自适应变异尺度系数和混合选择的回溯搜索算法

回溯搜索算法（Backtracking Search Optimization Algorithm,BSA）是一种基于种群的进化算法。该算法有良好的全局搜索性能,但存在收敛速度慢的缺点。针对这一缺点,提出了自适应变异尺度系数和混合选择的改进的回溯搜索算法。改进的变异尺度系数是基于Metropolis准则提出的,它的总体趋势自适应减小。改进的选择策略是整体[q]%择优法与锦标赛选择法的混合选择机制,在选择过程中使一定比例的优秀个体优先进入下一代,剩余个体对位选取适应度较高的个体。对5个复杂的约束优化问题进行仿真实验,得到的实验结果分别与原算法和众多同类算法进行了比较,实验结果表明了改进算法的有效性和良好竞争力。     

基于准反向变异的实数笛卡尔遗传编程算法

针对传统笛卡尔遗传编程（CGP）算法变异操作多样性的缺乏以及其使用的进化策略本身的局限性,提出了一种基于准反向变异的实数笛卡尔遗传编程算法（AD-RVCGP）。首先,和传统CGP一样,AD-RVCGP在进化过程中采用1+λ的进化策略,即由一个父代个体只通过变异操作产生λ个子代个体;其次,该算法在进化过程中动态选择准反向变异算子、末端变异算子和单点变异算子,并且利用反向个体的信息进行变异操作;最后,算法在进化过程中根据进化阶段的状态来选择不同的父代个体用于生成下一代个体。在符号回归问题的测试上,相较于传统CGP,AD-RVCGP的收敛加快了约30%,运行时间少了约20%;另外该算法求得的最优解与真实最优解误差更小。实验结果表明,AD-RVCGP具有较高的收敛速度和问题求解精度。     

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。     

多策略协方差矩阵学习差分进化算法

针对差分进化算法（DE）存在的早熟收敛和搜索停滞的问题,提出了多策略协方差矩阵学习的差分进化算法。通过协方差矩阵建立特征坐标系,通过在特征坐标系中执行变异和交叉操作,来充分利用当前种群的分布信息以及各变量之间的关系,保证种群能朝着全局最优解的方向进化;根据历史进化信息来选择变异策略的方式使得个体能选择当前最合适的变异策略,提高找到最优解的概率;交叉概率的自适应也一定程度上平衡算法的全局探索能力和局部探索能力。对算法的收敛性进行了证明,同时将算法在CEC2017测试集上进行了仿真实验,并将实验结果跟其他优秀的差分进化算法进行了对比,对比结果表明了该算法的有效性。     

一种带差分局部搜索的改进型NSGA2算法

NSGA2算法以其Pareto支配的选择模式并辅以解个体密度估计算子选择胜出解的策略而成为了现代多目标进化算法的典范,但是该算法通过计算解个体的聚集距离来保持群体的分布性的机制存在一定的缺陷.鉴于此,提出了一种带差分局部搜索的改进型NSGA2算法.新算法利用差分进化中变异算子的定向引导作用,抽取其中的差分向量,并与NSGA2算法结合以改善解群的分布性.仿真实验表明:新算法较NSGA2算法在解群分布的均匀性和广度上有明显的改善.此外,新算法在时间复杂性方面与经典的NSGA2算法相当.     

基于Q学习的适应性进化规划算法

进化规划中, 个体选择变异策略特别重要. 适应性变异策略因在进化过程中动态选择个体变异策略, 能够取得较好的性能. 传统适应性变异策略都依据个体一步进化效果考察个体适应性, 没有从多步进化效果上对变异策略进行评价. 本文提出一种新的基于 Q 学习的适应性进化规划算法QEP (Q learning based evolutionary programming), 该算法将变异策略看成行动, 考察个体多步进化效果, 并通过计算 Q 函数值, 学习个体最优变异策略. 实验表明, QEP 能够获得好的性能.     

基于越界重置和高斯变异的蝙蝠优化算法

针对蝙蝠算法个体越界、易早熟收敛的问题，提出一种基于越界重置和高斯变异的蝙蝠优化算法。新算法将飞越解空间边界的个体拉回解空间内，利用越界重置策略重新分配位置。通过高斯变异策略控制个体的搜索范围，使种群以最优解为中心向四周呈放射状搜索，增强了算法的局部搜索和全局寻优能力。蝙蝠算法在靠近目标解时响度和脉冲发射频率更新不协调，影响了算法的持续进化能力,通过线性渐变策略保证响度和脉冲发射频率的变化与算法持续进化相适应。研究了在解空间不同位置关系的情况下新算法和对比算法的优化能力，并结合实验数据对算法收敛稳定性进行分析。实验结果表明，提出的新算法具有较好的收敛速度和精度，其全局寻优能力和高维问题优化能力体现了很好的鲁棒性。     

基于父个体相似度的自适应遗传算法

标准遗传算法在产生后代个体时采用先交叉后变异的策略,一方面当父个体非常相似时,交叉操作很难产生新的个体,影响算法对新的解空间进行搜索,从而导致种群多样性的丧失;另一方面交叉产生的优秀个体再历经变异,极有可能遭破坏而影响算法的收敛性。该文根据染色体的相似性,给出了个体相似度的概念,并在此基础上提出了依据父个体相似度的大小自适应地选择遗传算子(交叉或变异)的遗传算法。仿真实验表明,与采用常规遗传策略的遗传算法相比,新算法能显著提高解的质量和收敛速度。     

多目标强度Pareto 混沌差分进化算法

提出一种多目标强度Pareto混沌差分进化算法(SPCDE).首先利用Tent映射进行种群的混沌初始化,采用一种基于均匀排挤机制的截断排挤操作和混沌替换操作进行种群的环境选择操作;然后基于一种变缩放因子的差分变异策略进行变异操作,通过计算支配关系得到变异个体;最后通过支配关系的计算和环境选择操作进行进化选择操作并得到子代个体.以上操作不仅提高了算法的收敛性能,而且保证了Pareto最优解的均匀分布性.数值实验结果表明了该算法的有效性.     

随机扰动不同种群变异策略的多目标进化算法

为了提高多目标优化问题非支配解集的收敛性和多样性,解决算法后期易陷入局部最优的问题,根据不同差分进化策略特点,添加随机扰动,基于改进切比雪夫机制提出了一种自适应差分进化策略的分解多目标进化算法（MOEA/D-ADE-levy）。首先使用混合水平正交实验产生均匀权重向量并应用于改进切比雪夫机制分解子问题得到均匀分布的初始种群;其次将种群分为优秀个体、中间个体和较差个体,对不同个体采用不同的变异策略,对变异因子F和交叉概率CR采用自适应机制,提高非支配解集的收敛性和多样性;最后对陷入局部最优的解集增加levy随机扰动,增大其全局搜索的能力,跳出局部最优。采用DTLZ测试函数验证算法有效性,将所提算法与NSGA2、NSGA3、MOEA\D、MOEA\D-DE等常用算法进行比较,使用GD和IGD评价指标对算法进行多样性和收敛性分析,实验结果表明,该算法在收敛性和多样性方面得到了改进与提高,能得到更优的Pareto解集。     

基于快速收敛遗传算法的S盒的优化算法

采用遗传算法来对S盒进行优化，并引入了启发式变异策略。实验表明，这种变异规则能够显著地提高算法的搜索效率，可以加快算法的收敛速度。此外，采用最佳个体保存法的选择策略可以减少额外的计算量。基于该方法，给出了6×6的S盒优化的完整程序描述，并获得了一批高非线性度和低差分均匀度的S盒。     

An approaching genetic algorithm for automatic beam angle selection in IMRT planning

A method named approaching genetic algorithm (AGA) is introduced to automatically select the beam angles for intensity-modulated radiotherapy (IMRT) planning. In AGA, the best individual of the current population is found at first, and the rest of the normal individuals approach the current best one according to some specially designed rules. In the course of approaching, some better individuals may be obtained. Then, the current best individual is updated to try to approach the real best one. The approaching and updating operations of AGA replace the selection, crossover and mutation operations of the genetic algorithm (GA) completely. Using the specially designed updating strategies, AGA can recover the varieties of the population to a certain extent and retain the powerful ability of evolution, compared to GA. The beam angles are selected using AGA, followed by a beam intensity map optimization using conjugate gradient (CG). A simulated case and a clinical case with nasopharynx cancer are employed to demonstrate the feasibility of AGA. For the case investigated, AGA was feasible for the beam angle optimization (BAO) problem in IMRT planning and converged faster than GA.     

A novel micro-population immune multiobjective optimization algorithm

In this paper, we present a novel immune multiobjective optimization algorithm based on micro-population, which adopts a novel adaptive mutation operator for local search and an efficient fine-grained selection operator for archive update. With the external archive for storing nondominated individuals, the population diversity can be well preserved using an efficient fine-grained selection procedure performed on the micro-population. The adaptive mutation operator is executed according to the fitness values, which promotes to use relatively large steps for boundary and less-crowded individuals in high probability. Therefore, the exploratory capabilities are enhanced. When comparing the proposed algorithm with a recently proposed immune multiobjective algorithm and a scatter search multiobjective algorithm in various benchmark functions, simulations show that the proposed algorithm not only improves convergence ability but also preserves population diversity adequately in most cases.     

函数全局优化的改进实数遗传算法

针对有界区域复杂函数的全局优化问题,分析了一般实数遗传算法的不足,提出了一种新的改进实数遗传算法。在改进算法中,个体的适应度值直接按其目标值排序的方法获得,这可避免进化后期陷入局部极值;基于适应度的线性逼近交叉策略,随机遍历抽样选择、最优保存和子代淘汰父代选择结合的混合选择策略及变异概率动态变化的实值变异策略,可使算法以较快的速度收敛于最优值。对12个典型的复杂函数进行优化仿真,结果表明改进算法不仅收敛速度快,鲁棒性好,而且能得到较高的优化精度。     

标记平面立体线图的自适应遗传算法

针对由理查德·迈尔斯提出的标记线图的遗传算法进行改进：采取自适应参数调 整法,同一代中适应度高于平均的个体杂交和变异率动态变化,适应度低于平均的个体杂交和 变异率设为定值;在创建初始种群时加入了约束条件,旨在改善初始种群覆盖空间的不确定性 和个体分布的相对不合理性;修正了遗传算法的适应度函数,使得以个体适应度为指标的选择 算子能正确引导算法搜索解空间。用遗传算法标记 6 幅不同的线图,变量为杂交率、变异率公 式中的参数 a 和 c,分析算法标记成功率曲线的变化趋势,探讨算子参数设置对遗传算法性能 的影响,结果表明 c 属于区间[0,0.05],a 属于区间[0.8,1.0]且为标记线图的遗传算法的最优 参数设置。     

基于改进的蝙蝠算法在云计算中的资源分配

云计算中的资源分配一直都是研究的重点, 提出了一种基于改进的蝙蝠算法的云计算资源分配方法. 在蝙蝠算法中引入差分遗传算法, 通过变异, 交叉和选择等操作避免个体陷入局部最优, 以及过早产生最优解的可能,改进后的蝙蝠算法能够有效的提高收敛速度和精度. 仿真实验表明, 本文算法不但有效提高了算法性能, 还优化了云计算系统中的资源调度能力, 提高了云计算资源的利用率.     

Dynamic group-based differential evolution using a self-adaptive strategy for global optimization problems

This paper describes a dynamic group-based differential evolution (GDE) algorithm for global optimization problems. The GDE algorithm provides a generalized evolution process based on two mutation operations to enhance search capability. Initially, all individuals in the population are grouped into a superior group and an inferior group based on their fitness values. The two groups perform different mutation operations. The local mutation model is applied to individuals with better fitness values, i.e., in the superior group, to search for better solutions near the current best position. The global mutation model is applied to the inferior group, which is composed of individuals with lower fitness values, to search for potential solutions. Subsequently, the GDE algorithm employs crossover and selection operations to produce offspring for the next generation. In this paper, an adaptive tuning strategy based on the well-known 1/5th rule is used to dynamically reassign the group size. It is thus helpful to trade off between the exploration ability and the exploitation ability. To validate the performance of the GDE algorithm, 13 numerical benchmark functions are tested. The simulation results indicate that the approach is effective and efficient.     

免疫协同微粒群进化算法的永磁同步电机多参数辨识模型方法

针对永磁同步电机多参数辨识问题,提出一种基于免疫协同微粒群进化(Immune co-evolution particle swarm optimization, ICPSO) 算 法的永磁同步电机(Permanent magnet synchronous motor, PMSM) 多参数辨识方法.算法由记忆种群与若干个普通种群构成, 在进化过程中普通种群中优秀个体进入记忆库种群.普通种群内部通过精英粒子 保留、免疫网络以及柯西变异等混合策略共同产生新个体,个体极值采用小波学习 加快收敛速度,免疫克隆选择算法对记忆库进行精细搜索,迁移机制实现了整个种群 的信息共享与协同进化.永磁同步电机参数辨识结果表明该方法不需要知道电 机设计参数先验知识,能够有效地辨识电机电阻、 dq轴电感与转子磁链,且能有效追踪该参数变化值.