具有混沌局部搜索策略的差分进化全局优化算法

提出了一种具有混沌局部搜索策略的差分进化全局优化算法(CLSDE),它是在每一代中通过DE/best/1/bin形式的差分进化算法找到最佳个体,然后在最佳个体的附近用混沌的方法进行局部搜索。8个基本的测试函数优化结果表明:若误差函数精度为10-10,CLSDE寻优成功率比DE和SACDE都要高,而且收敛速度比DE和SACDE都要快。     

改进的自适应混沌差分进化算法

为了提高差分进化算法的寻优速度、克服启发式算法常见的早熟收敛问题, 提出一种基于帐篷映射(Tent)的自适应混沌嵌入式差分进化算法(CLSDE). 算法采用 Tent 映射生成的混沌序列来取代基本DE算法选择操作中的随机数, 充分利用了混沌运动的随机性、遍历性和规律性. 通过与混沌PSO算法与普通的DE算法比较, 测试函数仿真结果表明, 该算法具有良好的全局搜索能力, 寻优精度较高, 收敛速度快, 鲁棒性好.     

一种混沌差分进化和粒子群优化混合算法*

为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。     

具有混沌差分进化搜索的人工蜂群算法

针对人工蜂群算法的不足,结合差分进化算法中的变异思想,提出一种改进的人工蜂群算法。其基本思想是在标准人工蜂群算法中观察蜂更新蜜源的阶段,使用差分进化算子对蜜源进行更新,在差分变异算子中引入混沌序列,以提高观察蜂在此阶段的局部搜索能力,最终获得最优蜜源。仿真结果表明,引入混沌差分进化搜索的蜂群算法无论在解的求解精度上还是算法的收敛速度上均优于标准人工蜂群算法,适合于复杂函数的全局优化问题。     

基于混沌和高斯局部优化的混合差分进化算法

针对标准差分进化(DE)算法在高维复杂函数优化中易早熟收敛,进而导致搜索精度降低甚至优化失败的问题,提出一种基于混沌和高斯局部优化的混合差分进化算法(CGHDE).该算法在进化初期利用混沌的遍历性,可有效地避免算法陷入局部最优;而在进化后期,采用高斯搜索又可有效地提高收敛精度.实验表明,CGHDE算法对函数维度的敏感性大大低于标准DE算法,并且寻优能力强、稳定性好、搜索精度高,特别适合于工程中高维复杂函数的优化问题.     

基于小生境的混沌变异差分进化算法

针对高维复杂函数的优化问题,提出了基于小生境的混沌变异差分进化算法（CNDE）。算法结合小生境策略,使子种群高效独立地进行搜索,并引入混沌变异进行精细的遍历搜索,在运行中根据迭代次数自动地调整交叉概率因子从而使搜索的初始阶段提高种群多样性,而在搜索后期加强局部搜索能力。对3种经典函数的测试表明,新算法不仅具有很强的全局搜索能力,而且能有效避免早熟收敛问题。     

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO。引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力。8个单峰和多峰基准函数优化求解的测试结果表明,CODEGWO算法可以有效提升寻优精度和收敛速度。     

一种新的混沌差分进化算法

提出一种新的混沌差分进化(CDE)算法,在每一代中通过差分进化(DE)算法找到最佳个体,在最佳个体附近用混沌方法进行局部搜索,通过引入调节因子加强其搜索能力。6个基本测试函数的优化结果表明,当误差函数精度为10-14时,与DE相比,CDE的寻优能力更强、收敛速度较快。     

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.     

基于滤子混合协同进化算法的无功优化

混合整数非线性规划问题存在于大量工程和管理中,针对此问题提出一种滤子混合协同进化算法.利用滤子技术代替罚函数处理约束条件,采用混合编码和由差分进化算法与遗传算法异构的种群协同解决混合整数变量问题,引入基于平均熵和Logistic混沌初始化增加算法鲁棒性,利用自适应缩放因子和精英交流学习策略构成策略协同,与种群协同耦合,以提高算法搜索能力.以IEEE30节点测试系统进行无功优化为例,仿真结果表明所提出的算法具有全局搜索能力和有效性.     

自适应策略的混沌局部搜索遗传算法

提出了一种自适应策略的混沌局部搜索遗传算法（ACLSGA）,它是遗传算法中每一代的所有个体经过一次遗传操作之后得到一个最佳个体,通过自适应策略决定是否在最佳个体附近进行混沌局部搜索。4个基本的测试函数优化结果表明：ACLSGA比具有精英保留选择机制的实数编码的遗传算法（RGA）的全局搜索能力强,收敛速度快。     

一种改进的约束优化粒子群算法*

提出一种新的约束优化粒子群算法。该算法采用非固定多段映射罚函数法处理约束条件。在进化过程中,利用混沌序列初始化种群,选取最优粒子进行局部一维搜索,增强了在最优点附近的局部搜索能力,以加快算法的收敛速度;引入维变异方法保持种群的多样性。数值实验结果表明了该算法的有效性。     

Two hybrid differential evolution algorithms for engineering design optimization

This paper presents two hybrid differential evolution algorithms for optimizing engineering design problems. One hybrid algorithm enhances a basic differential evolution algorithm with a local search operator, i.e., random walk with direction exploitation, to strengthen the exploitation ability, while the other adding a second metaheuristic, i.e., harmony search, to cooperate with the differential evolution algorithm so as to produce the desirable synergetic effect. For comparison, the differential evolution algorithm that the two hybrids are based on is also implemented. All algorithms incorporate a generalized method to handle discrete variables and Deb's parameterless penalty method for handling constraints. Fourteen engineering design problems selected from different engineering fields are used for testing. The test results show that: (i) both hybrid algorithms overall outperform the differential evolution algorithms; (ii) among the two hybrid algorithms, the cooperative hybrid overall outperforms the other hybrid with local search; and (iii) the performance of proposed hybrid algorithms can be further improved with some effort of tuning the relevant parameters.     

求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。     

结合增广Lagrange罚函数的约束优化差分进化算法

利用增广Lagrange罚函数处理问题的约束条件,提出了一种新的约束优化差分进化算法。基于增广Lagrange惩罚函数,将原约束优化问题转换为界约束优化问题。在进化过程中,根据个体的适应度值将种群分为精英种群和普通种群,分别采用不同的变异策略,以平衡算法的全局和局部搜索能力。用10个经典Benchmark问题进行了测试,实验结果表明,该算法能有效地处理不同的约束优化问题。