进化式超启发算法求解多车型低碳选址-路径问题

为了降低物流配送成本和减少CO$_2$排放量,提出一种综合考虑多车型和同时取送货的低碳选址-路径问题,并构建三维指数混合整数规划模型.针对所提问题,设计一种进化式超启发式求解算法,即在超启发式算法框架下,采用进化式策略作为高层学习策略,以实时准确地监控底层算子的性能信息并选择合适的底层算子,包括量子选择、蚂蚁策略、蛙跳机制以及自然竞争等.同时,挖掘算子性能信息以构建自适应接收机制,引导全局搜索,加快算法收敛速度.通过对不同规模实例的仿真实验与对比分析,验证了4种进化式超启发式算法在求解物流配送多车型同时取送货低碳选址-路径问题模型上的有效性与鲁棒性.     

一种基于蜜蜂进化选择算子的布局遗传算法

三维矩形布局问题属于NP 难问题,对于三维矩形布局问题的求解大多依赖于各 种启发式算法。该文以布局物体体积递减为定序规则,结合布局物体在布局空间中的几何可行 域,以吸引子法为定位规则,利用蜜蜂进化型遗传算法优化吸引子函数中的参数来求解三维矩 形布局问题(BEGA),得到新型布局遗传算法。最后对不同的算例进行了计算,并与以标准比 例选择作为选择算子的传统布局遗传算法(SPGA)等对比证明了该算法的有效性。     

基于差分进化的因子分解机算法

因子分解机(Factorization Machine,FM) 算法是一种基于矩阵分解的机器学习算法,可用于求解回归、分类和排序等问题。FM模型中的参数求解使用的是基于梯度的优化方法,然而在样本较少的情况下,该优化方法收敛速度慢,且易陷入局部最优。差分进化算法(Differential Evolution,DE)是一种启发式的全局优化算法,具有收敛速度快等特性。为提高FM模型的训练速度,利用DE计算FM模型参数,提出了DE-FM算法。在数据集Diabetes、HorseColic以及音乐分类数据集Music上的实验结果表明,改进后的基于差分进化的因子分解机算法DE-FM在训练速度和准确性上均有所提高。     

基于拉马克进化的差分进化算法求解KPC问题

具有单连续变量的背包问题（knapsack problem with a single continuous variable,KPC）是标准0-1背包问题的自然推广,在KPC中背包容量不是固定的,因此其求解难度变大。针对现有差分进化（differential evolution,DE）算法在高维KPC实例上求解精度不够高的不足,提出基于拉马克进化的DE（Lamarckian evolution-based DE,LEDE）算法,将贪心修复优化算子产生的改进遗传给后代,以加快DE算法的收敛速度,提高DE算法在高维KPC实例上的求解精度。同时,在贪心修复优化算子中引入基于价值的贪心优化策略,用于优化使用基于价值密度的贪心修复策略生成的可行解,以帮助算法跳出局部最优。在40个KPC实例上对LEDE算法进行了实验分析,结果表明拉马克进化和基于价值的贪心优化策略能够提高LEDE算法的求精能力,LEDE算法在获得最优解和平均解方面均优于其他智能优化算法。     

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。     

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.     

多变异策略的自适应差分演化算法

差分演化(Differential Evolution,DE)算法的性能依赖于变异策略的选择和控制参数的设置.不同问题对DE的变异策略和参数的设置各不相同.为了提高DE的性能,提出一种多变异策略的自适应差分演化算法,建立由多种变异策略组成的策略池,两个主要参数自适应策略控制.为了验证所提算法的性能,在测试数据集CEC2013上进行了实验,并将其与使用6种不同变异策略的原始DE和4种改进DE进行比较.实验结果表明,提出的算法是一种有效的DE变种,其性能优于其它DE.     

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CMA—ES算法的支持向量机模型选择

研究模型选择对支持向量机(SVM)的泛化性能有着重要影响。针对传统梯度算法对初始值敏感及网格搜索法计算复杂的缺点,为了提高全面优化能力和分类精度,提出了一种基于协方差矩阵自适应进化策略(CMA-ES)的支持向量机(SVM)模型优化算法,通过对SVM泛化性能界(Bounds on Generalization Performance)的优化求解,实现了基于CMA-ES算法的SVM模型选择。在标准数据集上的实验结果表明:相比遗传算法和梯度算法,上述方法能够在较小计算代价下得到更优的超参数,提高支持向量机的预测精度稳定性,尤其适合大样本数据条件下的模型选择。     

双种群差分进化规划算法

标准差分进化算法（SDE）具有算法简单,控制参数少,易于实现等优点。但在难优化问题中,算法存在收敛速度较慢和容易早熟等缺陷。为克服此缺点,提出一种改进算法--双种群差分进化规划算法（BGDEP）。该算法将种群划分为两个子群独立进化,分别采用DE/rand/1/bin和DE/best/2/bin版本生成变异个体。每隔δt（取5~10）代,将两个子群合并为一个种群,再应用混沌重组算子将之划分为两个子群,以实现子群间的信息交流。在双种群协同差分进化的同时,应用非均匀变异算子对其最优个体执行进化规划操作,使得算法具有较快的收敛速度和较强的全局寻优能力。为测试BGDEP的性能,给出了4个30维benchmark函数优化问题的对比数值实验。结果表明,BGDEP的求解精度、收敛速度、鲁棒性等性能优于SDE、双种群差分进化（BGDE）和非均匀变异进化规划（NUMEP）等4种算法。     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

基于差分演化的自适应参数控制蚁群算法

蚁群算法存在对参数的依赖、早熟和停滞等缺点但具有与其他算法容易结合的特点,据此,将差分演化算法应用到蚁群算法的参数选取中,提出一种改进的蚁群算法。将蚁群算法的参数作为差分演化算法解空间的向量元素,在自适应地寻找蚁群算法最优参数组合的同时求解问题的最优解。改进算法对蚁群算法中的参数进行自适应调整,可避免大量盲目的测试,扩大蚁群算法的搜索空间,提高全局搜索能力。在典型的旅行商问题上进行对比实验,结果验证了改进算法的优化性能高于传统的蚁群算法。     

带基向量种群的改进差分进化算法

在基向量随机选择中,差分进化算法的收敛速度较慢。为此,提出一种改进的差分进化算法。从当前种群中选择一定数量个体组成基向量种群,在进行变异操作时,从该基向量种群中选择个体作为基向量。使用标准测试函数对算法进行验证,结果表明,该算法能缩小基向量选择范围,减少迭代次数。     

一种新的差分与粒子群算法的混合算法

利用粒子群算法的快速收敛性和差分进化算法的搜索精度较高等特点,提出了一种新的混合优化算法。该算法在粒子群算法的中后期,在已经寻找到的最优位置周围,随机生成一定数量的粒子进行差分进化算法,可以减少一定的运算量和在较优的区域进行寻找最优解。通过几个Benchmark函数的测试证明,新的混合算法具有搜索精度更高和更快收敛的优点。     

基于改进差分进化的车辆路径优化算法

差分进化算法是一种具有记忆个体最优解和种群内部信息共享的特点的新型进化算法,本质上可看做是一种基于实数编码的、具有保优思想的贪婪遗传算法。针对具有NP难的车辆路径优化问题,提出了一种改进的差分进化算法。利用贪心算法产生初始种群,定义合法化修复变异个体的方法,采用改进的顺序交叉,并在变异操作之后,加入新的选择机制。使用Matlab进行了算法的实现,实验结果表明了改进DE算法能够高效地解决VRP问题。     

智能无人机轨迹与任务卸载联合优化

移动边缘计算（MEC）是云计算技术在边缘基础设施之上的应用拓展。考虑一个高能效的无人机移动边缘计算系统,通过联合优化无人机的运动轨迹、任务卸载策略和计算资源分配来最小化系统的能耗。为解决以上问题,提出一种双层优化方法,在上层用基于无监督学习的信道增益-自组织特征映射网络（h-SOM）对用户进行实时聚类,该聚类是以信道增益作为判断类别的指标并得到无人机的最佳部署位置;在下层根据无人机的部署,将计算卸载和计算资源分配问题转化为混合整数非线性规划问题（MINLP）,并采用带有精英初始策略和自适应双变异策略的改进差分进化算法（IDE）进行迭代求解,精英初始策略可以根据h-SOM的聚类结果提供优秀的初始解,自适应双变异策略能够提高算法的全局搜索能力并促进算法收敛,从而获得更好的任务卸载决策。通过仿真实验验证了所提方法的有效性,并与传统算法进行了比较,其优化效果显著,为MEC系统的联合优化提供了一种新思路。     

改进的差分演化算法求解多维背包问题

多维背包（MKP）是组合优化中一个典型的NP难问题,广泛应用于工程和管理中。提出了一种改进的二进制差分演化算法（Modified Binary Differential Evolution algorithm,MBDE）求解MKP问题,算法关键步骤可分为两部分：二进制群体生成;得到候选可行解。提出了一种有效的衡量商品价值密度的方法用于对二进制个体修正和优化;设计了反向测试搜索和精英局部搜索策略来提高算法探索和开发能力,从而进一步提高了MBDE的求解精度和收敛速度。为验证MBDE算法的有效性,进行了三组实验,并和近期提出的解决MKP问题的其他启发式算法进行了比较,实验结果显示,MBDE算法求解精度更高。从算法运行时间看,求解速度快,非常适合求解大规模的MKP问题。     

EIR向LTE扁平化演进的研究

LTE（Long Term Evolution,长期演进计划）,以其卓越的通信带宽、高频谱利用率、可靠的Qos保证、灵活的系统部署、低网络时延成为电信运营商演进网络的首选。目前90%以上的运营商对LTE-TDD或者LTE-FDD表现出不同程度的关注。然而,LTE的扁平化理念在引入传统网元时受到挑战。依据扁平化理论对LTE核心网中的EIR（Equipment Identity Evolution,设备识别寄存器）和PCRF（策略和计费规则功能）提出一种融合的扁平化演进策略,在系统实验中起到一定降低时延的效果。     

快速多分类器集成算法研究

研究快速多分类器集成算法。对多分类器集成需选定一定数量的弱分类器,再为每个弱分类器分配一定权重。在选择弱分类器时,通过计算每个弱分类器在全部训练样本集上的分类错误率,对其进行排序,挑选出分类效果最好的若干弱分类器。在多分类器权重分配策略上,提出2种权重分配方法：Biased AdaBoost算法与基于差分演化的多分类器集成算法。在人脸数据库上的实验结果表明,与经典AdaBoost算法相比,该算法能有效降低训练时间,提高识别准确率。     

基于QCI优先级的分组调度算法

长期演进(LTE)系统对用户同时获得的多种业务配置了服务质量(QoS)等级标识(QCI)优先级参数,从而优化了移动通信系统QoS评价体系。为此,结合M-LWDF算法,提出一种基于QCI优先级的分组调度算法。将QCI参数引入资源分配和分组调度判决机制,在用户与申请的多项业务间建立优先级关联性,实现多用户之间、单用户的多类型业务之间的联合优化调度。仿真结果表明,该算法能有效提高系统平均吞吐量,降低平均时延。