一种基于种群速度的自适应粒子群算法

分析了粒子群算法的收敛性,指出早熟是由于粒子速度降低而失去继续搜索可行解的能力．进而提出一种基于种群速度动态改变惯性权重的粒子群算法,该算法以种群粒子平均速度为信息动态改变惯性权重,避免了粒子速度过早接近０．通过５个标准测试函数的仿真实验并与其他算法相比,结果表明该算法在进化中期能很好地保持种群多样性,有效地改善算法的平均最优值和成功率．

     

一种基于多样化成长策略的遗传算法

遗传算法中,部分局部最优个体常常会抑制种群中其他个体的成长,使进化停滞,结果陷入局部最优．对此,提出一种基于多样化成长策略的遗传算法,通过采用迁移杂交、多态变异和群体突变等方法,对种群中不同适应度的个体给予不同的进化成长策略,以保持个体间的多样性,从而增强算法的寻优能力．对改进算法的算法复杂度进行了分析,并通过算例表明,多样化成长策略的各个部分均对改善寻优结果发挥了作用．

     

RBF神经网络参数估计的两种混合优化算法

基于全局搜索的进化算法和一种局部搜索算法———结构化的非线性参数优化方法（ＳＮＰＯＭ）,提出两种混合的优化算法来估计ＲＢＦ神经网络中的参数：１）初始化一定数目的种群作为ＳＮＰＯＭ 的初始值得到其适应值,通过选择、交叉和替换策略来更新种群;２）采用进化算法运行一定的代数,从最终群体中选取一些个体进一步用ＳＮＰＯＭ来优化．这两种混合优化算法的本质是用进化算法为ＳＮＰＯＭ 搜寻最优初始值,以得到全局最优解．仿真实验结果表明,该混合算法比单独使用进化算法或ＳＮＰＯＭ 更优,且优于其他一些算法．

     

一类自适应混沌文化算法

混沌变异进化算法忽略了混沌规律性,未充分利用知识来提高算法的局部收敛能力.为此,借鉴文化算法的双层进化结构,在文化算法的进化引导函数中引入自适应混沌变异策略,提出一种自适应混沌文化算法.利用进化过程隐含知识控制变异尺度,使知识引导个体能跳出局部较优解,在保证种群多样性的同时,实现进化后期的精细搜索.仿真结果表明,该算法可以有效提高进化收敛速度,具有较好的计算稳定性.

     

自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重,提高其全局寻优能力．当种群的寻优能力减弱时,采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证,该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比,该算法具有较好的性能．

     

自适应分区多代理模型交互式遗传算法

为提高交互式遗传算法的性能,提出一种自适应分区多代理模型交互式遗传算法&.该算法基于关键维分割进化初期的搜索空间,同时基于进化进程,逼近精度以及用户评价敏感度,自适应地分割进化中后期的搜索空间.在子空间上,采用多类代理模型学习用户对进化个体评价,并用于评价后续进化的部分或全部个体.将该算法应用于服装进化设计系统,实验结果表明,算法在种群多样性,减轻用户疲劳及用户对优化结果满意度等方面均具有优越性.

     

多目标混沌差分进化算法

将差分进化算法用于多目标优化问题,提出了多目标混沌差分进化算法(CDEMO).该算法利用混沌序列初始化种群,并用混沌备用种群进行替换操作.该操作不仅起到了维持非劣最优解集均匀性的作用,而且增强了算法的搜索功能.对CDEMO的性能进行研究,数值实验结果表明了CDEMO的有效性.

     

一种动态改变惯性权重的自适应粒子群算法

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出一种动态改变惯性权重的自适应粒子群算法.采用种群中平均粒子相似程度作为种群多样性的测度,并用于平衡算法的全局探索和局部开发. 基于对惯性权重随种群多样性测度变化的动态分析,建立了惯性权重随种群多样性测度的变化关系,并将其引入该算法中. 最后对个经典测试函数进行仿真,结果表明该算法在平均最优值和成功率上都有所提高,特别是对多峰函数效果更明显.

     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．

     

一种求解混合整数规划的混合进化算法

提出一种基于正交试验设计的混合进化算法,用于求解混合整数规划问题 .进化算法中采用一种混合启发式的变异算子,将正交试验设计作为杂交算子 .为了增加种群的多样性,引入一种迁移算子 .仿真实验结果表明,与已有的一些算法相比,所提出的求解混合整数规划的混合进化算法能快速收敛到问题的最优解,并且算法的计算量小,解的精度高.

     

基于群体智能的思维进化算法设计

针对思维进化算法（ＭＥＡ）没有充分利用公告板信息的问题,结合群体智能的优点,提出基于群体智能的思维进化算法,同时分析其算法的机制,设计利用群体信息共享进行子群体迁徙策略和拥挤浓度控制异化策略,提高了搜索速度,保证了种群的多样性．通过整个群体的总体优化特征体现了寻优方式的实现,使得收敛速度和全局收敛性均达到最好平衡．测试函数寻优及ＰＩＤ 控制器参数整定实验,验证了算法的可行性和高效性．

     

一类基于物种迁移优化的进化算法

借鉴自然界中的物种迁移机制,提出一类基于物种迁移优化的进化算法．该算法是根据生态系统中物种分布的迁移模型而提出的一种优化算法．参考其他智能算法的思想,通过物种迁移实现信息交换和共享,从而完成进化过程．讨论了物种迁移优化算法的基本原理和实现过程,同时进行一些基准函数的性能测试．实验结果表明所提出的算法是有效的,具有一定的参考和应用价值．

     

生存模糊自适应的蚁群算法及收敛性

首次将多元生存分析引入进化算法,设计了一种生存自适应的蚁群算法．对蚁群算法收敛过程建立生存模型,用Ｋａｐｌａｎ Ｍｅｉｅｒ法计算生存时间估计值和生存函数曲线,以算法各参数作为生存时间的协变量,用ＣＯＸ 比例危险率回归模型来定量分析其相互依赖关系,分析了种群大小对早熟收敛的影响．根据个体适应度和种群多样性对剩余生存时间进行模糊控制,实现种群规模的自适应调控．数值实例验证了算法的有效性、稳定性及准确性．

     

基于交叉模型的改进遗传算法

提出一种解决早熟收敛问题的改进遗传算法. 通过最小生成树聚类将种群划分为若干个子种群, 子种群内的个体之间及不同子种群间的个体之间同时进行遗传操作. 同子种群间个体的遗传操作可以保证算法的进化方向和收敛速度, 不同子种群间个体的遗传操作可以避免近亲繁殖, 提供多样性. 分别采用二进制和实数编码, 在经典的 23 个基准函数上的对比测试结果表明, 所提出算法具有较好的收敛速度和寻优能力.

     

基于GMOGSO的多目标流水车间调度问题

针对缓冲区有限的多目标流水车间调度问题, 提出一种基于Pareto 最优的广义多目标萤火虫算法. 通过引入交换子和交换序将基本萤火虫算法离散化, 并将算法拓展为全局搜索过程和局部搜索过程. 进化初期采用全局搜索将种群推向较优区域, 进化中后期采用捕食搜索策略使算法主体在全局搜索和局部搜索间智能切换, 从而保证全局与局部的平衡. 动态变步长策略进一步增强了算法搜索能力. 通过算例测试验证了所提出算法的有效性.

     

自适应动态重组多目标粒子群优化算法

提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.

     

一种二进制编码的量子粒子群优化算法

针对离散空间优化问题,给出二进制编码的量子粒子群优化（ＢＱＰＳＯ）算法的设计思路,重新定义粒子的位置矢量和粒子之间的距离,提出了ＢＱＰＳＯ 算法的进化方程．通过泛函分析的方法分析了ＢＱＰＳＯ 算法的收敛性,得出全局收敛的结论,并通过多个测试函数测试了ＢＱＰＳＯ 算法的性能．求解结果验证了算法的优越性．

     

求解多目标优化问题的分级变异量子进化算法

分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题.算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群.求解多目标0/1背包问题的实验结果表明了该算法的有效性.

     

一种实数编码量子进化算法及其收敛性

基于量子计算理论和进化理论,提出一种新的量子进化算法---基于实数编码的量子进化算法(RQEA).不同于传统进化算法的单点编码和量子进化算法的量子比特编码,该算法以实数矩形区域表示基因,一条染色体携带多个个体信息.利用量子态叠加和相干机理,通过叠加,变异及自学习来完成进化过程.理论分析证明了算法具有全局收敛性.实验结果表明,该算法在函数优化上具有优异的性能.

     

区间适应值交互式遗传算法神经网络代理模型

为了解决交互式遗传算法的用户疲劳问题,提出区间适应值交互式遗传算法神经网络代理模型．首先,对用户已评价个体的基因型及其适应值进行采样以训练神经网络,使其逼近区间适应值的上下限;然后,利用神经网络代理模型,评价后续的部分进化个体,并不断更新训练数据和代理模型,以保证逼近精度;最后,对算法性能进行了定量分析,并将其应用于服装进化设计系统．分析结果表明,所提算法在减轻用户疲劳的前提下,具有更多找到满意解的机会．