基于新变异策略的动态自适应差分进化算法

针对差分进化算法在复杂优化问题求解时后期收敛速度慢、易陷入局部最优和参数设置繁琐等问题,提出一种基于新变异策略的动态自适应差分进化算法p-ADE.首先,新变异策略中通过利用种群的全局最优解和目标个体的历史最优解引导种群搜索方向,为下一代个体的生成引入更多有效的方向性信息,避免差分向量中个体随机选择导致的搜索盲目性.其次,为加快收敛速度、提高算法稳定性、避免参数设置的繁琐与不精确,提出一种参数动态自适应调整策略,动态平衡算法局部搜索与全局搜索间的关系,有效调节个体在进化过程中的变异程度.在10个Benchmark函数上的实验结果表明,p-ADE相对于多种先进DE优化策略和全局优化算法在收敛精度、速度和鲁棒性上均具有明显优势.     

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE．该算法基于一种双种群进化策略，一个种群中的个体由粒子群算法进化而来，另一种群的个体由差分操作进化而来．此外，通过采用一种信息分享机制，在算法执行过程中两个种群中的个体可以实现协同进化．为了进一步提高PSODE算法的性能，摆脱陷入局部最优点，还采用了一种变异机制．通过4个标准测试函数的测试并与PSO和DE算法进行比较，证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法．     

基于反向学习和精英提升的无速度项动态粒子群算法

针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题，提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式，动态划分子群并采用不同的进化策略，利用反向学习为子群拓宽搜索范围，保证种群多样性的同时避免粒子过早陷入局部最优。然后为充分利用优秀粒子的信息并提高搜索精度，改进精英提升策略优化个体历史最优粒子，使用差分进化算法对种群最优粒子进行更新。最后通过CEC2006提出的22个测试函数进行性能测试。结果表明，本文提出的算法相比于其他算法在搜索精度和稳定性上拥有更加出色的性能，并能有效提升算法收敛速度。     

应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Diffe-rential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。     

求解动态优化问题的多种群竞争差分进化算法

针对动态优化问题（DOP）的求解,提出结合多种群方法和竞争策略的差分进化算法（DECS）。首先,将一个种群作为侦测种群,通过监测种群中所有个体的评价值和种群维度来判断环境是否发生变化。其次,将余下多个种群作为搜索种群,独立搜索环境中的最优值。在搜索过程中,引入排除规则,避免多个搜索种群聚集在同一个局部最优的邻域。在迭代若干代后对各搜索种群执行竞争操作,保留评估值最优个体所在的种群并对该种群的下一代个体生成采用量子个体生成机制,而对其他搜索种群重新初始化。最后,利用7个测试函数的49个动态变化问题对DECS进行验证,并将实验结果与人工免疫算法（Dopt-aiNet）、复位粒子群优化（rPSO）算法、改进差分进化（MDE）算法进行比较。实验结果表明,在49个问题上,DECS有34个问题的平均离线误差期望小于Dopt-aiNet算法,所有问题的平均离线误差期望都小于rPSO算法和MDE算法,因此DECS对DOP求解动态优化问题是可行的。     

一种多策略混合的粒子群优化算法

针对传统粒子群优化算法在解决一些复杂优化问题时易陷入局部最优且收敛速度较慢的问题,提出一种多策略混合的粒子群优化算法(Hybrid Particle Swarm Optimization with Multiply Strategies,HPSO)。该算法利用反向学习策略产生反向解群,扩大粒子群搜索的范围,增强算法的全局勘探能力;同时,为避免种群陷入局部最优,算法对种群中部分较差的个体实施柯西变异,以产生远离局部极值的个体,而对群体中较好的个体施以差分进化变异,以增强算法的局部开采能力。对这3种策略进行了有机结合以更好地平衡粒子群算法全局勘探和局部开采的能力。将HPSO算法与其他3种知名的粒子群算法在10个标准测试函数上进行了性能比较实验,结果表明HPSO算法在求解精度和收敛速度上具有较显著的优势。     

双层多种群PSO在水库群供水优化调度中应用

针对水库群供水优化调度问题,提出了一种带差分进化的双层多种群粒子群算法(DE-TMPSO)。该算法实现粒子群优化算法的群体拓展和双并行运行机制,针对性地提高粒子群算法的全局搜索能力,同时采用不同粒度的多子群并行机制、种群间的双向最优信息流动以及引入差分进化策略也提高了该算法的局部搜索能力,在一定程度上避免了"早熟"现象的发生,具有较好的稳定性,收敛速度也得到了提高。该算法应用于我国南方某流域的水库群供水优化调度问题中,调度结果合理,为求解高维、复杂的水库群供水优化调度提供了新的思路和方法。     

采用双变异策略的自适应差分进化算法及应用

为了克服差分进化算法早熟收敛和寻优精度低的缺点,提出一种采用双变异策略的自适应差分进化算法（Adaptive Differential Evolution Algorithm using Double mutation strategies,DADE）。DADE引入基于种群相似度和中心解的双变异策略,有效平衡了算法的全局搜索和局部搜索;自适应交叉概率使种群个体向更新成功的个体学习,有利于后续种群的进化。在7个测试函数和3个电力系统动态经济调度（Dynamic Economic Dispatch,DED）问题上的优化结果表明,DADE算法与其他4种DE算法相比具有更强的全局寻优能力,且对电力系统动态经济调度问题的优化结果优于文献中所报道的结果。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于克隆布谷鸟算法的资源均衡优化

资源均衡优化问题属于NP-Hard问题,为了能对其高效地进行求解,提出了一种新的克隆布谷鸟算法。该算法首先根据个体适应度自适应地克隆,实现种群的扩张;然后通过Levy变异实现克隆种群的更新;最后去重以及全局择优策略保留最优个体且增加种群多样性;引入非均匀变异算子均衡算法全局均匀搜索能力和局部求精能力。通过对实例进行测试,结果表明克隆布谷鸟算法在求解资源均衡优化问题上比粒子群、差分和标准布谷鸟算法具有更优的全局优化性能。     

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。     

分层粒子群优化算法

针对粒子群优化算法存在进化后期局部搜索能力不强、收敛速度变慢的问题,提出一种分层粒子群优化算法。利用标准粒子群优化算法在整个搜索空间内进行全局搜索,由全局搜索获得的较优个体产生局部搜索区域,在局部区域内进行进一步搜索。为避免陷入局部最优,采用动态调整局部搜索区域的策略,保持算法的全局收敛性。通过典型测试函数计算表明,该算法的收敛速度和局部搜索能力有明显改善。     

混合改进搜索策略的鸡群优化算法

针对鸡群算法易陷入局部最优和出现早熟收敛的情况,提出一种混合改进搜索策略的鸡群优化算法。该算法通过种内和种间竞争,确定子群规模及等级次序,子群角色通过竞争繁殖进行动态更新。种群进化寻优中引入全局最优引导策略和动态惯性策略,个体的寻食学习通过动态惯性策略进行自我调整,并同时接受子群与种群中的最优个体引导,以平衡局部搜索和全局搜索之间的关系。仿真实验结果表明,与基本鸡群算法和粒子群算法等相比,改进后的鸡群算法能有效提高算法的收敛精度和收敛速度。     

基于随机扩散搜索的协同差分进化算法

针对差分进化算法存在的收敛速度慢、稳健性差等问题,借鉴多种群并行机制和随机搜索策略,提出一种基于随机扩散搜索的协同差分进化算法。引入反向混沌搜索的初始化机制,利用随机扩散搜索策略将种群分为成功和失败2个子群并进行改进,对改进的成功和失败子群分别采用不同的差分策略,克服单一差分策略的缺陷,同时定期使子群的部分最好与最差个体实现一对一的信息交流,从而达到协同进化的目的。仿真结果证明,与粒子群优化算法及差分进化算法相比,该算法具有较好的收敛速度和寻优能力。     

一种自适应交替的差分混合蛙跳优化算法

针对混合蛙跳算法在解决高维优化问题时易早熟收敛、求解精度低等问题,提出一种自适应交替的差分混合蛙跳优化算法。采用粒子群算法在短时间内产生一组满足约束条件的初始解,以提高初始解的质量。在此基础上,利用差分进化算法全局搜索能力强、种群多样性好等优点,设计一种自适应选择机制,动态地交替使用混合蛙跳算法和差分进化算法,使两者有机融合、优势互补。对6个经典函数的仿真测试结果表明,该算法可以丰富粒子的多样性,使算法前期和后期都具有较好的寻优能力,且寻优速率、求解精度、稳定性都优于混合蛙跳算法、差分进化算法和差分混合蛙跳算法。     

协同智能的蝙蝠差分混合算法

为解决差分进化算法后期收敛易陷入局部最优和早熟收敛的问题,提出一种群体智能优化算法,即协同智能的蝙蝠差分混合算法。利用蝙蝠个体脉冲回声定位的特点,与差分种群相互协作,在当前最优解gbest附近进行一次详细搜索,有效增加种群的多样性,跳出局部最优。通过蝙蝠种群和差分种群两个种群的相互协作,较好平衡全局搜索和局部开发之间的能力。为验证算法有效性,选用9个常用的基准测试函数和5个0-1背包问题,与标准粒子群算法、带高斯扰动的粒子群算法、蝙蝠算法、差分算法、烟花算法相对比,仿真实验表明,所提算法总体性能优于其它5种算法。     

一种求解旅行商问题的进化多目标优化方法

为了克服传统小生境(Niching)策略中的参数设置难题,提出一种求解旅行商问题的进化多目标优化方法:建立以路径长度和平均离群距离为目标的双目标优化模型,利用改进非支配排序遗传算法(NSGAII)进行求解.为了在全局探索能力与局部开发能力之间保持平衡,算法中采用一种使路径长度相同的可行解互不占优的评价策略,并通过一种新的离散差分进化算子和简化的2-Opt策略生成候选解.与已有算法的数值试验结果比较表明,求解旅行商问题(TSP)的改进非支配排序遗传算法(NSGAII-TSP)能够更好地保持种群多样性,从而克服局部最优解的吸引并具有更鲁棒的全局探索能力.通过借助特殊的个体评价策略,所提出的算法可以更好地进行全局优化,甚至同时得到多个全局最优解.     

一种粒子群和改进自适应差分进化混合算法及在生产调度中的应用

差分进化算法是一类基于种群的启发式全局搜索技术,但传统的差分进化算法存在停滞现象,容易使算法收敛停止。虽然之后出现了各种版本的自适应差分进化算法,但没有考虑到当代个体的适应值是否向着最优个体的适应值逼近,因此本文提出了一种新型的自适应差分进化算法FMDE。考虑到粒子群算法和差分进化算法类似,为了充分发挥两种算法的特点,提出了自适应差分进化和粒子群的混合算法PSO_FMDE;最后采用测试数据集对性能进行分析。实验结果表明,该算法根据进化过程中的搜索进度自适应地确定变异率,使算法易于跳出局部最优解,以提高全局搜索能力。PSO_FMDE算法较单一算法而言,性能更优,更易于靠近全局最优解。     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.