具有学习机制的离散差分演化算法

如何将差分演化算法应用于离散领域是目前该领域的一个热点研究问题。用分布佑计算法对搜索空间中优质解的分布进行建模,然后根据建立的模型抽样产生新解,利用分布佑计这种全局信息学习的机制,提出具有学习机制的离散差分演化算法并用于求解多维背包问题。实验结果表明,提出的算法具有良好的性能。     

自适应离散差分进化算法策略的选择

根据自适应离散差分进化（SaDDE）算法的提出过程,对算法策略选择问题进行了重点研究.策略池在SaDDE中起着重要作用,策略池的设计面临着3个问题,即：（1）怎样鉴别某个候选解产生策略（CSGS）是有效的还是无效的;（2）应该选择哪些CSGS组成策略池;（3）策略池的大小应该是多少.为了解决这些问题,提出了基于相对排列顺序的标度法（RPOSM）和基于RPOSM的层次分析法（RPOSM-AHP）.主要采用某电子对抗（electronic countermeasure,简称ECM）仿真实验平台上的6个测试实例（T_INS）进行测试实验.首先,设计了144个不同的CSGS,为了获得这些CSGS在求解问题上的性能排序序列,做了144×6个独立的实验;然后,采用RPOSM和RPOSM-AHP计算这144个CSGS的最终优先级向量;接着,设计了16个具有不同策略池大小的算法,然后在同样的6个测试实例上测试这些算法的性能;最后,再一次采用RPOSM和RPOSM-AHP为SaDDE寻找到了合适的策略池大小.与其他类似算法的对比实验结果表明：在有限的评估次数（NFE）内,SaDDE比同类算法性能优越.     

差分进化算法中参数自适应选择策略研究

参数选择本身是一个组合优化问题,尽管过去提出了很多方法,但是参数选择依然令人困惑,为此提出适用于差分进化算法的参数自适应选择策略。该策略在进化的过程中动态评估参数的性能,并根据其结果指导下一次迭代过程的参数选择。从参数库的建立、参数评分机制和参数配置机制3方面展开研究,对比实验结果表明,该方法效果良好。     

一种自适应多目标离散差分进化算法

提出一种自适应多目标离散差分进化算法。该算法将差分进化引入多目标优化领域,采用一种新的自适应离散差分进化策略增强算法的全局搜索能力,以获得更优的Pareto近似解,并结合Pareto快速分层排序策略和基于聚集密度的按层修剪操作对种群进行更新维护,使解集保持良好的多样性。实例测试和算法比较表明,该算法能有效求解离散域和连续域上不同类型的多目标优化问题,且在收敛性、分布性、稳定性方面均表现较好。     

基于改进离散差分进化算法的测试选择

针对武器装备系统的测试选择问题,首次提出利用基于混合策略的离散差分进化算法(MD-DDE)进行测试选择;重新定义种群中个体的含义,根据其容易陷入早熟的特点,引入自适应变化的缩放因子和交叉因子;采用混合差分策略,进一步平衡了算法的全局寻优和收敛速度的矛盾;在选择操作的基础上突出了优先级的特点,使结果更具应用价值;通过实例和离散粒子群算法进行了对比,验证了该算法的有效性。     

适应度平均选择的离散差分演化算法

如何将差分演化算法用于离散领域是该领域的一个重要问题.提出一种适应度平均选择的离散差分演化算法,提出的算法中每个个体有均等的机会被选择用于引导算法的进化,这种选择方式有助于克服贪婪选择操作导致的种群多样性下降过快而使算法易陷入局部最优的问题.最后在多维背包问题上的实验结果表明提出的算法具有良好性能.     

参数自适应的精英变异差分进化算法

针对经典差分进化算法(DE)的优化性能容易受到变异策略和控制参数影响的问题,提出了一种参数自适应的精英变异差分进化算法(A parameter Adaptive Elite Mutation Eifferential Evolution algorithm, AMEDE).首先,提出一种精英变异策略的方法,其目的是为了方便获取优秀个体信息;其次,引入新的控制参数,使得算法可以在更大的搜索空间进行搜索;最后,利用自适应参数学习方法,为种群中的每个个体赋予不同的控制参数值,并根据种群多样性和精英个体的信息动态更新个体的参数,使算法避免过早的收敛并提高算法的收敛精度.对本文提出的AMEDE算法与其他6种改进差分进化算法(DE,CoDE,JaDE,JDE,SaDE,GPDE)在16个基准测试函数上进行了三组对比实验.实验结果表明,AMEDE算法在高维函数和低维函数上都具有搜索精度高、收敛速度快和鲁棒性强等优点.     

参数适应性分布式差分进化算法

提出一种适应性分布式差分进化算法.将初始种群分为多个子种群,并设计子种群间的迁移机制,当满足迁移条件时,根据冯?诺依曼拓扑结构,子种群内的优秀个体代替其邻域的较差个体,使得整个种群实现信息共享.同时,根据个体适应值变化情况,对每一个体分配不同的缩放因子?和交叉率CR,提出?和CR的适应性策略.实验结果表明,所提出算法有利于对解空间进行广泛探索,避免算法陷入早熟收敛,能够搜索到性能较好的解.     

自适应蚁群差分进化算法

针对传统差分进化算法在求解高维复杂问题时存在通用性差、鲁棒性低、收敛速度慢和求解精度低等问题,提出一种基于蚁群算法的自适应多模式差分变异策略.算法在每代进化中,个体根据各变异进化模式上的信息素大小,采用轮盘赌选择策略选择变异算子,并根据各变异算子对优化所做贡献的大小对信息素进行动态更新,贡献大的变异算子可以获得更多被选择的机会,使得各变异算子发挥其最大性能,从而提高算法的收敛速度和通用性.对5个高维的benchmark函数进行算法验证,实验结果表明,该算法很好的提高了差分进化算法的通用性和鲁棒性,有效地克服了收敛速度慢和早熟等问题.     

差分进化算法参数控制与适应策略综述

差分进化算法逐渐成为进化计算领域最流行的随机搜索算法之一,已被成功用于求解各类应用问题.差分进化算法参数设置与其性能密切相关,因此算法参数控制与适应策略设计是目前该领域的研究热点之一,目前已涌现出大量参数控制方案,但尚缺乏系统性的综述与分析.首先简要介绍差分进化算法的基本原理与操作,然后将目前参数控制与适应策略分成基于经验的参数控制、参数随机化适应策略、基于统计学习的参数随机化适应策略和参数自适应策略4类进行系统性综述,重点介绍其中的参数适应与自适应策略.此外,为分析各种参数控制与适应策略的功效,以实值函数优化为问题背景设计了相关实验,进一步分析各种策略的效率与实用性,实验结果表明,参数自适应控制策略是目前该领域最有效的方法之一.     

求解背包问题的改进差异演化算法

提出一种求解0-1背包问题的改进差异演化算法。首先对差异演化算法的选择操作进行修改,得到的改进差异演化算法可以直接有效地处理约束优化问题。其次,利用一种新的区间编码映射机制,将差异演化算法扩展到求解离散领域优化问题。仿真实验结果表明,与其他进化算法相比,改进差异演化算法求解经典背包问题时,求解精度高,收敛速度快,是求解经典背包问题的一种高效算法。     

一种具有混合编码的二进制差分演化算法

差分演化(DE)是Storn和Price于1997年提出的一种基于个体差异重组思想的演化算法,非常适用于求解连续域上的最优化问题.首先引入“差异算子”等概念,给出DE的一种简洁算法描述,并分析了它所具有的特性.然后,为了使DE能够求解离散域上的最优化问题,基于数学变换思想引入“辅助搜索空间”和“个体混合编码”等概念,通过定义一个特殊的满射变换,在辅助搜索空间的作用下将连续域上的高效差分演化搜索变换为离散域上的同步演化搜索,由此提出了第1个二进制差分演化算法：具有混合编码的二进制差分演化算法(HBDE).接着,给出了HBDE的依概率收敛和完全收敛的定义,并利用离散Markov随机理论证明了HBDE是完全收敛的. HBDE不仅完全具有DE的各种特性和所有优点,而且非常适用于求解离散域上的最优化问题,对随机生成的大规模3-SAT问题实例和典型0/1背包问题实例的数值计算表明：该算法具有很好的全局收敛性和稳定性,其性能远远超过二进制粒子群优化算法和遗传算法.     

混合差异演化算法求解多维背包问题

提出了一种求解多维0-1背包问题的混合差异演化算法,算法使用了两个主要的思想策略,即依据物品单位容积价值的高低选择物品的贪婪算法和基于二进制编码的差异演化算法。对10个测试算例进行了仿真试验,结果表明文章提出的算法可以快速找到这些测试算例的最优解,是求解多维背包问题的一种有效方法。     

混合差异演化算法在背包问题中的应用

提出了一种用于求解0-1背包问题的混合差异演化算法,详细阐述了该算法求解背包问题的具体操作过程。算法主要使用了两个思想策略,即启发式贪婪算法和基于二进制编码的差异演化算法。通过对其它文献中仿真实例的计算和结果对比,表明该算法对求解0-1背包问题的有效性,这对差异演化算法解决其它离散问题会有些帮助。     

求解多选择背包问题的改进差分演化算法

首先将差分演化算法（DEA）的演化机制归结为差异算子（DO）和选择算子（SO）的作用,然后基于离散域上的多选择背包问题（MCKP）,通过重新定义DEA算法的差异算子中的三种基本运算,并采用个体正整数编码方法和处理非正常编码的快速微调策略,提出了一种求解MCKP问题的改进差分演化算法（MDEA）,第一次将DEA用于求解组合最优化问题.对经典MCKP问题实例的计算表明：MDEA算法不但是可行的,而且是高效的.     

An improved firefly algorithm for solving dynamic multidimensional knapsack problems

There is a wide range of publications reported in the literature, considering optimization problems where the entire problem related data remains stationary throughout optimization. However, most of the real-life problems have indeed a dynamic nature arising from the uncertainty of future events. Optimization in dynamic environments is a relatively new and hot research area and has attracted notable attention of the researchers in the past decade. Firefly Algorithm (FA), Genetic Algorithm (GA) and Differential Evolution (DE) have been widely used for static optimization problems, but the applications of those algorithms in dynamic environments are relatively lacking. In the present study, an effective FA introducing diversity with partial random restarts and with an adaptive move procedure is developed and proposed for solving dynamic multidimensional knapsack problems. To the best of our knowledge this paper constitutes the first study on the performance of FA on a dynamic combinatorial problem. In order to evaluate the performance of the proposed algorithm the same problem is also modeled and solved by GA, DE and original FA. Based on the computational results and convergence capabilities we concluded that improved FA is a very powerful algorithm for solving the multidimensional knapsack problems for both static and dynamic environments.     

基于模运算的新颖离散差分演化算法求解多背包问题

多背包问题（MKP）是一个求解难度极大的背包问题。为了基于差分演化（DE）求解MKP,首先建立了MKP的整数规划模型,在利用模运算构造简单且有效的新型传递函数基础上,提出了一个新颖离散差分演化算法MODDE;基于贪心策略提出了消除MKP不可行解的一个有效算法GROA,由此利用MODDE给出了求解MKP的一种新方法。最后,利用MODDE求解30个国际通用的MKP实例,通过与四个代表性演化算法的比较表明,MODDE不仅计算结果优,而且算法的稳定性强,是求解MKP的一个高效算法。     

基于混合编码的差异演化算法解0-1背包问题*

针对典型的一类NP完全问题——背包问题,提出一种混合编码的差异演化求解方法。该方法基于差异演化算法框架,采用混合编码机制,每个决策变量均由一个实数和一个二进制数的组合表示。利用新定义的映射算子,构建混合编码的种群;增加边界约束处理算子,确保变异算子计算结果满足边界约束条件;利用新定义的丢弃算子对于不可行的装包策略进行修正。通过数值仿真实验,将该方法与遗传算法、二进制差异算法的计算结果比较分析,表明该算法求解背包问题的有效性与适用性。