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.     

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。     

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。     

具有脉冲毒素输入的生态毒理动力学的函数优化方法

为了解决某些函数优化问题,基于具有脉冲毒素输入的生态毒理动力学模型提出了可全局收敛的函数优化算法。在该算法中,令环境系统与优化问题的搜索空间相对应,该环境系统存在污染现象,污染源定期地向环境系统注入有毒污染物。有多种不同类型的种群生活在该环境系统中,不同类型的种群之间存在竞争关系和捕食-被捕食关系,每个种群对应着优化问题的一个试探解。将生态毒理动力学模型映射成对种群的特征的变化规律的描述,利用环境和种群以及种群与种群之间的相互作用构造种群的进化算子,这些算子从多种角度实现了种群与环境以及种群与种群之间的信息交换。结果表明:因环境污染影响的是种群的很少部分特征,当种群演化时,只涉及到很少一部分特征参与运算,故收敛速度可得到提升;环境系统脉冲式注入毒素,可以导致种群的特征状态值发生突然改变,这种特点有利于使搜索跳出局部最优解陷阱;使能够抵抗污染的强壮种群获得生长,而无法抵抗污染的虚弱种群则停止生长,此特点确保了该算法具有全局收敛性。测试结果表明:对某些函数优化问题的求解,本算法与已有的群智能优化算法相比,均具有较高的精度和性能。     

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.     

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.     

生态毒理动力学函数优化方法

基于生态毒理动力学模型构造出可全局收敛的函数优化算法。在该算法中,将优化问题的搜索空间看成一个存在污染现象的环境系统,将一个试探解看成一个种群,采用生态毒理动力学模型对种群生长特征的变化规律进行描述。种群在污染作用下不断发生变化,能够抵抗住污染的强壮种群能够获得生长,而无法抵抗住污染的虚弱种群则停止生长。用环境和种群以及种群与种群之间的相互作用关系构造进化算子,这些算子从多种角度实现了种群之间的信息交换。因环境污染影响的是种群的很少部分特征,当种群演化时,只涉及到很少一部分种群特征参与运算,故提高了算法的收敛速度。测试结果表明本算法的精度和性能优于已有的群智能优化算法。     

求解TSP问题的一种改进的+进制MIMIC算法

十进制MIMIC算法是基于MIMIC二进制编码算法思想的可用来求解TSP的离散分布估计算法。着重考虑该算法在较大规模TSP问题上的算法缺陷,对其编码方式和概率模型进行了改进,提出了新的个体生成策略,在初始化种群阶段使用了贪心算法,在进化过程中引入了杂交算子、变异算子、映射算子、优化算子等演化算子,采用了动态调整方法来确定优势群体的规模。以上改进使得算法在小种群解大规模TSP问题的情况下仍可保持种群的多样性。实验结果表明,改进算法在求解规模、求解质量和寻优速度上都有明显提高。