体搜索的遗传算法求解多目标优化问题具有独特的优势,多目标优化算法已有的研究大多为算法的设计和数值实验效果的比较,理论研究则很少,本文作者给出了一种求解多目标优化问题的新遗传算法（RMOGA）,并用Markov链的理论对RMOGA的收敛性进行了研究,其结果表明RMOGA依概率收敛到问题的Pareto前沿面.     

箱型约束优化问题的免疫进化的微粒群算法

通过引入免疫进化项,提出一个求解箱型约束优化问题的新的算法—免疫进化的微粒群算法。该算法利用8个典型的测试函数进行数值实验,且与被动聚集的微粒群算法、全局版本的微粒群算法、局部版本的微粒群算法和具有压缩因子的微粒群算法进行计算比较,计算结果表明免疫进化的微粒群算法是求解箱型约束优化问题的一个高效的算法。     

多目标进化算法综述

多目标进化算法已经成为解决多目标优化问题的主要方法之一。本文详细介绍了经典的多目标进化算法,并分析了各种算法所采取的策略,给出了各个算法优缺点分析。讨论了多目标进化算法的应用。     

改进遗传算法与粒子群优化算法及其对比分析

进化算法作为一类新的优化搜索方法，广泛应用于各种优化问题．现对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法．同时还介绍了一种新的进化算法一粒子群优化算法．将这两种优化算法应用于函数优化，并对优化结果进行了对比分析．比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性，但在找寻最优解的效率上，粒子群优化算法较好．     

渐进演化类拓扑优化算法的优化准则对比研究

渐进演化类拓扑优化算法的优化准则是影响结构优化结果的关键因素之一。以不同荷载和边界条件下的深梁模型为数值算例，比较了基于不同优化准则的3种算法在优化解和优化效率上的差别。结果表明：对于荷载和边界等条件较简单的构件，采用单向和确定性优化准则的渐进演化类拓扑优化算法能高效地得到最优拓扑，采用概率性优化准则和采用双向优化准则的渐进演化类拓扑优化算法有着更广的适用范围，在荷载和边界等条件较复杂的构件上，同样表现出较强的避免优化畸变的能力和全局寻优能力。对结合概率性优化准则和双向优化准则的遗传双向渐进演化结构优化算法建立了流程图，并进行初步讨论，以期进一步提高渐进演化类拓扑优化算法的实用性和寻优能力。     

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.     

一种求解多峰函数优化问题的新算法

一般的演化算法求解多峰函数优化问题采用笼统的评估机制 ,盲目评估现象明显 ,文章提出了求解多峰函数优化问题的一种新的演化算法 ,较好地避免了这种盲目现象 ,且有效地提高了算法的全局收敛性能