一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

面向双目标应急物资调度的改进差分进化算法

本文对应急物资调度模型的建立及求解该模型的优化算法进行了研究.首先,在资源受限情况下,以配送费用总成本最小和最大缺失损失最小为优化目标,建立了连续消耗问题的多供应点对多受灾点的应急物资调度模型.然后,通过引入DE/best/1变异策略与DE/rand/2变异策略对差分进化算法进行了改进,提出了一种基于双变异策略的改进差分进化算法,将Pareto非支配等级分层与拥挤距离的概念引入到改进差分进化算法中,对约束双目标调度模型进行求解.最后,通过两种不同规模的四组仿真实验,验证了本文提出模型及改进的差分进化算法的可行性和有效性.与基本差分进化算法对比,双变异策略的改进差分进化算法对相同应急物资调度问题进行求解时,得到了更多的Pareto前沿解个数,和较低的应急物资调度配送费用成本与较小的最大缺失损失,同时解分布的广泛性也得到了显著提高.     

一种带有随机变异的动态差分进化算法

提出一种带有随机变异的动态差分进化算法.在这个算法中,两种不同的变异策略DE/rand/1和DE/best/1通过线性递减加权组合策略产生新的变异策略,以便动态利用DE/rand/1和DE/best/1的优点,并且引入一种指数递增交叉概率算子、线性递减缩放因子和一种随机变异机制以进一步提高算法的全局寻优能力.通过四个标准测试函数的测试结果表明,该算法是一种收敛速度快、求解精度高、鲁棒性较强,更适合求解高维复杂的全局优化问题.     

基于改进差分进化算法的机械臂运动学逆解

以9自由度液压机械臂为研究对象,建立求解位姿逆解的非线性方程组.以末端执行器位姿误差最小为优化指标建立目标函数,将非线性方程求解问题转化为最优化问题,并应用差分进化(DE)算法求解该问题.首先,为了避免位置和姿态收敛精度的不同,引入自适应权值系数进行平衡.然后,为克服基本DE算法难以平衡全局探索能力和局部开发能力的缺陷,结合DE/rand/1/bin和DE/best/1/bin两种进化模式,改进自适应变异差分进化(SAMDE)算法,提高了算法的收敛精度和收敛速度.最后,采用对称映射法对不满足关节角边界范围的个体进行处理,提高了收敛精度.开展了与基本DE算法的对比试验,仿真结果表明,该算法的收敛精度和收敛速度优于基本差分进化算法,且能够大幅度提高算法的稳定性.     

多变异策略融合的约束优化问题求解算法

在约束优化问题中,多目标方法是一种约束处理技术,但这种方法易产生高额计算成本以及难以兼顾多样性和收敛性等问题.融合多种差分进化算法的变异策略,提出了一种多变异策略融合的差分多目标进化算法,用于约束优化问题求解.该算法引入改进的贪婪变异搜索策略,构建自适应变异因子控制变异算子的贪婪性和扰动性;基于切比雪夫距离进行变异策略的切换.该方法可提高算法收敛速度和求解质量,最终达到降低计算成本和兼顾多样性和收敛性的目的.与多种优秀算法相比,改进算法整体上具有更好的收敛速度、收敛精度以及处理不同复杂程度问题的能力.     

基于双种群两阶段变异策略的差分进化算法

针对差分进化算法差分策略优化问题上的不足, 解决DE/best/1策略全局探测能力差, DE/rand/1局部搜索能力弱而带来的鲁棒性降低及陷入局部最优等问题, 本文在差分策略上进行改进, 并且加入邻域分治思想提高进化效率, 提出一种基于双种群两阶段变异策略的差分进化算法(TPSDE). 第一个阶段利用DE/best/1的优势对邻域向量划分完成的子种群区域进行局部优化, 第二个阶段借鉴DE/rand/1的思想实现全局优化, 最终两阶段向量加权得到最终变异个体使得算法避免了过早收敛和搜索停滞等问题的出现. 6个测试函数的仿真实验结果表明TPSDE在收敛速度、优化精度和鲁棒性方面都得到了明显改善.     

加权变异策略动态差分进化算法

针对差分进化算法在解决高维优化问题时易早熟收敛、求解精度低和参数设置麻烦等问题,提出一种加权变异策略动态差分进化算法（WMDDE）。为了动态平衡全局搜索与局部搜索能力,跳出局部最优,将标准差分进化算法的变异策略DE/rand/1和DE/best/1进行加权组合,提出两种新的随机扰动加权变异算子。提出一种动态自适应调整缩放因子和交叉概率因子的策略,避免参数设置的麻烦,提高算法的稳定性。在11个Benchmark函数上的测试结果表明,新算法能有效避免早熟收敛,全局寻优能力强,且在高维时寻优速度、求解精度和稳定性均优于4种DE进化算法。     

基于种群个体可行性的约束优化进化算法

提出一种新的求解约束优化问题的进化算法.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.基于种群中个体的可行性,分别采用3种不同的交叉方式和混合变异机制用于指导算法快速搜索过程.为了求解位于边界附近的全局最优解,引入一种不可行解保存和替换机制,允许一定比例的最好不可行解进入下一代种群.标准测试问题的实验结果表明了该算法的可行性和有效性.     

多收率约束的催化裂化反再系统改进差分进化操作优化

针对现有催化裂化(FCC)装置操作优化中未根据市场需求考虑多产品收率约束的问题,本文提出了一种求解多产品收率约束催化裂化反再系统操作优化的改进差分进化(iDE)算法.首先针对FCC操作优化中约束多和不同操作变量的可行范围差异大的特点,设计了一种协同交互变异策略产生变异个体,以提高算法的开发和探索能力;其次提出了一种具有修复功能的参数自适应策略来更新变异因子和交叉因子.此外考虑到FCC操作优化具有时效强的特点,提出了对每一代种群中最好个体实施加强搜索的方法,以提高算法的收敛速度.仿真结果表明:在求解多产品收率的FCC反再系统操作优化问题上,该算法具有较强的全局寻优能力、鲁棒性以及较快的收敛速度.     

双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.     

基于最优高斯随机游走和个体筛选策略的差分进化算法

针对差分进化算法开发能力较差的问题, 提出一种具有快速收敛的新型差分进化算法. 首先, 利用最优高斯随机游走策略提高算法的开发能力; 然后, 采用基于个体优化性能的简化交叉变异策略实现种群的进化操作以加强其局部搜索能力; 最后, 通过个体筛选策略进一步提高算法的探索能力以避免陷入局部最优. 12 个标准测试函 数和两种带约束的工程优化问题的实验结果表明, 所提出的算法在收敛速度、算法可靠性及收敛精度方面均优于EPSDE、SaDE、JADE、BSA、CoBiDE、GSA和ABC等算法, 在加强算法探索能力的同时能够有效地提高算法的开发能力.

     

A self-adaptive differential evolution algorithm for continuous optimization problems

This paper proposes a new self-adaptive differential evolution algorithm (DE) for continuous optimization problems. The proposed self-adaptive differential evolution algorithm extends the concept of the DE/current-to-best/1 mutation strategy to allow the adaptation of the mutation parameters. The control parameters in the mutation operation are gradually self-adapted according to the feedback from the evolutionary search. Moreover, the proposed differential evolution algorithm also consists of a new local search based on the krill herd algorithm. In this study, the proposed algorithm has been evaluated and compared with the traditional DE algorithm and two other adaptive DE algorithms. The experimental results on 21 benchmark problems show that the proposed algorithm is very effective in solving complex optimization problems.     

一种基于密度聚类的小生境差分进化算法

针对基本差分进化算法早熟收敛的缺陷,提出了一种基于密度聚类的小生境差分进化算法。该算法基于DE/rand/2/bin变异方式全局搜索能力强、鲁棒性好和DE/best/2/bin变异方式局部搜索能力强、收敛速度快的特点,首先初始化一个没有子种群的全局种群,再在全局种群中采用DE/rand/2/bin进行迭代搜索,并对其中的个体进行聚类,当聚类簇中的个体数目达到规定的最小规模时形成一个小生境子种群,然后在各子种群中采用改进的DE/best/2/bin进行迭代搜索并重新进行聚类,从而提高进化过程中种群的多样性,增强算法跳出局部最优的能力。仿真实验表明,该方法能显著提高算法的收敛速度和全局搜索能力,有效避免早熟收敛。     

An adaptive surrogate assisted differential evolutionary algorithm for high dimensional constrained problems

Differential evolution (DE) is a competitive algorithm for constrained optimization problems (COPs). In this study, in order to improve the efficiency and accuracy of the DE for high dimensional problems, an adaptive surrogate assisted DE algorithm, called ASA-DE is suggested. In the ASA, several kinds of surrogate modeling techniques are integrated. Furthermore, to avoid violate the constraints and obtain better solution simultaneously, adaptive strategies for population size and mutation are also suggested in this study. The suggested adaptive population strategy which controls the exploring and exploiting states according to whether algorithm find enough feasible solution is similar to a state switch. The mutation strategy is used to enhance the effect of state switch based on adaptive population size. Finally, the suggested ASA-DE is evaluated on the benchmark problems from congress on evolutionary computation (CEC) 2017 constrained real parameter optimization. The experimental results show the proposed algorithm is a competitive one compared to other state-of-the-art algorithms.     

An improved teaching-learning-based optimization algorithm for numerical and engineering optimization problems

The teaching-learning-based optimization (TLBO) algorithm, one of the recently proposed population-based algorithms, simulates the teaching-learning process in the classroom. This study proposes an improved TLBO (ITLBO), in which a feedback phase, mutation crossover operation of differential evolution (DE) algorithms, and chaotic perturbation mechanism are incorporated to significantly improve the performance of the algorithm. The feedback phase is used to enhance the learning style of the students and to promote the exploration capacity of the TLBO. The mutation crossover operation of DE is introduced to increase population diversity and to prevent premature convergence. The chaotic perturbation mechanism is used to ensure that the algorithm can escape the local optimal. Simulation results based on ten unconstrained benchmark problems and five constrained engineering design problems show that the ITLBO algorithm is better than, or at least comparable to, other state-of-the-art algorithms.     

分阶段二次变异的多目标混沌差分进化算法

提出一种结合分阶段二次变异和混沌理论的改进差分进化(DE)算法,以解决多目标约束优化问题.其核心思想是,在DE进化前期采用基于非支配解的随机二次变异来提高算法的全局寻优能力,进化后期采用基于非支配解的混沌二次变异来提高DE的局部寻优能力.通过对典型测试问题的仿真实验验证了所提出的算法能在全局搜索性能与局部搜索性能之间维持较好平衡,而且保持了DE算法的简洁性能,其收敛性、分布度和均衡性均优于标准DE.