高维目标进化算法研究进展

主流的多目标进化算法在解决目标数目较少的优化问题时具有较好的性能,但当优化目标数目超过4维,即具有高维目标时,算法的性能很快下降,而且搜索的开销快速增长.高维目标进化算法的研究受到了进化计算与工程优化领域的高度关注.鉴于此,对高维目标优化问题的困难进行了分析,并对高维目标进化算法的研究进展进行了综述,总结了各类算法的特点与缺陷,并指出了未来进一步研究的方向.     

朴素差分进化算法

针对变异算子学习方式的单一性,提出一种朴素变异算子,其基本思想是向优秀的个体靠近,同时远离较差个体,其实现方式是设计一种缩放因子调整策略,如果三个随机个体在某维上比较接近,则缩放因子变小,反之变大.在实验过程中通过平均适应度评价次数、成功运行次数和加速比等指标表明,基于朴素变异算子的差分进化算法能有效提高算法的收敛速度和健壮性.     

余弦适应性骨架差分进化算法

针对传统差分进化算法在解决复杂优化问题时存在收敛速度慢的问题,提出了一种余弦适应性骨架差分进化算法(CABDE),算法设计了一种新的变异策略适应性机制。该机制引入一个余弦适应性因子,实现高斯变异策略和DE/current-to-best/1变异策略的优势互补,以平衡算法的勘探能力和开采能力。其中,高斯变异策略具有较强的全局搜索能力,有利于维持种群多样性。DE/current-to-best/1变异策略具有较强的局部搜索能力,能够加快对较优区域的开采。同时,高斯变异策略和DE/current-to-best/1变异策略都利用当前最优个体来引导算法搜索方向,从而尽可能地加快收敛速度。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略。设计的变异策略适应性机制能够在维持种群多样性的同时加快收敛速度。为测试算法性能,采用18个不同特性的测试函数对算法进行数值实验。对CABDE算法的变异策略和参数动态变化进行了分析,实验结果验证了变异策略和参数动态变化的有效性。此外,CABDE算法分别与新近的骨架算法变体、差分进化算法变体、粒子群优化算法变体和人工蜂群算法变体进行了比较。实验结果表明CABDE算法获得了较高的求解精度,加快了收敛速度,整体上优于其他比较算法。     

基于两阶段搜索算法的多峰函数优化

多峰优化问题需要搜索多个最优值（全局最优／局部最优）,这给传统的优化算法带来很大程度上的挑战。本文提出了一种两阶段算法求解多峰优化问题。第一阶段采用带有邻域变异策略的排挤差分演化算法进行粗粒度搜索,在适应度景观上尽可能多的找到最优解的大概位置。搜索一定代数之后,调用DMC聚类方法把搜索种群划分成多个聚类,然后在每个聚类上调用协方差矩阵自适应演化策略算法进行精细搜索。另外,本文还提出搜索点补充策略用于平衡每个聚类的大小及增加算法初期的搜索能力。我们提出的方法和9个较新的经典算法在两个基准测试集上进行了大量对比测试,结果表明新算法是有效的,在大多数测试函数上都优于其它算法。     

一种使用反向学习策略的改进花粉授粉算法

为了进一步提高基本花粉授粉算法的性能,提出了一种改进的花粉授粉算法(EFPA).该算法在演化过程中以一定的概率利用一般反向学习策略对当前种群作一般反向变换,从而生成一般反向变换种群,然后将一般反向变换种群与当前种群同时进行竞争,选择出优秀的个体进入下一代种群.在演化计算领域中广泛使用的基准测试函数上,将提出算法与基本花粉授粉算法进行了比较实验,实验结果表明提出算法能够有效地提高基本花粉授粉算法的性能.     

基于变分模式分解和门循环单元的电子系统间歇故障严重程度评估方法

针对电子系统间歇故障信号受噪声影响大且冗余信息多,导致深度神经网络模型对间歇故障严重程度评估能力受限的问题,该文提出一种基于变分模式分解和门循环单元(VMD-GRU)的间歇故障严重程度评估方法。先通过变分模式分解(VMD)对间歇故障信号进行自适应分解得到所有固有模式函数(IMF)分量,再对IMF分量进行相似度分析选择敏感分量,并利用微分增强型能量算子构建严重程度敏感因子。最后,利用严重程度敏感因子训练门循环单元(GRU)循环神经网络评估模型。通过对电子系统的关键电路注入不同严重程度的间歇故障进行评估,结果表明该方法有较强的间歇故障严重程度评估能力,评估结果更加准确有效。     

一种基于分量热力学迁移策略的并行多种群GEP

针对传统并行多种群GEP存在着优良个体的传播和种群多样性之间的冲突问题,提出一种基于分量热力学迁移策略的并行多种群GEP算法(CTDPGEP)。该算法在当前子种群中选择出若干个优良个体和若干个随机个体组成精英子空间,并将精英子空间传送至其他各子种群的迁移区中;其他各子种群异步地将其迁移区中的个体采用分量热力学替换规则接收到自己的种群中。通过这种机制不仅有效地传播了各子种群中的优良个体,而且保持了各个子种群的多样性,定量地平衡优良个体的传播与种群多样性之间的冲突,在加快收敛速度的同时保持种群的多样性,减少陷入局部最优的概率。对比实验结果表明该算法表现出更高的求解精度和更快的收敛速度。     

一种基于并行GEP的复杂电路优化算法

数字电路设计的优化是演化硬件中的研究热点,传统的优化方法主要是利用代数法和卡诺图求解法,但是在规模较大时却难于求出或无法求出最优的电路结构.提出一种新的基于并行基因表达式程序设计优化复杂数字电路的算法(COPGEP),该算法通过各子种群之间优良个体的迁移,有效地传播优良个体,充分发挥了优良个体的导向作用,提高了传统GEP的全局寻优能力以及求解精度和收敛速度.通过仿真实验表明,该算法比传统GEP收敛速度更快,能够克服传统GEP算法在优化变量个数多于5个的数字逻辑电路时收敛速度慢,甚至不收敛等缺点.     

协方差矩阵自适应演化策略学习机制综述

基于协方差矩阵自适应（CMA）的演化策略算法（ES）是一种优秀的、不依赖于梯度信息的随机局部优化算法.基于CMA的学习机制使其对搜索空间的任意可逆线性变换具有不变性,对于病态的、高度不可分的问题有优秀的求解能力.CMA学习机制具有较强的数学理论基础,这对设计其他演化算法有很好的借鉴意义.本文旨在详细分析CMA-ES的各种学习机制,并给出其所依赖的主要理论基础.最后通过实验比较CMA-ES各种变体的优势与不足,并着重比较本文改进的CMA-ES变体与其它变体在性能上的差异.     

差分进化算法中参数自适应选择策略研究

参数选择本身是一个组合优化问题,尽管过去提出了很多方法,但是参数选择依然令人困惑,为此提出适用于差分进化算法的参数自适应选择策略。该策略在进化的过程中动态评估参数的性能,并根据其结果指导下一次迭代过程的参数选择。从参数库的建立、参数评分机制和参数配置机制3方面展开研究,对比实验结果表明,该方法效果良好。