水平结构竞争-互利群落优化算法

为了求解一些非线性优化问题的全局最优解,采用水平结构竞争-互利群落动力学理论,提出了一种新的水平结构竞争-互利群落优化算法(HS-CBCO)。在该算法中,每个种群由若干生物个体组成,种群间相互作用主要是竞争和互利,种群内部各个体之间存在相互影响。运用群落动力学理论开发出了6个算子,其中竞争和互利算子可实现个体跨种群交换信息,而普通影响和强烈影响算子可实现种群内的个体之间的信息交换,从而确保了个体间的信息的充分交换;新生算子可适时补充新个体到种群中,而死亡算子可将种群中的虚弱个体适时清除掉,从而提升了该算法跳出局部陷阱的能力。测试结果表明,HS-CBCO算法的求精能力、探索能力及其两者的协调性均优良,且具有全局收敛性的特点,为复杂优化问题全局最优解的求解提供了解决方案。     

种群具有离散Leslie年龄结构的动力学优化算法

为了解决一些函数优化问题,采用种群具有Leslie年龄结构的动力学模型提出了一种新型群智能优化算法,简称PDO-DLAS算法.在该算法中,假设某种群由具有不同性别、不同年龄的生物个体组成,个体依据其性别和年龄被自动划分成若干类,增加了个体的多样性;每个算子具有明确功能,其中学习算子可实现性别不同但年龄相近个体之间的信息交换;影响算子可实现不同性别、不同年龄个体之间的信息交换;新生算子可增加强壮个体数,死亡算子可以减少虚弱个体数;进化算子可确保算法具有全局收敛性;依据Leslie模型确定该算法中的相关参数,提升了参数确定的科学性;该算法每次进化只处理个体特征数的1/250～1/10,从而使时间复杂度大幅降低.测试结果表明,该算法具有较优越的性能,适于求解维数较高的优化问题.     

种群具有离散Leslie年龄结构的动力学优化算法

为了解决一些函数优化问题,采用种群具有Leslie年龄结构的动力学模型提出了一种新型群智能优化算法,简称PDO-DLAS算法.在该算法中,假设某种群由具有不同性别、不同年龄的生物个体组成,个体依据其性别和年龄被自动划分成若干类,增加了个体的多样性;每个算子具有明确功能,其中学习算子可实现性别不同但年龄相近个体之间的信息交换;影响算子可实现不同性别、不同年龄个体之间的信息交换;新生算子可增加强壮个体数,死亡算子可以减少虚弱个体数;进化算子可确保算法具有全局收敛性;依据Leslie模型确定该算法中的相关参数,提升了参数确定的科学性;该算法每次进化只处理个体特征数的1/250～1/10,从而使时间复杂度大幅降低.测试结果表明,该算法具有较优越的性能,适于求解维数较高的优化问题.     

具脉冲出生和季节性捕杀的种群系统优化算法

为了求解一些非线性优化问题,采用具有脉冲出生和季节性捕杀的种群动力学模型提出了一种新的群智能优化算法(PSO-IBSK).在该算法中,假设某种群由具有幼年和成年两种阶段状态的若干个体组成,幼体是由成体脉冲产生的,经过一段时间后会变成为成体.为了提升种群的整体质量,需要季节性地对一些生长状况不良的成体进行捕杀.该算法中的出生算子和成长算子可分别实现成体向幼体瞬时和延迟传递信息,有助于搜索跳出局部最优解陷阱;捕杀算子可周期性地将不良成体清除,死亡算子可将虚弱个体随机清除,该两个算子有利于提升算法的求精能力;强势算子可实现强壮个体向虚弱个体扩散强壮信息,竞争算子可实现幼年和成体之间的有效信息交换,该两个算子有利于提升算法的探索能力;进化算子可确保算法具有全局收敛性.该算法的大部分参数采用该种群动力学模型确定,具有很好的科学性;该算法每次只处理个体特征数的6‰～8％,从而使时间复杂度大幅降低.测试结果表明,该算法具有较优越的性能,适于求解维数较高的优化问题.     

保护区种群迁移动力学优化算法

为了求解一些复杂优化问题的全局最优解,基于保护区种群迁移动力学模型,提出了一种新的群智能优化算法,简称PZPMDO算法。在该算法中,假设有很多生物种群生活在某生态系统中,该生态系统被分成两个区域,即非保护区和保护区,对生活在保护区内的生物种群实施各种保护。在非保护区与保护区之间存在种群迁移通道,若某区域内的某生物种群的密度过高,该生物种群就会自发地迁移到低密度区域,从而导致低密度区域内的生物种群受到迁移过来的生物种群的影响;若某生物种群的占比越大,该生物种群的影响也就越大;若某生物种群越强壮,该生物种群就越会将其优势传播给其他生物种群。不同区域内的各生物种群因生存竞争而相互影响,这种影响会体现在种群部分特征间的相互作用上,且该影响是随时间变化的。文中采用ZGI指数描述一个生物种群的强弱程度,利用保护区种群迁移动力学模型、种群迁移和相互影响关系构造算子。PZPMDO算法拥有8个算子,且演化时每次仅处理总变量数的1/1000~1/100,具有搜索速度快和全局收敛性的特点,适用于求解维数较高的全局优化问题。     

基于人工食物链的动物群优化算法

为了解决目标函数中含有sin、cos等周期函数的优化问题,基于生态系统循环食物链思想提出了一种新型函数优化算法,即AFC-ASO算法.在该算法中,假设在生态系统中的某个循环食物链系统中生活有多种不同类型的动物,这些不同类型的动物采取循环食物链的方式维持该生态系统的生态平衡.进食的方法是采用攫取食饵动物部分器官或吸取其体内物质的方式,但不会危及食饵动物的生命;同类型的动物分雌、雄两种性别.每种类型的动物在该生态系统中活动时,具有捕食、交配、集群、逃逸、游弋五种行为,依据这五种行为构造出了相关的演化算子.其中,捕食算子能够使得个体器官间交换信息;交配算子能使强壮个体将其优良信息传给虚弱个体;集群算子能使个体摆脱局部最优解陷阱;避险算子能增强个体之间的分散度;闲逛算子可以增加当前个体的活跃度;生长算子能确保该算法具有全局收敛性.结果表明,算法对求解某些类型的复杂函数优化问题,特别是目标函数中含有sin、cos等周期函数的一类复杂函数优化问题,具有较高的适应性和收敛速度.     

基于SEIV传染病模型的函数优化方法

为了求解某些类型的复杂函数优化问题,基于 SEIV 传染病模型提出了一种新型函数优化算法,即SEIV算法。在该算法中,假设某个生态系统由若干个人和动物个体组成;每个人和动物个体均由若干个特征来表征。该生态系统存在一种传染病在人与动物之间传染,其传染规律为动物传给人或动物传给动物,这种传染病攻击的是个体的部分特征。每个染病个体均经历易感、暴露、接种或发病等阶段。个体的体质强弱是通过该个体的某些特征的暴露、某些特征的接种、某些特征的发病与某些特征的易感等情况综合决定的。依据SEIV传染病模型的疾病传播规律构造出了相关演化算子,其中E-E、V-V和I-I算子能传递强壮个体的特征信息,使得虚弱个体能向好的方向发展;S-E和S-S算子能使异类或同类（仅指动物）个体之间交换信息;S-V、V-S、E-I和E-V算子能使个体获得其他同类个体的平均特征信息,从而降低了个体陷入局部最优解的概率;S-S算子能使个体的活跃度提高,从而扩大搜索范围。体质强壮的个体能继续生长,而体质虚弱的个体则停止生长,从而确保该算法具有全局收敛性。结果表明,本算法对求解某些复杂函数优化问题具有较高的适应性和收敛速度。     

基于SEIRS传染病模型的函数优化方法——SEIRS算法

为了解决复杂函数优化问题,采用SEIRS传染病模型提出了SEIRS算法.在该算法中,假设某个生态系统由若干人类个体组成,每个个体均由若干个特征来表征.该生态系统存在一种传染病在个体之间传染,该传染病攻击的是个体的部分特征.每个染病个体均经历易感、潜伏、发病和治愈等阶段,这些阶段的综合作用决定了个体的体质强弱;利用SEIRS传染病模型所描述的疾病传播机理构造出了相关算子,使个体之间能充分交换信息.结果表明:E-E,I-I和R-R算子能使体质强壮的个体向体质弱的个体传递强壮特征信息,使得后者能向好的方向发展;S-E,S-R,E-I(ω)和R-S(ω)算子能使处于不同状态的个体获得其他个体的平均特征信息,从而降低了该个体陷入局部最优解的概率;S-S算子能使个体的活跃度提高,从而扩大其搜索范围;E-R和I-R算子既具有S-S算子的特征又具有S-E,S-R,E-I(ω)和R-S(ω)算子的特征.体质强壮的个体能继续生长,而体质虚弱的个体则停止生长,从而确保本算法具有全局收敛性.测试结果表明:本算法具有搜索能力强的特点,对求解复杂函数优化问题具有很高的收敛速度.     

生态平衡动力学优化算法

为了解决复杂函数优化问题,提出了一种Lotka-Volterra生态平衡动力学优化算法。该算法假设在某个生态系统中有自养者、消费者和分解者3个种群。自养者主要是植物;消费者主要是以自养者为食的动物;分解者主要分解消费者的死有机体,并给自养者提供营养物质。根据上述生态系统中种群的关系构造出了消费者-自养者算子、自养者-分解者算子、分解者-消费者算子和生长算子。自养者、消费者和分解者种群的生长变化相当于搜索空间的试探解从一个位置转移到另外一个位置。该算法具有搜索能力强和全局收敛性的特点,为复杂优化问题的求解提供了一种解决方案。     

微生物动力学优化算法

为了解决一类函数优化问题,利用带时滞影响的混杂食物链微生物培养动力学理论提出一种微生物动力学优化(MDO)算法。在该算法中,假设有多个微生物种群在一个培养系统中培养,微生物种群的生长不但受注入到培养系统中的培养液流量、营养物质和有害物质的浓度影响,而且受种群之间相互作用的影响;定期注入的培养液会突然增加营养物质和有毒物质的浓度,从而会突然加大对种群的影响。利用上述特点构造出了吸收算子、攫取算子、混杂算子和毒素算子;利用这些算子和种群的生长变化,能够快速求解优化问题的全局最优解。仿真实验结果表明,MDO算法对求解维数较高的优化问题具有一定的优势。     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

机器人逆运动学差分自适应混沌粒子群求解

采用D-H法通过连杆坐标系变换矩阵建立机械臂运动控制模型,该模型呈现非常严重的非线性特性,传统方法难以求解。由于动态差分算法具有很强的全局搜索能力,而粒子群算法具有精确的局部搜索能力的特点,融合改进的动态差分算法和粒子群算法,并引入混沌映射初始种群和粒子群学习因子与惯性权重的自适应算法,提出多子群分层差分自适应混沌粒子群算法。该算法采用的多子群分层结构能提升个体共享群体信息的能力,底层利用动态差分算法进行全局搜索,顶层精英群利用改进的粒子群算法进行局部搜索。仿真试验和实际应用表明该算法在稳定性、搜索成功率以及收敛精度有显著提高,能有效解决机器人逆运动学模型的求解。     

求解复杂约束优化问题的多策略混合麻雀搜索算法

针对麻雀搜索算法面对具有强约束、非凸性和不可微特征的复杂问题所存在的开发与探索能力不平衡、易陷入局部最优、过早收敛和种群多样性较低等不足,提出一种求解复杂约束优化问题的多策略混合麻雀搜索算法.首先,利用反向学习策略构建双向初始化机制,以达到获得分布更优的初始种群的目的;其次,设计一种基于交叉与变异算子的位置更新公式,扩大搜索范围,丰富搜索机制,以平衡算法探索和开发能力,同时提高算法的收敛精度和速度;最后,使用社区学习策略对种群进行精炼,强化开发能力与跳出局部极值的能力,并保持种群的多样性.分别在CEC2017的28个实数约束优化问题和1个工程优化问题上进行了性能评估,实验结果表明,所提出的算法对比其他优化算法具有寻优能力强、收敛精度高、收敛速度快等优势,可有效解决复杂约束优化问题.     

基于免疫遗传算法的复杂网络社区发现

针对大部分基于智能优化算法的社区发现方法存在的种群退化、寻优能力不强、计算过程复杂、需要先验知识等问题,提出了一种基于免疫遗传算法(GA)的复杂网络社区发现方法。算法将改进的字符编码和相应的遗传算子相结合,在不需要先验知识的情况下可自动获得最优社区数和社区划分方案;将免疫原理引入遗传算法的选择操作中,保持了群体多样性,改善了遗传算法所固有的退化现象;在初始化种群及交叉和变异算子中利用网络拓扑结构的局部信息,有效缩小了搜索空间,增强了寻优能力。计算机生成网络和真实网络上的仿真实验结果表明算法可自动获取最优社区数和社区划分方案并具有较高的精度,说明算法具有可行性和有效性。     

一种催化粒子群算法及其性能分析

针对粒子群算法（PSO）在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种新颖的混合算法—催化粒子群算法（CPSO）。在CPSO优化过程中,种群中的粒子始终保持其个体历史最优值pbests。CPSO种群更新由改造PSO、横向交叉以及垂直交叉三个搜索算子交替进行,其中,每个算子产生的中庸解均通过贪婪思想产生占优解pbests,并作为下一个算子的父代种群。在CPSO中,纵横交叉算法（CSO）作为PSO的加速催化剂,一方面通过横向交叉改善PSO的全局收敛性能,另一方面通过纵向交叉维持种群的多样性。对6个典型benchmark函数的仿真结果表明,相比其它主流PSO变体,CPSO在全局收敛能力和收敛速率方面具有明显优势。     

优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。     

改进的多目标和声搜索算法

针对和声搜索算法不能很好求解多目标优化问题的缺陷,引入邻域搜索算子,对和声记忆库内搜索到的分量进行扰动,对和声记忆库外进行Pareto邻域搜索,实现群体间信息交换,提高算法的全局搜索能力。数值实验选取4个常用测试函数并与NSGA-II、SPEA2、MOPSO 3个多目标算法进行比较,测试结果验证了改进算法的有效性。     

求解动态维修资源优化调度的多目标进化算法

为解决维修资源调度过程中出现的维修资源预测不准、资源冲突的问题,本文建立了不同作战阶段的多供应中心?多需求点的的动态维修资源优化调度模型,使得多个供应中心可以及时、高效地对需求点进行维修资源调度,减少了资源调度时间和每个需求点的维修资源不满足量。为了更好地求解提出的模型,本文提出了一种改进的多目标进化算法,在经典的多目标进化算法的基础上,使用正态分布交叉算子、全局探索增强型差分进化算子和自适应变异算子的协同进化策略,提高了算法的局部搜索能力和种群的多样性。仿真实验表明,本文提出的算法具有良好的收敛性和分布均匀性,并且具有较高的求解效率。