求解武器—目标分配问题的混合编码差异演化算法*

提出一种混合编码差异演化求解武器—目标分配优化问题。在差异演化算法中增加违反边界约束处理操作,确保由变异和交叉操作生成的每个新个体满足边界约束条件;对差异演化算法中的选择操作重新定义,使其可以直接处理约束条件。基于编码映射的方法构建一种新的混合编码差异演化算法。利用武器—目标分配问题对该算法进行了仿真实验,结果表明该算法的有效性与适用性。混合编码差异演化算法是求解离散约束优化问题的一种有效方法。     

基于混合编码的差异演化算法解0-1背包问题*

针对典型的一类NP完全问题——背包问题,提出一种混合编码的差异演化求解方法。该方法基于差异演化算法框架,采用混合编码机制,每个决策变量均由一个实数和一个二进制数的组合表示。利用新定义的映射算子,构建混合编码的种群;增加边界约束处理算子,确保变异算子计算结果满足边界约束条件;利用新定义的丢弃算子对于不可行的装包策略进行修正。通过数值仿真实验,将该方法与遗传算法、二进制差异算法的计算结果比较分析,表明该算法求解背包问题的有效性与适用性。     

多策略调和的布谷鸟搜索算法

布谷鸟搜索（CS）算法是一种新型的群智能算法,结构简单且寻优能力较强,但存在勘探与开采不平衡以及易陷入局部极值的问题。提出一种多策略调和的布谷鸟搜索（MSRCS）算法,基于概率规则选择由自适应步长和改进解更新方法组成的调和策略对布谷鸟个体进行更新,其中自适应步长引导布谷鸟在更好的方向上寻优,3种改进的解更新方法分别从自身邻域、当前最优个体和随机位置3个角度对勘探和开采进行调和,从而提升全局搜索和局部搜索在迭代过程中的适应性。在CEC2013测试集的28个基准函数上的实验结果表明,MSRCS算法至少有12个测试函数优于原始CS及其7种改进算法且排名第一,在求解单峰、多峰和组合函数问题时寻优能力更强,同时相比于3种经典群智能优化算法具有更快的收敛速度和更高的解精度。     

GPU上的维度并行随机吸引策略萤火虫算法

随机吸引策略萤火虫算法是一种元启发式优化算法。它优化了标准萤火虫算法,不仅降低了其时间复杂度,而且提高了其优化能力。高维全局优化问题的求解是一个非常耗时的过程,为了减少优化高维问题所需时间,进一步简化了随机吸引策略萤火虫算法,降低了时间复杂度,同时设计了一种维度并行策略,提出了GPU上的维度并行随机吸引策略萤火虫算法。实验结果表明,本算法保持了随机吸引策略萤火虫算法的优化能力,且加速效果明显。     

求解函数优化的新型差异演化算法*

针对差异演化算法存在早熟收敛和后期求解效率低的缺点,提出一种新型差异演化算法。该算法基于单种群,在演化过程中直接对当前种群进行变异、交叉和选择操作,无须差异演化算法中的中间过渡种群。此外,新型差异演化算法的变异与交叉概率是时变的,其中变异概率随着迭代次数的增加而减小;交叉概率随着迭代次数的增加而增加。对几个典型的测试函数进行仿真实验表明,该算法能够有效避免早熟收敛,改善了差异演化算法的优化性能。     

求解约束优化问题的动态邻域粒子群算法*

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。     

改进的差异演化算法

针对差异演化算法求解复杂优化问题效率不高问题,提出一种改进的差异演化算法。该算法采用单种群机制提高全局搜索能力,利用二次局部变异操作使当前种群中的部分个体在当前最优个体附近寻优,增强局部搜索能力。利用不同类型的标准测试函数对该算法进行测试,并与差异演化算法、动态差异演化算法和粒子群优化算法进行比较。仿真结果表明,改进的差异演化算法显著提高了搜索效率。     

解0—1背包问题的混合编码贪婪DE算法

提出一种混合编码差异演化算法来求解0—1背包问题。通过增加边界约束处理算子和编码映射函数,构建混合编码差异演化算法,求解离散优化问题,并利用贪婪变换方法对演化过程中的不可行解进行修复。仿真实验结果表明了该算法求解0-1背包问题的有效性与适用性。     

SparkDE:一种基于RDD云计算模型的并行差分进化算法

云计算MapReduce并行编程模型广泛应用于数据密集型应用领域,基于该模型的开源平台Hadoop在大数据领域获得了成功应用。然而,对于计算密集型任务,特别是迭代运算,频繁启动Map和Reduce过程将导致负载过大,影响计算效率。弹性分布式数据集(RDD)是一种基于内存的集群计算模型,有效地支持迭代运算,能够克服负载过大的问题。因此提出基于RDD模型的并行差分进化算法SparkDE。SparkDE首先将整个种群划分为若干个独立岛,然后将一个岛对应RDD中的一个分区,每个岛在RDD的一个分区中独立进化指定代数后,利用迁移算子在岛之间交换信息。利用标准测试问题对SparkDE、基于MapReduce模型的MRDE和基本DE进行对比实验研究。实验结果表明SparkDE求解精度高,计算速度快,加速效果明显,可以作为云计算平台的下一代优化器。