基于混合策略的双种群约束优化算法

提出一种基于混合策略的双种群约束优化算法.利用双种群存储机制处理约束条件,并采用约束支配更新不可行解集,同时采用混合策略进化种群:在进化前期利用Deb准则产生可行解,并保留一部分非劣不可行解参与进化,保持种群多样性;在进化后期让最优个体和次优个体参与进化,使种群快速收敛.仿真实验结果表明,所提出的算法在保证种群多样性的同时,能够较好地收敛到全局最优解,且鲁棒性较好.     

用于函数优化的自适应类种子保留遗传算法

类种子保留遗传算法可以较好地处理维持进化种群多样性和保留重要个体的矛盾,但尚无有效方法确定其类控制参数.本文提出一种类控制参数随进化进程自适应变化的策略,其思想是:在进化前期类控制参数较大,将进化种群分成数目较少的粗类;随着进化的进行类控制参数自适应减小,将进化种群分成数目较多的细类.另外,个体的自适应变异充分利用了个体当前状态、本类种子和种群最优种子的信息.将该算法应用于5个基准数值函数优化问题,计算结果验证了本文算法在找到多个极值点的前提下有效地减少了计算量、提高了进化效率.     

双种群粒子群算法及其在UUV路径规划中的应用

提出一种双种群粒子群算法,在粒子进化过程中,具有当前最优位置的种群侧重于局部搜索,而不具有当前最优位置的种群侧重于全局搜索。两个种群在进化过程中受共同的群体最优位置影响进行进化,从而实现信息共享,协调进化。利用几个测试函数对算法性能进行分析验证,并与其他改进算法进行比较,结果表明算法在搜索精度、稳定性以及搜索速度上均优于改进算法。将双种群粒子群算法用于UUV三维空间轨迹规划问题,获得了满意的规划效果。     

基于基因库的最优个体保存遗传算法

针对一般最优个体保存方法的缺陷,提出了一种基于基因库的最优个体保存遗传算法。其基本思想是:对每代种群建立一个基因库,将该代种群中的若干较优个体存入基因库;对每个基因库设定一个距离di,将基因库中的较优个体与最优个体进行距离比较,然后将距离大于di的较优个体保留在基因库中,而将距离小于di的较优个体剔除出基因库。数值计算表明,这种新的算法既提高了收敛速度,又提高了种群的多样性,避免了过早收敛于局部最优解的现象。     

基于物种选择的遗传算法

分析了以往的遗传算法适应度函数设计通常只针对目标函数,而没有考虑自变量.将物种的概念引入遗传算法,提出了根据种子到当前最优点的距离将种群分为两个物种,一个为当前最优物种,另一个为物种仓库,对此两个物种分别以不同的交叉概率和变异概率进行遗传运算,用以平衡种群的"选择压力"和"种群多样性".数值结果表明了本方法的有效性和稳定性.     

改进的蜜蜂进化型遗传算法

提出一种改进的蜜蜂进化型遗传算法.在该算法中,种群的最优个体作为蜂王与被选的每个个体(雄蜂)以一定概率进行交叉操作,从而增强了对种群最优个体所包含信息的开采能力;同时,为了避免过早收敛,算法在种群次优解周围进行局部搜索,引入新的随机个体,增加算法的多样性.实验结果表明,该算法能有效地提高遗传算法性能的求解精度和收敛速度.     

基于学习的进化规划算法

提出基于学习的进化规划算法，用以改进普通进化规划算法的性能，该算法－方面通过学习种群整体的进化信息用以改善种群整体性能，具有大范围快速搜索的特点，另一方面该算法强调学习种群中个体的进化信息，单一个体以当前代的最优化个体作为学习目标，用以加大当前最优解附近的搜索力度，具有局部“细搜”的特点，该进化规划算法不仅能够加快算法的收敛速度，而且能够有效地保证种群的多样性，用该方法可求解具有多个极值点的函数优化问题，计算要仿真实验结果表明该方法是非常有效的。     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

小生境粒子群优化算法

针对粒子群算法容易早熟收敛和后期收敛速度慢的缺点,结合进化论中小生境技术,提出了小生境粒子群优化算法。通过粒子之间的距离找到具有相似距离的粒子个体组成小生境种群,然后在该种群里面利用粒子群优化算法进化粒子,所有个体经过其小生境群体的进化之后,找到最优的个体存入到下一代的粒子群中,直到找到满意的适应值为止。最后利用Shaffer函数验证了该算法的性能,并且与其他算法进行比较,结果表明该文算法能获得比较好的解,收敛成功率高,并且代价也比较小。     

广播网络病毒进化模型算法研究

病毒进化优化对计算机或生物病毒在网络系统中的扩散过程进行研究,是在有限网络资源情况下对病毒进化速度进行控制和研究网络用户如何被感染的行为。病毒进化优化通过连通图上的动态概率系统来建模,传统的病毒进化模型中对于病毒的进化模型进行描述时,需要解决一个以非负矩阵的谱半径为优化目标的非凸优化问题。基于此,提出了两类新的近似算法：第一种算法基于连续凸近似,为次优算法,但计算速度较快;第二种为基于分支定界的全局最优计算方法,通过非负矩阵的关键不等式获取全局最优解。通过和传统的进化模型进行仿真实验,仿真实验结果表明,新的算法能够使病毒进化过程收敛到全局最优值,并且在不同网络环境下均具有快速的收敛性能。     

一种基于CHC算法的自动组卷方法*

利用改进的遗传算法——跨世代异物种重组大变异(cross generation heterogeneous recombination cataclysmic mutation,CHC)算法提出了一种自动组卷方法。初始种群即初始试卷集利用具有启发式信息的搜索算法产生;适应度函数是用户指定的试卷总体指标与试卷实际指标绝对误差的加权和;选择操作群体为当前群体与上世代群体的群体总和,因为大个体群操作可以更好地保持遗传多样性;交叉操作采用单点交叉方法。变异操作的步骤是：从上世代个体中挑选适应度较差的个体,对其中的     

多模态多目标差分进化算法求解非线性方程组

针对当前算法在求解非线性方程组时面临解的个数不完整、精确度不高、收敛速度慢等问题进行了研究,提出一种多模态多目标差分进化算法。首先将非线性方程组转换为多模态多目标优化问题,初始化一个随机种群并对种群中全部个体进行评价;然后通过非支配解排序和决策空间拥挤距离选择机制,挑选种群中的一半优质个体进行变异;接着在变异过程中采用一种新的变异策略和边界处理方法以增加解的多样性;最后通过交叉和选择机制使优质个体进行进化,直到搜索到全部最优解。在所选测试函数集和工程实例上的实验结果表明,该算法能有效地搜索到非线性方程组的解,并通过与当前四个算法进行比较,该算法在解的数量和成功率上具有优越性。     

基于邻域差分和协方差信息的单目标进化算法

复杂的单目标优化问题是进化计算领域的一个研究热点问题.已有差分进化和协方差进化被认为是处理该问题的较有效的方法,其中差分信息类似于梯度可以有效的指导算法朝着最优解方向搜索,而协方差则是基于统计的方式来生成较优的子代种群.本文引入了协方差信息对差分算子进行改进,提出了一种基于邻域差分和协方差信息的进化算法（DEA/NC）来处理复杂的单目标优化问题.算法对现有差分算子中通常采用的随机选点或结合当前最优解进行差分的方式进行了分析,当随机选择的差分个体间的差异较大时,差分信息不能作为一种局部的梯度信息来指导算法的搜索;而结合最优解的差分信息又会使得种群朝着当前最优解的方向搜索,导致种群快速的陷入局部最优.基于此,本文采用了邻域差分的方式来提高差分算子的有效性,同时避免种群的多样性丢失.另外,引入了协方差来度量个体变量间的相关度,并利用相关度来优化差分算子.最后,算法对cec2014中的单目标优化问题进行了测试,并将实验结果与已有的较好的差分进化算法进行了比较,实验结果表明了本算法的有效性.     

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。     

基于搜索空间划分与Canopy K-means聚类的种群初始化方法

为了提高差分进化算法对搜索空间的探索与开发能力,提高差分进化算法的收敛性与算法的进化效率,提出一种基于搜索空间均匀划分与局部搜索和聚类相结合的种群初始化方法.该方法首先对决策变量空间进行均匀划分,并从各个子空间中随机选择一个个体,得到的个体能够覆盖整个搜索空间;然后,利用Hooke-Jeeves算法对各子空间进行局部搜索得到局部最优的个体,并结合改进的Canopy算法与K-means聚类算法,辨识搜索空间中的前景区域,以此为基础对局部搜索产生的局部最优个体进行筛选,最终生成初始种群中的个体.通过与其他种群初始化方法对CEC2017中5个测试函数进行实验对比,所提出的方法的运行时间可缩减为已有方法的0.75倍,适应度函数可减少为已有方法的0.03倍,且具有最小的标准差以及最优的收敛特性.     

基于文化混合优化算法的旅行商问题求解

为更好地求解TSP问题,将遗传算法与模拟退火算法结合并纳入文化算法体系,提出一种求解旅行商问题的文化混合优化算法。该算法空间可分为独立并行的两部分：种群空间和信度空间。种群空间按照遗传退火混合算法实现进化,并将进化中的较优个体提供给信度空间,信度空间提取并利用较优个体所包含的信息来引导种群进化。通过求解TSP标准测试问题,将文化混合优化算法所求得的最优路径与其他优化算法所求结果相比,算法偏差均可降低0.6%～13.01%,表明了文化混合优化算法求解TSP问题的有效性与优越性。     

Backtracking biogeography-based optimization for numerical optimization and mechanical design problems

As a novel Evolutionary Algorithm (EA), Biogeography-Based Optimization (BBO), inspired by the science of biogeography, draws much attention due to its significant performance in both numerical simulations and practical applications. In BBO, the features in poor solutions have a large probability to be replaced by the features in good solutions. The replacement operator is termed migration. However, the replacement causes a loss of the features in poor solutions, breaks the diversity of population and may lead to a local optimal solution. To overcome this, we design a novel migration operator to propose Backtracking BBO (BBBO). In BBBO, besides the regular population, an external population is employed to record historical individuals. The size of external population is the same as the size of regular population. The external population and regular population are used together to generate the next population. After that, the individuals in external population are randomly selected to be updated by the individuals in current population. In this way, the external population in BBBO can be considered as a memory to take part in the evolutionary process. The memory takes into account both current and historical data to generate next population, which enhances algorithm’s ability in exploring searching space. In numerical simulation, 14 classical benchmarks are employed to test BBBO’s performance and several classical nature inspired algorithms are use in comparison. The results show that the strategy in BBBO is feasible and very effective to enhance algorithm’s performance. In addition, we apply BBBO to mechanical design problems which involve constraints in optimization. The comparison results also exhibit that BBBO is very competitive in solving practical optimization problems.     

基于反馈和混沌变异的自适应进化策略*

为了提高进化策略的搜索精度和全局搜索能力,提出了一种基于反馈和混沌变异的改进进化策略,将各代当前最优搜索结果反馈到变异步长的更新公式中,通过对变异算子中随机数方差的调整使进化策略的变异步长随搜索过程自适应地变化,同时根据混沌运动具有遍历性的特点,利用混沌变异产生个体,保证种群中的部分个体在搜索后期仍保持较大的跳出局部极小的能力,从而达到提高算法全局搜索能力和搜索精度。为了对比改进后进化策略与常规进化策略的优化效果,利用三个测试函数对两种进化策略进行了仿真测试,测试结果表明,与常规进化策略相比,提出的基于反     

垂直结构群落系统优化算法

为了求解一类复杂非线性优化问题的全局最优解,基于采用垂直结构群落动力学理论,提出了一种新的垂直结构群落系统优化算法,简称为VS-CSO算法。该算法将优化问题的搜索空间视为一个生态系统,该生态系统具有若干个垂直结构分叉营养水平,在各个营养水平中生活着不同种类的生物种群;在每个种群内,有若干生物个体在活动;生物个体不能跨种群迁移,但在同类种群中会相互影响。各种群以循环捕食-被食或资源-消耗连接在一起。运用垂直结构群落动力学模型开发出了通吃算子、择食算子、干扰算子、侵染算子、新生算子、死亡算子。其中,通吃算子和择食算子可实现个体跨种群的信息交换,而干扰算子和侵染算子可实现种群内部个体之间的信息交换,从而确保个体间信息的充分交换;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,从而大幅提升算法跳出局部陷阱的能力。在求解过程中,VS-CSO算法每次只对极少变量进行处理,因此可求解高维优化问题。测试结果表明,VS-CSO算法能求解一类非常复杂的单峰函数、多峰函数和复合函数优化问题,其求精能力、探索能力及两者的协调性均优良,且具有全局收敛性的特点。该算法为求解一些较高维复杂函数优化问题的全局最优解提供了可行方案。     

基于遗传算法的最优直方图阈值图像分割算法

为了保证遗传算法能够尽快收敛到全局最优解，避免早熟现象发生，提出了适应度标定公式，保证适应度函数值总为正值。新的适应度函数能够正确引导群体的发展方向，提高选择压力；提出了相似度概念，保留相似性差的个体，剔除相似性个体。在不增加群体规模的前提下，增加了群体的多样性。为了有效地对图像进行分割，提出基于改进遗传算法的图像分割方法，采用Otsu公式，找出分割图像最优阈值。给出不同改进遗传算法计算实例比较和不同图像分割方法效果图。