一种新的求解函数优化问题的快速演化算法

提出一种新的求解函数优化的快速演化算法;新算法的特征是引入一种基于高斯变异和Cauchy变异的混合自适应变异算子,并作为算法的唯一遗传算子;提出多父体变异的群体爬山搜索策略;采用随机排序选择策略,克服了经典算法易于陷入局部最优解的常见弊病;新算法具有保持群体的多样性、全概率收敛、淘汰压力小、子空间搜索、快速收敛、评价次数少等特性;通过7个标准测试函数测试结果表明,新算法在所有的测试函数中体现出很好的性能,具有稳定、高效和快速等特点.     

正交约束差分演化算法研究

提出一种适合求解约束问题的基于正交实验设计的差分演化算法。引入一种基于正交设计的杂交算子,并结合约束统计优生法产生最好子个体,采用决策变量分块策略,以减少正交实验次数,加快算法收敛速度。给出一种简单的多样性规则,以处理约束条件。提出基于非凸理论的多父体混合自适应杂交变异算子,以增强算法的非凸搜索能力和自适应能力。通过对13个标准测试函数进行实验,结果表明,该算法在解的精度、稳定性和收敛性上表现出较好的性能。     

快速演化算法及其在函数优化中的应用

提出一种新的快速演化算法,并把它运用于函数优化问题的求解中.新算法的特征是引入一种基于高斯变异.Cauchy变异以及Lévy变异的混合自适应变异算子,采用多父体搜索策略,提出随机排序选择策略.通过23个标准测试函数进行测试,结果表明,新算法在21个测试函数中的结果比FEP和EP好,具有稳定、高效和快速等特点.     

带柯西变异的自学习改进烟花算法

针对烟花算法收敛速度慢和求解精度不高,论文提出了一种改进烟花算法--带柯西变异的自学习改进烟花算法.改进算法用全局搜索能力更强的柯西变异算子替代高斯变异算子,增大变异范围;用全局最优烟花个体和历史柯西火花的位置来构造新的爆炸半径使其不仅能够继承和学习历史信息,还能够自适应地调整步长;并使用可同时兼顾烟花质量与分布的"精英-随机"选择策略.使用了10个典型基准测试函数和10个0-1背包问题进行仿真实验,结果表明,与蝙蝠算法、粒子群算法、带高斯扰动的粒子群算法、烟花算法、增强烟花算法、自适应烟花算法相比.该算法在收敛速度、计算精度以及稳定性方面性能更优.     

一种基于正交设计的快速差分演化算法及其应用研究

为了进一步加快差分演化算法的速度和增强算法的鲁棒性,提出了一种基于正交设计的快速差分演化算法,并把它应用于函数优化问题的求解中.新算法在保持传统差分演化算法的简单、有效等特性的同时,具有以下特征：1）采用基于正交设计的杂交算子,并结合直观统计法产生最优子个体;2）采用决策变量分块策略,以减少正交实验次数,加快算法收敛速度;3）提出一种基于非凸理论的多父体混合自适应杂交变异算子,以增强算法的非凸搜索能力和自适应能力;4）简化基本差分演化算法的缩放因子,尽量减少算法的控制参数,方便工程人员的使用.通过对12个标准测试函数进行实验,并与其他演化算法的结果相比较,其结果表明,新算法在解的精度、稳定性和收敛性上表现出很好的性能.     

一种改进的动力学演化算法

动力学演化算法(DEA)是一种新颖的基于统计机制理论的演化计算技术.DEA通过驱动所有的个体运动和演化,可以有效地保持种群的多样性,但是在解决一些困难的函数优化问题时,DEA收敛速度慢并且易收敛于局部最优解.提出了一种改进的带有多父体杂交和差分变异算子的动力学演化算法(IDEA),有效地加快了DEA的收敛速度并且可以轻易逃离次优解.通过解决典型的数值函数优化问题来证实算法的有效性,实验结果表明,改进的动力学演化算法具有更高的收敛速度和收敛精度.     

基于交流的求解数值优化问题的混合演化算法

演化算法中有很多不同的演化算子,每一种算子对于不同的优化问题都有自己的优点和缺点。提出了一种基于交流模型的多算子混合演化算法。在该算法中,有两个种群,使用两种算子:多父体杂交算子和Cauchy变异算子。种群间的信息交换通过个体交流实现。对23个标准测试函数的数值仿真表明,该算法具有良好的全局收敛性和鲁棒性。     

基于自适应变异算子的差分进化算法

针对差分演化算法易于早熟、收敛速度慢和收敛精度低等问题,提出一种基于自适应变异算子的差分进化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略,首次将加权异维学习策略引入差分演化算法中,有效地提高了种群的多样性;根据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能依据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,加快算法收敛速度、提高其收敛精度。通过在20个典型的测试函数上进行测试,与7种具有代表性的算法相比,结果表明提出的算法在求解精度和收敛速度上具有很大优势,并显示出了非常好的鲁棒性。     

基于高斯-柯西变异的帝国竞争算法优化

为解决帝国竞争算法(Imperial Competitive Algorithm,ICA)竞争过程中收敛速度慢和易陷入局部最优的问题,提出了一种基于高斯-柯西变异的帝国竞争算法(Imperial Competitive Algorithm Based on Gauss-Cauchy Mutation,GCICA).在ICA帝国竞争时引入高斯变异,加快竞争过程中的收敛速度;帝国灭亡后多样性减少且仅在小范围区域内进行寻优,引入柯西变异,使其跳出局部最优.分析引入高斯、柯西、高斯-柯西变异后的算法在多个典型基准测试函数上的仿真结果,GCICA的收敛速度和寻优精度都得到了提升.     

多亲杂交算子及其在连续优化中的应用

提出了一种新的杂交算子，即基于邻域的多亲杂交算子，这种算子不仅呈现出多亲杂交的形式，而且内在隐含变异算子的特征。另一方面，为了加快收敛速度，引入了一种自适应的机制根据演化的进度调整邻域范围。实验表明，使用该算子的实数编码遗传算法在优化高维连续函数时是可行而有效的，尤其在BUMP问题的求解上有较大突破。     

自适应分层免疫算法

免疫算法是一种新型的导向性随机启发式搜索算法,文章在简单介绍免疫算法基本原理及操作步骤的基础上,针对几个关键参数和操作算子对算法性能的影响进行探讨。提出根据具体的问题,结合各种形式免疫算法,建立一个自适应分层免疫算法。实验表明:自适应分层免疫算法能结合各底层免疫算法的优点,具有收敛速度快、寻解能力强等优点。     

Integrating adaptive mutations and family competition into genetic algorithms as function optimizer

 In this paper, we propose a robust evolutionary algorithm, called adaptive mutations genetic algorithm, for function optimization problems. Our main contribution is robustly optimizing problems whose number of variables from 2 to 200. In order to have a fair comparison, we propose the criteria for constructing a testing bed and for classifying these problems into different complexity degrees. The proposed approach, based on the family competition and multiple adaptive rules, successfully integrates the decreasing-based Gaussian mutation and self-adaptive Cauchy mutation to balance the exploitation and exploration. It is implemented and applied to widely used test functions and several nonseparable multimodal functions. Experimental results indicate that our approach is more robust than ten evolutionary algorithms.     

Local convergence rates of simple evolutionary algorithms withCauchy mutations

The standard choice for mutating an individual of an evolutionary algorithm with continuous variables is the normal distribution; however other distributions, especially some versions of the multivariate Cauchy distribution, have recently gained increased popularity in practical applications. Here the extent to which Cauchy mutation distributions may affect the local convergence behavior of evolutionary algorithms is analyzed. The results show that the order of local convergence is identical for Gaussian and spherical Cauchy distributions, whereas nonspherical Cauchy mutations lead to slower local convergence. As a by-product of the analysis, some recommendations for the parametrization of the self-adaptive step size control mechanism can be derived     

基于改进BP算法的入侵检测神经网络方法

论文利用基于Cauchy误差估计器的BP算法对入侵检测系统进行了研究,改进的BP算法较传统BP算法具有收敛速度快、正确检测率高的优点,实验结果表明:该方法较为圆满地解决了入侵检测系统所需要的实时性、适应性、可用性、可靠性和准确性等方面的要求,这为入侵检测提供了一个新的研究手段与方法。     

Cauchy mutation based on objective variable of Gaussian particle swarm optimization for parameters selection of SVM

On the basis of the slow convergence of particle swarm algorithm (PSO) during parameters selection of support vector machine (SVM), this paper proposes a hybrid mutation strategy that integrates Gaussian mutation operator and Cauchy mutation operator for PSO. The combinatorial mutation based on the fitness function value and the iterative variable is also applied to inertia weight. The results of application in parameter selection of support vector machine show the proposed PSO with hybrid mutation strategy based on Gaussian mutation and Cauchy mutation is feasible and effective, and the comparison between the method proposed in this paper and other ones is also given, which proves this method is better than sole Gaussian mutation and standard PSO.     

自适应多普勒补偿与变异选择的蝙蝠算法

为克服蝙蝠算法在高维优化问题上求解精度低和早熟收敛的缺点,提出一种改进的蝙蝠算法。首先根据蝙蝠相对猎物距离的远近程度,对频率引入自适应多普勒补偿策略,并结合速度偏移机制修正飞行方向,产生靠近最优个体的新位置;其次对最优个体构造自适应变异选择策略,先利用柯西变异产生的较大步长摆脱局部极值的束缚,后利用高斯变异产生的较小步长精细搜寻最优区域;最后通过调整响度和脉冲发射率,平衡算法的全局探索和局部开发能力。从理论上分析了算法的收敛性和运算复杂性,对12个标准函数在不同维度下进行仿真实验,并与近年来其他蝙蝠算法进行比较,结果表明改进的算法在求解高维优化问题上具有较优的收敛速度和精度。     

基于动态概率变异的Cauchy粒子群优化

介绍了标准粒子群优化（SPSO）算法,在两种粒子群改进算法Gaussian Swarm和Fuzzy PSO的基础上提出了Cauchy粒子群优化（CPSO）算法,并将遗传算法中的变异操作引入粒子群优化,形成了动态概率变异Cauchy粒子群优化（DMCPSO）算法。用3个基准函数进行实验,结果表明,DMCPSO算法性能优于SPSO和CPSO算法。     

Cauchy mutation for decision-making variable of Gaussian particle swarm optimization applied to parameters selection of SVM

Due to the slow convergence of Gaussian particle swarm algorithm (GPSO) during parameters selection of support vector machine (SVM), this paper proposes a novel PSO with hybrid mutation strategy. Since random number generated from Cauchy distribution has better convergence characteristic than ones from Gaussian distribution during mutation strategy. Cauchy mutation is applied to amend the decision-making variable of Gaussian PSO. The adaptive mutation based on the fitness function value and the iterative variable is also applied to inertia weight of PSO. The results of application in parameter selection of support vector machine show the proposed GPSO with Cauchy mutation strategy is feasible and effective, and the comparison between the method proposed in this paper and other ones is also given, which proves this method is better than Gaussian PSO.     

一种通用的全局寻优演化算法-自适应进化规划

１．引 言 Ｄａｒｗｉｎ的进化论所描述的“物竞天演，优胜劣汰”的自然进化过程，实际上是描述了一种强壮的搜索、竞争与优化机理．科学家们用数学方式将此过程进行简化模拟，形成了一类具有鲜明特色的优化方法，即演化算法［１］.进化规划（Ｅｖｏｌｕｔｉｏｎａｒｙ Ｐｒｏｇｒａｍｍｉｎｇ－ＥＰ）［１，２］便是其中的一个分支．一般ＥＰ算法常被描述为求解实值函数极小化（极大化）问题 （Ｐ）ｍｉｎ（ｍａｘ）Ｆ（ｘ）：Ｒｎ→Ｒ，（１） ｘＲｎ且在人工智能、神经网络、自适应控制以及众多的工程应用领域显示了解决复杂问题的特别能…