基于M-H采样的快速反向微分进化算法

反向微分进化(ODE)算法基于反向优化对种群进行初始化更新以保持种群多样性。但该算法中反向个体容易偏离全局最优个体,不能很快达到全局最优,在函数优化过程中收敛速度慢且容易陷入局部最优。为此,提出一种基于M-H采样的快速反向微分进化算法。M-H采样用于ODE算法的变异操作,满足马尔可夫链可逆条件。马尔可夫链的一步转移概率根据个体等级分配的选择概率进行计算,既能选择最优个体,又能寻找优化方向并保持种群多样性。仿真结果表明,M-H采样得到的个体具有马尔可夫链平稳分布特性,该算法在单峰函数和多峰函数优化中都能快速收敛,全局和局部搜索性能达到平衡,具有较高的搜索精度及较好的鲁棒性。     

基于隐马尔可夫链的自适应MODE及应用

不同的控制参数设定和生成策略（交叉和变异）都会对多目标差分进化算法的性能产生显著影响。为实现其控制参数和变异策略的实时自适应调整,提出一种基于隐马尔可夫链的自适应多目标差分进化算法。该算法利用隐马尔可夫模型对种群信息进行分析并得到最优序列,通过最优序列与实际状态序列的对比得出变异缩放因子[F]与交叉概率[CR]的最大似然估计值,从而实现控制参数的自适应调整;同时,通过隐马尔可夫模型得到一组策略链来辅助多目标差分进化算法来选择合适的变异策略。通过与其他9种多目标进化算法在16个测试函数上的对比研究,结果表明所提算法的整体性能优于其他比较算法。最后,将该算法用于求解海铁联运能耗优化问题,所得结果能够为决策者提供多种可行方案。     

基于状态估计反馈的策略自适应差分进化算法

借鉴闭环控制思想, 提出基于状态估计反馈的策略自适应差分进化(Differential evolution, DE)算法, 通过设计状态评价因子自适应判定种群个体所处于的阶段, 实现变异策略的反馈调节, 达到平衡算法全局探测和局部搜索的目的.首先, 基于抽象凸理论对种群个体建立进化状态估计模型, 提取下界估计信息并结合进化知识设计状态评价因子, 以判定当前种群的进化状态; 其次, 利用状态评价因子的反馈信息, 实现不同进化状态下策略的自适应调整以指导种群进化, 达到提高算法搜索效率的目的.另外, 20个典型测试函数与CEC2013测试集的实验结果表明, 所提算法在计算代价、收敛速度和解的质量方面优于主流改进差分进化算法和非差分进化算法.     

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．     

基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

基于文化差分算法的无约束优化问题研究

无约束优化问题是一个较古老的数学问题,随着智能计算科学的发展,解决此类优化问题,除了使用经典数学方法外,还可以使用智能化方法进行寻优。本文使用经典文化算法双层进化结构,将差分进化算法引入信度空间的更新操作,实现差分进化算法在进化过程中形势知识更新,保证了种群合理的进化方向,从而引导种群空间中个体进行有效进化,使得寻优能力有所提高,并选用6个基准函数对改进前后的算法进行测试,实验表明优化性能得到了提高。     

基于混合差分蜂群算法的贝叶斯网络结构学习

贝叶斯网络的结构学习是贝叶斯网络理论模型的核心,而现有的贝叶斯网络结构学习算法一般存在效率偏低的问题.针对此问题,文中提出基于混合差分蜂群算法的贝叶斯网络结构学习算法.该算法首先利用最大生成树准则得到初始种群,然后利用差分进化算法中的交叉、变异规则优化初始种群.在使用差分进化算法的过程中,分别将蜂群算法应用于变异阶段和优化改进交叉阶段,并且将云自适应理论应用于选择阶段选择生成个体.在经典贝叶斯网络上的仿真实验证明,文中算法在贝叶斯网络结构学习中具有较强的寻优能力.     

基于随机泛函的免疫进化算法收敛性及性能分析

分析基于免疫响应原理的免疫进化算法流程和运行机制.根据免疫抗体群的状态转移过程,研究免疫进化算法的马尔科夫随机过程,并采用随机泛函分析算法的收敛性,突破传统马尔可夫链方法对解空间较大问题分析的局限性.根据免疫进化算法参数构成和抗体种群达到吸收态的转换特性,采用泛函理论论证算法收敛速度估计、时间复杂度计算和参数选择原则.通过实验总结影响免疫进化算法收敛性的关键因素,为解空间较大及高维优化问题的免疫进化算法收敛性和性能分析提供可行方法.     

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。     

基于N阶近邻分析的自适应差分进化算法

针对差分进化算法在求解多模优化问题解可靠性较低的问题,在N阶近邻理论分析及参数整定的基础上,提出一种基于N阶近邻分析的自适应差分进化算法（N--NNADE）.N--NNADE算法在缺少先验知识的情况下,通过分析群体个体间的N阶最短近邻计算种群的全局分布,并利用阶跃信息自适应统计获得种群数量;同时采用K--means算法划分种群,进一步引入不同种群间的交叉变异思想以及父子代同种群则替换最差个体的选择策略实现种群间的协同进化.通过获取更多的全局最优解和部分高质量的局优解来提高算法的可靠性.20个优化问题的数值研究结果表明N--NNADE算法具有比DE（differential evolution）,DERL（differential evolution algorithm withrandom localizations）,ADE（adaptive differential evolution）算法更适合求解复杂的高维多模优化问题.     

均值移动算法收敛性及均值移动矢量夹角分析

均值移动算法是一种统计迭代算法,目前在图像处理中得到了广泛应用。但是对其性质的分析仍然不完善,针对以往文献对均值移动算法收敛性证明的错误和不足,根据柯西收敛定理严格证明了均值移动算法的收敛性;证明了基于任意核,两连续均值移动矢量的夹角都不大于90°。     

云搜索算法的收敛性分析

本文通过对新提出的求解全局优化问题的云搜索算法[1]进行分析,可以看出算法的整个搜索过程包含飘移算子、降雨生云算子、收缩扩张算子。倘若收缩扩张算子失效,那么算法将在比较坏的情形下进行搜索。在此情形下,我们利用概率论的知识分析了算法的收敛性。分析结果表明,云搜索算法依概率1收敛到全局最优解。     

n值命题逻辑中公式列的收敛性

在[n]值[R0]命题逻辑系统中给出了公式列按真度收敛的定义,研究了公式列按度量收敛、按赋值收敛及按真度收敛的性质,给出了三种收敛各自的充分必要条件,在公式列是有限原子的条件下证明了公式列按度量收敛、按赋值收敛及按真度收敛是相互等价的。     

一种改善遗传算法全局搜索性能的小生境技术

本文分析了基本遗传算法全局搜索效率不高的内在原因,提出了基于相似个体交叉 和（μ+λ）选择机制的小生境并行进化技术,从理论上论证了该技术不但能提供最强的选 择压,而且能维持足够的种群多样性．对高维不连续函数和高维多峰函数优化的仿真实验结 果表明,应用该技术能显著地改善遗传算法的全局收敛可靠性和收敛速度,从而提供了说明 这种小生境技术设计合理性和应用有效性的事实依据．     

CRGA--一种基于保留全局公共模式和约束交叉位置的遗传算法

提出了一种基于保留全局公共模式和约束交叉位置的遗传算法CRGA，该算法解决了标准交叉算子容易破坏高阶、长而好的模式及其在相似个体之间低效的问题，CRGA通过对适应度高于群体平均适应度的个体模式基因值的统计来估算父个体基因值在子个体中保留的概率，从而达到对高阶、长而好的模式的保护；同时通过约束交叉位置，保证了交叉操作一定能产生新个体．实验结果表明，CRGA算法在收敛精度和收敛速度上都要明显优于基于标准交叉算子的遗传算法．     

鲁棒辨识研究的现状

综述了鲁棒辨识问题的研究进展，介绍 了鲁棒辨识问题产生的背景，对各种不同的辨识方法进行了评述，并指出各自的特点，最后总结了今后的发展方向。     

小波神经网络初始值的选择

小波神经网络参数初始值影响着网络收敛速度的快慢,甚至关系到网络能否收敛。为了减少网络训练次数,提高收敛速度,提出了一种更简便易行的选择方法,通过将此方法的仿真结果与采用随机选取初始值的方法所得仿真结果进行对比,证明此方法既可行又有效。     

On the local convergence of secant-type methods

In this article, we carry out a local convergence study for Secant-type methods. Our goal is to enlarge the radius of convergence, without increasing the necessary hypothesis. Finally, some numerical tests and comparisons with early results are analyzed.     

一种多样性控制的粒子群优化算法

针对粒子群优化(PSO)算法的早熟收敛问题,提出一种新的基于群体多样性控制的PSO算法(DCPSO).该方法使得粒子在收缩状态下充分搜索,在发散状态下能够飞离群体的聚集位置,不断的收缩-发散过程保证了群体能在较大的空间进行搜索,减少了粒子群算法的早熟收敛现象.通过对多个标准测试函数的实验结果表明,DCPSO算法在复杂优化问题中具有较强的全局搜索能力,而且比现有的多样性指导的PSO算法(ARPSO)具有更好的性能.     

Minimax问题的一个超线性收敛的SQP算法

本文提出一个求解Minimax问题改进的SQP算法.对已有的算法降低计算工作量,减弱假设条件,并得到更好的全局收敛和超线性收敛性结果.最后数值实验表明算法是有效的.