一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE．该算法基于一种双种群进化策略，一个种群中的个体由粒子群算法进化而来，另一种群的个体由差分操作进化而来．此外，通过采用一种信息分享机制，在算法执行过程中两个种群中的个体可以实现协同进化．为了进一步提高PSODE算法的性能，摆脱陷入局部最优点，还采用了一种变异机制．通过4个标准测试函数的测试并与PSO和DE算法进行比较，证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法．     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

一种改进的约束优化差分进化算法

提出一种改进的差分进化算法用于求解约束优化问题.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.利用佳点集方法初始化个体以维持种群的多样性.结合差分进化算法两种不同变异策略的特点,对可行个体与不可行个体分别采用DE/best/1变异策略和DE/rand/1策略,以提高算法的全局收敛性能和收敛速率.用几个标准的Benchmark问题进行了测试,实验结果表明该算法是一种求解约束优化问题的有效方法.     

基于混合粒子群算法的动态鲁棒优化

动态鲁棒优化问题广泛存在于各个领域,且难以求解。动态鲁棒粒子群优化(PSO)算法是一种有效的求解方法。但是,现有算法存在全局搜索能力弱和无法对个体进行综合评价的问题。为有效求解动态鲁棒优化问题,在研究的基础上提出一种混合差分进化的动态鲁棒粒子群(DRPSO-DE)算法。该算法不仅使用差分进化(DE)算法的变异策略提升粒子群算法的全局搜索能力,还提出一种综合指标来对种群个体进行评价。此外,为提高动态鲁棒粒子群算法的搜索效率,采用一种基于排序的选择策略挑选最佳个体,并将它们用于指引种群进化。为验证DRPSO-DE的有效性,选取五个动态标准测试函数对其进行测试。从试验结果来看,所提出算法的整体性能要优于原有算法,能够有效求解动态鲁棒优化问题。     

基于进化能力的多策略粒子群优化算法

针对粒子群优化算法易早熟收敛、求解精度低等缺点，提出基于进化能力的多策略粒子群优化算法（multistrategy particle swarm optimization algorithm based on evolution ability）。将粒子按照适应值变化方向分为进步粒子和停退粒子。对于进步粒子按照原始进化策略更新，保留原算法的优点。对于停退粒子进一步根据粒子活性分为暂时停退粒子和长久停退粒子，针对暂时停退的粒子，减小对个体历史速度的依赖甚至向相反方向学习，针对长久停退粒子，根据粒子的适应值优劣采用不同的进化策略，提高全局寻优能力。同时，设计一种带随机波动的惯性权重，使粒子在算法后期仍然具有跳出当前区域的能力，利于全局搜索。通过与其他算法在10个测试函数不同维度上的优化结果对比表明，该算法无论对低维还是高维问题求解的收敛速度和求解精度均有优势。将EAMSPSO算法应用于半无限规划问题的求解，实验结果表明，该算法可以用于半无限规划问题的求解，且具有优势。     

基于差分进化的离散粒子群算法求解TSP问题

针对TSP问题,结合离散粒子群算法和差分进化算法各自的特点,提出了基于差分进化的离散粒子群算法。该算法先利用差分进化算法的变异、选择算子产生新的群体,再通过离散粒子群算法和交叉及选择算子进行局部搜索。通过对标准的30个城市进行实验,实验结果表明,该优化算法在求解TSP问题上有很好的性能。     

一种改进粒子滤波算法及其在多径估计中的应用

针对传统粒子滤波存在的粒子枯竭问题,提出一种基于自适应差分进化的粒子滤波算法。利用自适应差分进化算法代替粒子滤波中的重采样策略来产生新粒子,使粒子向状态后验概率密度函数的高似然区移动,同时提高粒子的多样性。通过一种非线性自适应调节策略自适应地调整变异因子和交叉因子,以提高改进粒子滤波中差分进化的寻优能力。应用于多径估计的仿真结果表明,该算法可克服粒子枯竭问题,与粒子滤波、扩展卡尔曼滤波和差分进化的粒子滤波算法相比,具有更好的多径估计性能。     

基于随机扩散搜索的协同差分进化算法

针对差分进化算法存在的收敛速度慢、稳健性差等问题,借鉴多种群并行机制和随机搜索策略,提出一种基于随机扩散搜索的协同差分进化算法。引入反向混沌搜索的初始化机制,利用随机扩散搜索策略将种群分为成功和失败2个子群并进行改进,对改进的成功和失败子群分别采用不同的差分策略,克服单一差分策略的缺陷,同时定期使子群的部分最好与最差个体实现一对一的信息交流,从而达到协同进化的目的。仿真结果证明,与粒子群优化算法及差分进化算法相比,该算法具有较好的收敛速度和寻优能力。     

基于角度邻域的多目标差分进化算法

针对如何实现差分进化算法求解多目标优化问题,提出了一种基于角度邻域的多目标差分进化算法,通过在选择操作中引入弱支配概念,实现了对多目标优化问题的求解.该算法通过计算目标空间中个体与权重向量的夹角来确定每个个体的邻域,并在此基础上引入了基于角度邻域的变异策略,使个体的变异在邻域内进行,保证进化方向.此外,该算法创建了一个外部存档用来保存进化过程中的非支配解,并定期对外部存档进行维护,大大改善了解集的分布性.大量的数值仿真实验结果表明通过角度确定邻域的方法比通过欧氏距离确定邻域的方法更加有效,算法所得解集的收敛性和分布性也均明显优于基于分解的差分多目标进化算法(multiobjective evolutionary algorithm based on decomposition and differential evolution,MOEA/D–DE)和非支配排序算法Ⅱ(nondominated sorting genetic algorithm II,NSGA).     

基于共轭增强策略的差分进化算法

为了平衡差分进化算法的全局探测能力和局部搜索能力,提出基于共轭增强策略的差分进化算法.首先,根据个体适应度信息设计基于轮盘赌的个体选择策略,选取适应值较差的个体组建子种群;然后,基于个体的时间和空间知识设计共轭增强方向,在不丧失全局探测能力的前提下实现子种群的局部增强,以提高算法的局部搜索能力;最后,18个标准测试函数的实验结果表明,所提算法在计算代价、可靠性及收敛速度方面均优于所介绍的主流改进差分进化算法和非差分进化算法.