混沌-克隆进化算法

将混沌优化机制和免疫克隆进化算法有机结合, 用混沌浮点数编码代替克隆选择算法的二进制编 码, 利用混沌随机序列产生初始种群, 保证初始种群的多样性。对高亲和度抗体采用混沌扰动策略, 对抗体根据其 亲和度大小加以不同的混沌扰动;混沌扰动系数随进化代数而变化, 进化前期加速搜索, 进化后期加速收敛。对低 亲和度抗体采用混沌再生策略, 保持种群多样性。对5 个复杂函数的优化试验结果表明, 该算法优于混沌优化算法 和克隆选择算法。     

基于反学习和正交交叉算子的元胞差分进化算法

提出了一种基于正交交叉算子的元胞差分进化算法. 进化初期采用反学习初始化方法获得初始候选种群,利用元胞结构的局部搜索方法替代控制参数调节差分进化算法的选择压力,从而平衡差分进化算法的探索能力和开发能力,利用元胞自动机的并行演化机制保持种群的多样性,从而避免陷入局部最优. 该算法利用无交叉因子的正交交叉算子,通过多元素重复试验加速种群收敛速度. 对多个典型测试函数的仿真实验结果表明,所提出的算法相较于多个差分进化改进算法具有更快的收敛速度和更好的计算精度.     

两阶段搜索的多模态多目标差分进化算法

在多模态多目标优化问题中,Pareto前沿的同一位置对应决策空间的多个Pareto最优解,而已有的多目标优化算法往往只能获得其中的一个Pareto最优解,因此,提出一种两阶段搜索的多模态多目标差分进化算法.该算法将优化过程分为精英搜索和分区搜索两个阶段:在精英搜索阶段通过精英变异策略生成高质量个体来保障种群的搜索精度和...     

改进差分进化算法在梯级水库优化调度中的应用

针对标准差分进化算法缺乏全局与局部搜索的动态调整,进化后期由于种群多样性降低,算法极易陷入局部最优的问题,采用控制参数的余弦函数调整策略,并提出综合分布参数概念,根据种群个体进化过程的特点及算法的阶段特性,自适应调整算法的控制参数及进化策略.通过对工程实例的模拟计算,其结果表明了改进的差分进化算法在解决水库优化调度问题上的有效性.将改进差分进化算法的计算结果与POA及标准差分进化算法进行比较分析,充分体现了改进差分进化算法的优点.     

基于食物链生态进化算法的多阶段输电网络规划

将模拟生物界能量传递方式的食物链生态进化算法应用于多阶段输电网络规划。根据食物链生态进化算法收敛性受初始食物链上个体分布影响较大的特点,提出了一种初始化方法。该方法使得初始种群广泛分布于搜索空间,避免了完全随机初始化群体分布不合理的缺点。根据多阶段输电网络规划的特点,提出了以待选线路为决策变量,规划阶段号为搜索域的实数编码方法,解决了决策变量维数随着规划阶段数的增加而增加的问题。根据食物链中低级种群和中级种群品质较低的特点,提出了大变异策略,使得低级种群和中级种群可以快速产生新个体,改善群体品质,避免"早熟"。将所提方法应用于19节点系统,得到了现有文献中有关该系统的最优规划方案,表明该方法的可行性和有效性。     

基于记忆策略的动态离子运动优化算法

针对动态优化问题求解时普遍存在的多样性保持不够、寻优能力不足等问题,提出了一种基于记忆策略的动态离子运动优化算法。该算法引入了全局最优个体和斥力的作用,改进了固体阶段的启动条件和更新方式;提出了根据概率选取存储记忆个体,构建正、反向记忆种群;依据余弦相似度排序规则,利用正、反向记忆种群更新进化种群,加快进化种群跟踪最优解的能力;并提出基于余弦相似度排序的环境变化后增加种群多样性的方法。将本文算法与近年效果较好的4种动态优化算法在国际上通用的动态测试函数DF1和MPB移动峰问题上进行测试,仿真结果表明,本文算法在求解精度、收敛速度及稳定性上都优于其他对比算法。     

基于混沌的正余弦果蝇优化算法

针对果蝇优化算法(FOA)存在收敛速度慢和易陷入局部最优等问题,提出一种基于混沌的正余弦果蝇优化算法(CSC-FOA).通过混沌logistic映射生成算法的初始种群位置,使果蝇位置更接近最优值,降低随机初始化对算法性能的影响;果蝇个体位置更新时采用正余弦搜索策略,利用正余弦的波动搜索避免局部最优,提高收敛速度.实验结...     

高维多目标问题的排序新方法

针对高维多目标优化问题,提出了一种新的排序方法．它通过产生近似最优目标向量来增加种群的规模,从而达到对真实个体的有效排序．首先构造一个理想的帕累托前沿面,然后将这个理想的帕累托前沿面分成若干个网格,使每个个体都对应惟一的一个网格,通过这个网格上的节点来判断这个体是不是非支配解．数值实验表明,即使对于50维目标的问题,收敛性度量值也小于1．此外,与当前的两种最具代表性的松弛的帕累托占优方法比较,该方法能同时保持解的多样性和收敛性．     

协同量子智能体进化算法及其性能分析

针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取三级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.     

一种改进的多目标粒子群优化算法

针对多目标粒子群优化算法在迭代过程中收敛速度和多样性方面的不足,提出一种改进的多目标粒子群优化算法(IMOPSO).采用基于栅格和拥挤距离的协同外部档案维护策略,通过更准确地选择收敛性和多样性性能更好的非劣粒子作为全局最优值,加快整个种群的收敛速度;采用分段Logistic混沌映射、外部档案检测机制及修改的粒子速度更新公式,分别在初始化阶段和迭代过程中增强种群的多样性;最后,通过对标准测试函数仿真测试证明了改进后的算法能够快速收敛至Pareto最优前沿并保持较好的多样性.     

基于K-Means全局引导策略的多目标微粒群算法

提出了一种基于K-means全局引导策略的多目标微粒群算法(KMOPSO),通过K-means算法从归档集中选出K个均匀分布的非支配粒子作为全局最优引导,以保证种群中的粒子向整个Pareto前端移动,提高解的多样性. 用基于最近邻居的剪枝算法控制归档集规模,同时保证其中非支配解的多样性. 引入变异策略来加强算法的局部搜索能力,避免早熟收敛. 用5个经典函数进行了仿真测试,实验结果表明,该算法能有效地解决多目标优化问题,不但能收敛于Pareto最优前端,而且在解的多样性方面优于改进的非劣分类遗传算法和基于拥挤距离的多目标微粒群算法.     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.     

一种基于杂草克隆的多目标粒子群算法

多目标粒子群算法(MOPSO)在优化函数时,尤其对于Pareto前沿是分段不连续的优化函数,存在收敛速度慢,种群多样性差的缺陷。针对此问题,将杂草克隆机制引入MOPSO,提出了一种新的多目标粒子群算法,称之为IWMOPSO。该算法利用改进的档案维护策略和不可行解增强多样性和均匀性,通过标准测试函数验证,能够使所求得的Pareto最优解逼近整个Pareto真实前沿,收敛性和多样性明显优于MOPSO和NSGA-Ⅱ,具有较强的应用性。     

基于正态分布和自适应变异算子的ε截断算法

针对约束优化算法不能很好协调收敛性及分布性的问题,提出一种基于正态分布和自适应变异算子的ε截断算法。将正态分布引入模拟二进制交叉算子中,使算法可搜索的空间范围更广,更易跳出局部最优;利用自适应变异算子,将种群个体当前信息与变异算子结合起来,引导种群向真实的Pareto前沿进行进化;结合自适应的ε截断策略,保留Pareto最优解和一定数量的不可行解,同时利用不可行解的信息,加大对搜索空间的探索力度,从而提高种群多样性。采用3种标准测试函数对算法进行测试,试验结果表明:本研究所求解集能够很好的跟踪真实的Pareto解集。该方法可以有效地协调算法的收敛性及分布性。     

基于核分布估计的动态多目标优化进化算法

建立了一种近似估计下一环境进化种群和问题的Pareto最优解集的核分布估计方法, 当问题环境发生改变时, 算法利用以前不同环境搜索到的有用解信息对下一环境进化种群及Pareto最优解集进行近似估计, 极大地提高了算法的搜索效率。在对进化算子的合理设计基础上提出了一种核分布估计的动态多目标优化进化算法。通过对4个常用标准测试函数所作的数据仿真实验表明:提出的算法是十分有效的.     

智能电网中基于ESS-MOPSO算法的调度优化策略

结合智能电网的调度优化策略应综合考虑经济运行、节能减排及电能质量各方面因素,给出了智能电网的优化调度方程,并采用粒子群算法对该方程进行多目标寻优.介于传统粒子群算法中使用Pareto准则的局限性,采用一种基于优先阶的均衡选择全局搜索策略,更加有效地选取出全局最优粒子,引导其他粒子寻优.在对智能电网调度优化的仿真中取得了良好效果.     

基于NSGA2的水库多目标优化

讨论了非支配排序遗传算法(non-dominated sorting gentic algorithm Ⅱ, NSGA2)及其参数确定问题, 利用NSGA2对两目标水库优化调度问题进行求解,求出了问题的Pareto前端,比较了参数不同取值的优化结果。实例分析结果表明:NSGA2中遗传操作参数(包括锦标赛选择参数、模拟二进制交叉分布参数、多项式变异分布参数)对优化结果影响很小,算法具有鲁棒性,对大部分水库多目标优化问题可采用推荐值;当NSGA2种群规模和进化代数两个参数足够大时,即可得到足够多且分布均匀的Pareto前端,算法具有简便性;利用NSGA2求解水库多目标优化问题,可得到足够多且分布均匀的Pareto前端,随着种群规模和进化代数的调整,Pareto前端逐步改进, 算法稳定性好,适合求解水库多目标优化调度问题。     

改进的克隆选择算法与SPEA相结合的进化算法

为了使进化过程中子代的繁殖能够像生物繁殖那样继承进化信息,通过挖掘抗体中优秀决定基并生成记忆集、增加高斯变异、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体等策略,提出了一种改进的克隆选择算法（ICSA）。将ICSA与SPEA相结合,形成了一种改进的克隆选择算法与强度Pareto进化算法相结合的新型的进化算法（ICSA-SPEA）。ICSA-SPEA通过克隆选择替代选择、交叉、重组等遗传操作。用一组多目标0/1背包问题测试算法性能的统计结果表明,改进的算法可以有效保持种群多样性,具有良好的收敛精度与准确度。