基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。     

蜜蜂双种群进化型遗传算法

为了改善传统遗传算法的性能,由蜜蜂种群繁殖进化的方式得到启发,提出了一种蜜蜂双种群进化型遗传算法(DBPGA).算法共有两个种群,一个是通过迭代进行遗传操作得到的;另一个在每代进化过程中随机引入.每个种群中的最优个体作为蜂王分别以概率与其它个体(雄蜂)进行交配操作.既能增强对种群最优个体所包含信息的开采能力,又能提高算法的勘探能力,从而避免算法过早地收敛.实验结果表明,该算法对于改进和提高遗传算法性能及求解连续非线性规划问题是有效可行的.     

长链树状无线传感器网络中遗传蚁群路由优化算法

为提高长链树状无线传感器网络的服务质量(QoS),本文用云遗传蚁群网络算法对无线传感器网络路由进行优化.算法中将正向蚂蚁根据节点负载情况发现的可行路径作为遗传算法的初始种群进行染色体编码,用路径时延、跳数及链路质量定义的适应度函数对染色体进行评价;利用正态云发生器实现路径的交叉和变异操作,逆向蚂蚁对优化后的路径进行信息素更新.仿真结果表明该路由算法能够满足无线传感器网络的实时性、可靠性等方面的要求,实现了网络的负载平衡及拥塞控制机制.     

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.     

基于云遗传的RBF神经网络的交通流量预测

以神经网络和混沌时间序列理论为基础,提出了一种基于云遗传的RBF神经网络优化算法。该算法利用云模型云滴的随机性和稳定倾向性的特点,由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,提高了遗传搜索的效率,精简了网络结构。将该算法应用到Logistic混沌时间序列和实测交通流时间序列进行算法的有效性验证,并与传统的RBF算法和遗传算法优化的RBF算法（GARBF）进行比较。仿真结果表明该算法对混沌时间序列和交通流预测的精度有较大提高,从而证明该算法在交通流时间序列预测领域的可行性和有效性。     

云自适应遗传算法

传统自适应遗传算法(AGA)虽能有效提高收敛速度,却难以增强算法的鲁棒性.以当代种群平均适应度为期望Ex,根据云模型"3En"规则确定熵En,由X条件云发生器自适应调整交叉变异概率,提出云自适应遗传算法(CAGA).由于云模型云滴具有随机性和稳定倾向性特点,使交叉变异概率值既具有传统AGA的趋势性,满足快速寻优能力;又具有随机性,且当种群适应度最大时并非绝对的零概率值,有利于提高种群多样性,从而大大改善避免陷入局部最优的能力.典型函数优化实验表明,与标准遗传算法(SGA)和AGA相比,CAGA具有更好的收敛速度和鲁棒性.     

一种基于蜜蜂双种群进化的遗传算法

提出了一种基于蜜蜂双种群进化的遗传算法（BDPGA）。算法共有两个种群,一个是通过迭代进行遗传操作得到的,一个是在每代进化过程中随机引入的。每个种群中的最优个体作为蜂王分别以概率与其它个体（雄蜂）进行交配操作。既能增强对种群最优个体所包含信息的开采能力,又能提高算法的勘探能力,从而避免算法过早地收敛。实验结果表明,该算法对于改进和提高遗传算法性能是有效可行的。     

融合云模型和反向学习的克隆选择算法

为了进一步改善高维对象优化时免疫克隆算法的种群多样性,提高算法全局优化能力和搜索效率,提出了融合云模型和反向学习的克隆选择算法。引入云模型概念,使用正向云发生器产生云变异因子,进而对克隆后种群进行变异;利用反向学习策略,对变异前后的种群求反向解,进而实现种群抗体选择;通过马尔可夫链理论证明了算法收敛性。六组高维函数测试结果表明,与差分遗传算法、免疫遗传算法和自适应混沌克隆选择算法相比,该算法实现了100%的寻优,且最小收敛代数、平均收敛代数及迭代代数标准差分别平均减少33.7%、19.8%、29.1%,从而验证了其强优化能力、高搜索效率和好稳定性。     

混沌蜜蜂双种群进化遗传算法

利用混沌运动的遍历性、随机性和规律性等特点,提出混沌蜜蜂双种群进化遗传算法。该算法在基于蜜蜂双种群进化遗传算法的基础上,利用混沌优化进行改善初始种群质量和利用混沌退化变异算子代替常规算法中的变异算子,避免搜索过程陷入局部极值。实验结果表明,该算法计算速度快、收敛性好,提高了常规遗传算法的收敛速度和优化效果。     

基于正态云自适应遗传算法的无人机航路规划

为了克服标准遗传算法在无人机航路规划中存在的搜索速度慢、容易陷入局部最优等缺点,应用一种基于正态云改进的自适应遗传算法。建立无人机航路规划模型,将地理直角坐标系旋转,引入转弯角度约束,简化遗传编码的复杂度。改进算法由X条件云发生器产生种群的交叉概率和变异概率组成。正态云滴的稳定倾向性保护较优个体从而对全局最优值进行自适应定位,随机性保持个体多样性从而避免搜索陷入局部极值。仿真结果表明,该算法能使无人机在战场环境中快速地选择最优航路,规划的效率和成功率相对于标准遗传算法有明显提高,具有良好的应用前景。     

多群体云人口迁移算法

在原人口迁移算法的基础上,提出一种多群体云人口迁移算法(CMPMA)。利用云模型云滴的随机性和稳定倾向性的特点,通过改变云发生器的参数,由基本云发生器分别实现初始群体的生成和改进的人口流动操作,同时,增加了群最优记录,由多个人口群体同时进化寻优,显著提高了算法的运行效率和求解质量。通过典型函数和实例测试验证,算法是可行、有效的。     

基于自适应云粒子群算法的Wiener模型辨识

针对非线性系统Wiener模型的系统辨识问题,提出一种基于自适应云模型的粒子群优化(ACMPSO)算法的辨识方法。ACMPSO算法利用云模型实现优秀粒子的遗传和进化操作,根据进化状况动态调整云模型的参数,自适应地控制云模型算法的寻优范围和精度,有较强的全局搜索和局部求精能力。仿真实验证明该算法寻优精度高于其他主要PSO算法;将该算法应用于Wiener模型的系统辨识,通过实验证明了该辨识方法优于当前其他方法。     

一种带规范知识引导的改进人工蜂群算法

针对数值函数优化问题,提出一种改进的人工蜂群算法.受文化算法双层进化空间的启发,利用信度空间中的规范知识引导搜索区域,自适应调整算法的搜索范围,提高算法的收敛速度和勘探能力.为保持种群多样性,设计一种种群分散策略,平衡群体的全局探索和局部开采能力,并且在各个进化阶段采用不同的方式探索新的位置.通过对多种标准测试函数进行实验并与多个近期提出的人工蜂群算法比较,结果表明该算法在收敛速度和求解质量上均取得较好的改进效果.     

Bee colony optimization for combined heat and power economic dispatch

This paper presents a novel optimization approach to the combined heat and power economic dispatch problem by using bee colony optimization algorithm. The algorithm is a swarm-based algorithm inspired by the food foraging behavior of honey bees. The performance of the proposed algorithm is validated by illustration with a test system. The results of the proposed approach are compared with those of particle swarm optimization, real-coded genetic algorithm and evolutionary programing techniques. From numerical results, it is seen that bee colony optimization based approach is able to provide a better solution at a lesser computational effort.     

基于云遗传退火的贝叶斯网络结构学习算法

针对贝叶斯网络结构学习对算法高效性的要求,提出将云遗传算法和模拟退火算法相结合的云遗传模拟退火算法,以云遗传算法的选择、云交叉和云变异来完成模拟退火算法中的更新解操作;同时,针对算法在特定条件下陷入早熟收敛的问题,提出了改进的云交叉算子和云变异算子。仿真实验结果表明,所提云遗传模拟退火算法能有效提高贝叶斯网络学习的效率和准确性。     

布谷鸟搜索算法研究及其应用进展

为进一步加强布谷鸟算法的搜寻能力并提升收敛速度,加快对算法的研究与应用进程,综述了布谷鸟算法的原理、研究概况和其他同类群体智能优化算法的比较及发展趋势。首先给出了算法的基本模型和实现步骤;然后重点阐述了基于发现概率和步长控制量、基于自适应步长、基于混沌理论、与其他算法混合、基于种群特征和种群变异、结合优化策略及基于种群多样性等方面的改进方法,总结了算法的主要应用领域及其进展;随后将其与遗传算法、蚁群优化算法、粒子群优化算法及人工蜂群优化算法的优点、缺点及适用性诸方面进行了对比;最后指出了布谷鸟搜索算法尚存在的缺陷并对进一步的研究方向进行了展望。