一种求解高维多模态复杂问题的差分文化算法

针对在求解高维多峰值复杂问题时种群容易陷入局部搜索、求解精度低的问题,提出了一种基于自适应差分进化算法和小生境高斯分布估计的文化算法。将差分进化算法用于种群空间的优化,利用动态小生境识别算法在种群空间中识别小生境群体。信度空间利用高斯分布估计算法在小生境内进行局部优化,并将小生境特征存入进化知识库,进化知识库进一步引导种群空间,有效地保证了种群的多样性,避免了局部的重复搜索。最后,通过仿真实验测试表明,算法具有收敛速度快、求解精度高、稳定性高和全局搜索能力强等优势。     

基于文化算法的符号网络全局不平衡度计算

针对已有符号网络不平衡度计算方法大都只关注局部网络单元的平衡信息,没有考虑网络更大范围乃至全局角度的平衡,无法揭示网络中的不平衡区域这一问题,提出基于文化算法的符号网络全局不平衡度计算方法。该方法利用伊辛自旋玻璃模型描述符号网络的全局状态,将不平衡度的计算转换为一个优化问题,并设计一种具有双层进化结构的文化算法——CA-SNB进行求解。首先,该算法采用遗传算法进行种群空间进化;其次,在信度空间中记录较优个体,并采用贪婪算法提取状况知识;最后,利用状况知识引导种群空间的进化,在保证种群多样性的基础上提高了收敛速度。实验表明,与遗传算法和矩阵变换算法相比,CA-SNB能较快地收敛到最优解,具有较高鲁棒性,在计算全局不平衡度的同时识别不平衡区域。     

改进的求解TSP问题文化蚁群优化方法

在文化算法基础上提出了一种改进的用于求解TSP问题的蚁群优化算法。改进算法采用新的双层进化机制对文化算法的种群空间与信念空间进行了重新设计,用最大最小蚁群系统（MMAS）构建种群空间,在信念空间中对当前最优解进行改进的3-OPT交叉变换操作,由于采用了这种双层进化机制,种群空间获得了更高的进化效率。通过仿真实验结果表明,改进算法比传统的蚁群算法（ACO）、文化蚁群算法（CACS）效果更好,收敛速度更快,精确度更高。     

交互式多目标文化算法优化多模态混合指标

多模态混合指标优化是一类难以求解的多目标优化问题。针对该问题,借鉴文化算法的双层结构,构建了一种能融合历史知识、标准化知识和领域知识的交互式文化算法。该算法以指标均衡性构建信度空间样本库。知识提取函数根据样本库内个体在决策空间和目标空间的特殊拥挤距离选取多模态解。将选取的多模态解作为聚类中心推荐给用户评价。根据种群的指标均衡性,知识引导自适应交叉和变异概率,扩大种群多样性。采用指标均衡性引导形势知识更新。基于个体表现型相似性估计大规模种群隐式性能指标。提出新的多模态解评价测度。将算法应用于室内布局优化问题,与代表性方法比较,验证所提算法的有效性和可用性。     

基于文化差分算法的无约束优化问题研究

无约束优化问题是一个较古老的数学问题,随着智能计算科学的发展,解决此类优化问题,除了使用经典数学方法外,还可以使用智能化方法进行寻优。本文使用经典文化算法双层进化结构,将差分进化算法引入信度空间的更新操作,实现差分进化算法在进化过程中形势知识更新,保证了种群合理的进化方向,从而引导种群空间中个体进行有效进化,使得寻优能力有所提高,并选用6个基准函数对改进前后的算法进行测试,实验表明优化性能得到了提高。     

文化算法在越库作业调度中的应用

研究只有一个入库门和一个出库门的带有限暂存区的越库中心的作业调度问题。以额外搬运成本、暂存成本和换车成本总和最小化为目标,建立动态规划模型。构建了具有两层进化机制的文化算法对问题进行求解。算法的种群空间采用遗传算法作为进化模式,信度空间接收种群空间的优良个体形成知识并指导遗传算法的选择操作。通过在大、小规模情形下进行数值实验,验证了文化算法的有效性。     

文化算法研究综述

文化算法模拟文化进化过程,在实现个体进化的种群空间基础上,构建信度空间,用于对进化过程中有效隐含信息的挖掘和利用。该双层进化机制为进化计算中的知识引导提供了通用框架,已证明能有效提高算法性能,并被成功用于解决诸多实际复杂优化问题。文章介绍了文化算法基本原理,从提取知识类型角度详细阐述了算法研究进展,总结了其在不同领域的应用,并展望了算法未来可能的研究方向。     

基于远缘杂交的精英进化算法

文中主要以提高进化算法求解TSP问题的效率为研究目标,借鉴人类社会进化中具有远缘杂交优势的理论和进化算法中的精英策略,提出一种基于远缘杂交的精英进化算法。该算法在初始阶段将种群分为精英种群和普通种群,对精英种群则不经过交叉直接进入下一代,对普通种群则基于远缘杂交原则进行交叉,并将子代与精英种群一同组成新子代。仿真实验证明算法能增强优秀个体遗传的机会,提高种群基因的多样性,在深度搜索和广度寻优之间取得了平衡。针对TSP实验结果表明,算法具有可靠的全局收敛性及较快的收敛速度。     

混合差分进化算法

为了克服差分进化算法容易出现早熟和收敛速度慢的问题,提出了一种混合差分进化算法.该算法在趋药性差分进化算法(CDE)的基础上,通过对较优个体进行变异操作,维护了种群多样性、避免早熟;通过将较差的个体与较优个体进行杂交,提高了开采能力、加快了收敛速度.基于这两种策略,算法的开采能力与探索能力达到了平衡.用该算法解决标准函数优化问题,并将仿真结果与其他算法进行比较,数值结果表明该文算法具有较快的收敛速度和很强的跳出局部最优的能力.     

一种混合局部搜索算法的遗传算法求解旅行商问题

针对遗传算法容易产生早熟现象以及局部寻优能力较差的缺点,提出一种求解旅行商问题的高效混合遗传算法。该算法首先用加权最近邻法产生初始种群,对种群中相同的个体,用K-近邻法产生新的个体代替相同的个体,然后淘汰适应性较差的个体,用交叉操作产生新的个体,最后,对部分个体进行3-opt优化变异,对种群中优秀个体用改进的Lin-Kernighan算法进行优化。对TSPLIB中部分实例的仿真结果表明,所提出的混合局部搜索算法的改进遗传算法在求解TSP问题时可以高效地获得高质量的解。     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。     

混合文化优化算法及在车间调度中的应用

针对文化算法收敛速度慢、易陷入局部最优解以及种群多样性少的问题, 本文对文化算法进行优化设计, 提出一种将带有精英保留策略的遗传算法(GA)和模拟退火算法(SA)纳入文化算法(CA)框架的混合优化算法. 此算法基于协同进化的思想, 算法分为下层种群空间和上层信念空间, 两个空间采用了相同的进化机制, 但使用不同的参数. 在文化算法的基础上加入带有精英保留策略的遗传算法, 使种群中的优秀个体直接进入下一代, 以此提高收敛速度; 加入模拟退火算法, 利用其具有突变的特点, 概率性的跳出局部最优并接受劣质解, 以此增加种群多样性. 函数优化结果证明了算法的有效性, 将此算法用于求解最小化最大完工时间的流水车间调度问题, 仿真结果显示, 此算法在收敛速度和精度方面都优于其他几个具有代表性的算法.     

基于模式学习的文化遗传算法研究

针对遗传算法的缺陷,提出了一种基于模式学习的文化遗传算法,该算法将遗传算法纳入文化算法框架,组成基于GA的主群体空间和信念空间两大空间,主群体空间在进化过程中定期组织最差个体向信念空间提供的种群最优模式学习,从而充分利用了优秀个体所包含的特征信息,在很大程度上提高了收敛速度。实验结果表明,该算法是一种提高遗传算法性能的有效算法。     

求解旅行商问题的探索—开发—跳跃策略单亲遗传算法

针对遗传算法求解旅行商问题(TSP)时容易早熟、收敛速度慢等问题,提出一种基于探索—开发—跳跃策略的单亲遗传算法(EDJS-PGA)。该算法将基因移位、倒序、交换三种算子组合构成探索策略,用于扩展解的搜索空间,增强算法全局搜索能力;再将logistic混沌映射和改良圈操作融合为一种混沌映射改良圈算子,用于增强算法的局部搜索能力,构成开发策略;最后针对种群中的同优个体设计了近邻变异算子,构成跳跃策略,增强了算法跳出局部最优解的能力,使其兼具个体变异、局部优化、防止早熟等多重作用。通过对18个TSP实例进行仿真实验,结果表明EDJS-PGA相较于传统单亲遗传算法具有更高的求解精度和收敛速度,且最优解偏差率和平均误差率均处于较低水平;与其他文献对比,EDJS-PGA具有更强的鲁棒性和求解效率。     

文化遗传算法的研究及其在函数优化中的应用

为了提高遗传算法的性能,将遗传算法纳入到文化算法框架中组成群体空间和信念空间,提出一种新的优化算法。在群体空间的遗传进化过程中引入随机种群来增加算法的勘探能力,并组织较差个体依概率与信念空间中更新后的优秀个体进行交叉操作;在信念空间充分利用对优秀个体所包含信息的开采能力并采用耗散结构来提高整个空间的自组织能力,更新优秀个体,在很大程度上提高了算法的速度和效率。实验结果表明,新算法能有效地应用于函数优化。     

求解旅行商问题的混合粒子群优化算法

结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合粒子群算法来求解著名的旅行商问题．与模拟退火算法、标准遗传算法进行比较，24种混合粒子群算法的效果都比较好，其中交叉策略D和变异策略F的混合粒子群算法的效果最好，而且简单有效．对于目前仍没有较好解法的组合优化问题，通过此算法修改很容易解决．     

基于模拟退火和文化粒子群的优化算法

提出一种基于模拟退火和文化粒子群的新型混合优化算法,该算法针对基本文化粒子群优化算法易陷入局部最优的缺点,将模拟退火引入文化算法框架中,作为知识空间的一个演化过程,通过模拟退火的概率突跳特性促使寻优过程跳出局部极值,保证了群体的多样性。最后通过8个标准测试函数的测试,仿真结果表明,该文算法是一种计算精度高、收敛速度快的混合优化算法。     

改进的遗传算法求解旅行商问题

提出一种解决旅行商问题的改进遗传算法.在传统遗传算法的基础上,引入贪婪算法进行种群初始化;从遗传进化代数和个体适应函数值两个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

基于改进遗传算法的稀疏重构算法

稀疏重构算法中凸松弛法在恢复效率方面、贪婪追踪法在恢复精度方面存在不足,基于遗传算法迭代优化的思想,结合模拟退火以及多种群算法的优势,提出了基于模拟退火遗传算法和基于多种群遗传算法的启发式稀疏重构算法。所提算法均从传统遗传算法易陷入局部最优解的缺陷出发,分别通过保持个体间的差异性和提高种群多样性来搜索待求稀疏信号的全局最优解,并通过理论分析证明了所提算法参数选取及搜索策略的有效性。此外,以阵列信号处理中空间信源的波达方向（DOA）估计问题为例,验证所提算法的有效性。仿真结果表明,相较于正交匹配追踪OMP算法和基于l1范数奇异值分解的l1-SVD算法,所提算法提高了DOA估计的精度,且降低了运算复杂度,使其快速收敛至全局最优解。