动态调整子种群个体的差分进化算法

提出一种新的动态调整子种群个体数目的并行差分进化算法。基于种群个体的适应度值,该算法将种群个体分为三个子种群,分别用于全局搜索、局部搜索及二者的结合。在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目。另外,不同子种群分别采用不同的变异策略,以协调算法的勘探和开采能力。数值实验结果表明该算法具有较好的寻优效果。     

基于双层进化的多种群并行人工蜂群算法

针对人工蜂群算法(ABC)容易陷入早熟收敛等不足,引入文化算法双层进化结构和多种群并行进化思想,提出基于双层进化的多种群并行人工蜂群算法(PMABC)。将采蜜蜂群划分为具有不同搜索策略的子种群并行进化,平衡全局开发能力与局部搜索能力,避免算法过早陷入局部最优。采用双层进化结构,采蜜蜂群作为种群空间寻找可行解,追随蜂群作为信仰空间,记忆采蜜蜂群搜索的优质蜜源并继续搜索。将其搜索结果用于指导蜂群寻优,可加速算法收敛,提高收敛精度。通过6个经典的适应度测试函数仿真验证了该算法能够有效避免陷入局部最优,具有较快收敛速度和较高收敛精度。     

一种改进的动态多种群并行差分进化算法

针对单种群差分进化算法易出现早熟收敛的问题,提出了一种改进的动态多种群并行差分进化算法。该算法首先利用佳点集方法产生初始种群以增强算法的稳定性和全局搜索能力。基于个体的适应度将种群分为三个子种群,并分别执行采用不同实验向量产生策略和控制参数设置的差分进化算法,既保持了各个子种群算法的独立性和优越性,又不增加算法的复杂性。仿真实验结果表明该算法具有较好的寻优性能。     

分段式量子-单纯形进化算法及函数优化

量子进化算法在高维复杂函数优化上存在容易陷入局部最优解、进化后期收敛速度慢的问题,为进一步提高其搜索性能,提出了一种带单纯形搜索算子的分段式量子进化算法。该方法将搜索过程分为3个阶段,首先用量子进化算法搜索到一定代数,然后将种群分为若干个子种群,每个子种群中的个体作为单纯形法的初始顶点,并行地用单纯形法进行搜索,将搜索后的子种群再合并,继续用量子进化算法进行最后的搜索。对几个典型的高维函数进行仿真的结果表明,该算法具有更快的收敛速度和更高的求解精度。     

一种并行免疫进化策略算法研究

基于克隆选择原理，提出一种自适应并行免疫进化策略．在算法中根据抗体抗原亲和度将初始抗体种群分为两个子群，相应地提出了精英克隆算子和超变异算子．通过精英克隆算子提高算法局部搜索能力，同时利用超变异算子维持种群多样性，通过这两个功能互补算子的并行操作实现种群进化．仿真表明，自适应并行免疫进化策略搜索效率高，能有效抑制早熟收敛现象，可用于解决复杂机器学习问题．     

一种求解高维多模态复杂问题的差分文化算法

针对在求解高维多峰值复杂问题时种群容易陷入局部搜索、求解精度低的问题,提出了一种基于自适应差分进化算法和小生境高斯分布估计的文化算法。将差分进化算法用于种群空间的优化,利用动态小生境识别算法在种群空间中识别小生境群体。信度空间利用高斯分布估计算法在小生境内进行局部优化,并将小生境特征存入进化知识库,进化知识库进一步引导种群空间,有效地保证了种群的多样性,避免了局部的重复搜索。最后,通过仿真实验测试表明,算法具有收敛速度快、求解精度高、稳定性高和全局搜索能力强等优势。     

多种群多策略的并行差分进化算法

为了更好地提高并行差分进化算法的求解精度和计算效率,实现适用于解决多种优化问题的鲁棒性算法,提出了一种多种群多策略的并行差分进化算法。该算法将种群划分为多个子种群,不同的子种群分别采用不同的差分进化策略。多个子种群各自独立进化,互不干扰,每隔一定代数才进行种群间的通信交流。通过利用多种群实现多种优化策略,并采用并行方式,使得算法可以采用不同的优化策略进行搜索,更加节省计算时间。数值实验结果表明,该算法在求解不同类型的优化问题时都具有良好的计算能力和效率。     

动态环境下基于预测机制的多种群进化算法

提出一种动态环境下基于预测机制的多种群进化算法,将预测机制引入到动态进化算法的研究中,对算法所得的某些信息进行记忆,根据记忆序列构建预测模型,当环境发生变化时能够通过预测模型对动态环境进行预先判断.算法采用自组织侦查的多种群策略,多个子种群对搜索子空间进行局部搜索,主种群用于确定新的搜索子空间.在子种群的自适应调整、子种群间的拥挤操作等方面进行了改进,根据子种群所跟踪的最优解位置信息构建预测模型,当环境发生变化时通过预测及子种群的进化实现对动态环境的自适应跟踪.以移动峰问题为测试对象,实验结果表明新算法具有良好的处理动态问题的能力.     

一种动态融合的并行混合进化算法EDAs/PSO

在介绍分布估计算法和粒子群算法的基础上,提出一种动态融合的并行混合进化算法EDAs/PSO。该算法采用分布估计算法和粒子群算法两种模型,既保持了分布估计算法较强的全局搜索能力,又保持了粒子群算法较强的局部搜索能力;另一方面,又采用一种动态融合的并行策略,通过周期性地对子种群中的个体按照一定的迁移率进行迁移操作,保证了种群的多样性,从而防止了算法的早熟收敛,提高了解的精度。实验结果表明了该算法的有效性和正确性。     

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。     

结合非固定多段罚函数的约束优化进化算法

利用非固定多段映射罚函数的约束条件,提出一种结合非固定多段罚函数的约束优化进化算法。该算法利用佳点集方法初始化种群,以保证其均匀分布在搜索空间中。在进化过程中,对种群进行单形交叉和多样性变异操作产生新的个体,增加种群的多样性。对6个经典Benchmark问题进行测试,实验结果表明,该算法能有效地处理不同的约束优化问题。     

动态分级中心引力约束优化算法及工程应用

结合非固定多段罚函数处理约束条件,提出一种动态分级中心引力优化算法用于求解约束优化问题。该算法利用佳点集初始化个体以保证种群的多样性。在每次迭代过程中将种群分为两个子种群,分别用于全局搜索和局部搜索,根据搜索阶段动态调整子种群个体数目。对几个标准的测试问题和工程优化问题进行数值实验,结果表明该算法能处理不同的约束优化问题。     

一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

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.     

改进罚函数法与蝙蝠算法在约束优化中的应用

设计了一种基于自适应罚函数法和改进蝙蝠算法的约束优化问题求解方法。提出了一种自适应罚函数法,该处理方法综合考虑了约束违反的情况和进化过程的特点,如果某个约束违反的次数越多,则证明该约束越强,赋予惩罚系数越大;种群中的不可行解的数量越多,为保持种群的多样性,则约束应该取较小的值,即惩罚系数取较小的值。提出了一种改进的蝙蝠算法,利用混沌的遍历性特点产生初始种群,增强了初始种群的多样性和种群的质量;在考虑了脉冲响度的蝙蝠算法局部搜索中,融入了交叉操作;为防止算法在后期陷入局部最优解,引进了变异操作,保证了群体的多样性。将自适应罚函数法与改进的蝙蝠算法融合起来求解约束优化问题,4个复杂的标准测试函数和2个工程实际问题证明了该约束优化求解方法的可行性和有效性。     

Scheduling algorithm based on evolutionary computing in identical parallel machine production line

Evolutionary programming is a kind of evolutionary computing method based on stochastic search suitable for solving system optimization. In this paper, evolutionary programming method is applied to the identical parallel machine production line scheduling problem of minimizing the number of tardy jobs, which is a very important optimization problem in the field of research on CIMS and industrial engineering, and researches on problem formulation, expression of feasible solution, methods for the generation of the initial population, the mutation and improvement on the local search ability of evolutionary programming. Computational results of different scales of problems show that the evolutionary programming algorithm proposed in this paper is efficient, and that it is fit for solving large-scale identical parallel machine production line scheduling problems, and that the quality of its solution has advantage over so far the best heuristic procedure.     

一种求解约束优化问题的线性进化算法

提出一种基于实数编码处理约束优化问题的线性算法,并对其复杂度和收敛性进行分析.该算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,从数学分析的角度给出一种线性适应度函数.算法中融入一种基于密度函数的交叉算子和变异算法,采用基于分级聚类的平均联接方式以维持Pareto最优解集个体数目.3组典型优化问题的测试表明,该算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

一种新的基于正交实验设计的约束优化进化算法

提出了一种新的基于正交实验设计的约束优化进化算法.新算法的主要特点是:在搜索机制方面,利用正交实验设计方法安排多个父代个体的交叉操作,提出了一种新的多父体正交交叉算子,新的交叉算子能够有效利用多个父代个体所携带的信息产生新的具有代表性的子代个体.此外,利用单形交叉算子对父代种群进行并行搜索,以协调算法的勘探和开采能力.在约束处理技术上,新算法引入了一个衡量个体优、劣的新比较准则.通过13个标准的测试函数验证了算法的通用性和有效性.     

A parallel boundary search particle swarm optimization algorithm for constrained optimization problems

During the past decade, considerable research has been conducted on constrained optimization problems (COPs) which are frequently encountered in practical engineering applications. By introducing resource limitations as constraints, the optimal solutions in COPs are generally located on boundaries of feasible design space, which leads to search difficulties when applying conventional optimization algorithms, especially for complex constraint problems. Even though penalty function method has been frequently used for handling the constraints, the adjustment of control parameters is often complicated and involves a trial-and-error approach. To overcome these difficulties, a modified particle swarm optimization (PSO) algorithm named parallel boundary search particle swarm optimization (PBSPSO) algorithm is proposed in this paper. Modified constrained PSO algorithm is adopted to conduct global search in one branch while Subset Constrained Boundary Narrower (SCBN) function and sequential quadratic programming (SQP) are applied to perform local boundary search in another branch. A cooperative mechanism of the two branches has been built in which locations of the particles near boundaries of constraints are selected as initial positions of local boundary search and the solutions of local boundary search will lead the global search direction to boundaries of active constraints. The cooperation behavior of the two branches effectively reinforces the optimization capability of the PSO algorithm. The optimization performance of PBSPSO algorithm is illustrated through 13 CEC06 test functions and 5 common engineering problems. The results are compared with other state-of-the-art algorithms and it is shown that the proposed algorithm possesses a competitive global search capability and is effective for constrained optimization problems in engineering applications.     

An exact penalty function-based differential search algorithm for constrained global optimization

Differential search (DS) is a recently developed derivative-free global heuristic optimization algorithm for solving unconstrained optimization problems. In this paper, by applying the idea of exact penalty function approach, a DS algorithm, where an S-type dynamical penalty factor is introduced so as to achieve a better balance between exploration and exploitation, is developed for constrained global optimization problems. To illustrate the applicability and effectiveness of the proposed approach, a comparison study is carried out by applying the proposed algorithm and other widely used evolutionary methods on 24 benchmark problems. The results obtained clearly indicate that the proposed method is more effective and efficient over the other widely used evolutionary methods for most these benchmark problems.