混沌差分进化算法在复杂优化问题中的应用研究

差分进化算法求解复杂优化问题时,由于进化后期种群多样性降低,算法极易陷入局部最优值无法跳出.论文针对该问题,将差分进化算法和混沌优化方法耦合,构建了混沌差分进化算法.算法利用混沌序列的遍历性和内部迭代的随机性,弥补差分进化算法容易陷入局部最优的缺陷,从而提高算法的搜索性能.对几种典型函数的测试结果表明:混沌差分进化算法的全局搜索性能有了显著提高,能有效避免算法陷入局部最优.因此,与标准差分进化算法和混沌优化算法相比,该算法在求解复杂优化问题时更加可行、有效.     

和声蛙跳算法在复杂优化问题中的应用研究

和声搜索算法在求解复杂优化问题时,仅仅通过随机的方式产生新元素,搜索过程中新个体的有效性难以持续保证,影响算法的优化性能.针对该问题,将混合蛙跳算法的族群内部局部寻优模块嵌入和声搜索的算法框架中,将和声搜索算法的随机性与混合蛙跳算法的导向性相耦合.定义算法自适应调整参数并以此为基础对两种算法进行动态调用,从而实现两种算法的耦合动态搜索.将改进算法应用于标准测试函数和车辆路径问题的优化,模拟计算结果表明：本文提出的改进算法具有更强的全局搜索能力,得到的解更优,适合用于求解复杂优化问题.     

自适应细菌觅食算法在优化问题中的应用

细菌觅食算法在求解优化问题时,以固定的步长进行趋向操作,同时以固定概率对细菌个体进行随机驱散操作,虽然可以一定程度上增加种群多样性,但是在进化后期容易使优秀的个体流失,影响算法的寻优质量.针对上述问题,论文提出步长自适应调整和驱散概率自适应调整两项改进策略,分别根据算法进化程度和细菌个体的能量值动态调整趋向操作的步长和驱散操作的概率,从而使算法在保证种群多样性的前提下,保持细菌个体具有较高觅食能力,促进算法局部搜索和全局优化的平衡.对标准测试函数和TSP问题的测试结果表明:基于自学习的细菌觅食算法具有较强的全局寻优能力,适合求解高维复杂优化问题.