应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Diffe-rential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。     

一种基于差分策略的群搜索优化算法

针对群搜索优化(Group Search Optimizer,GSO)算法易陷入局部最优、收敛速度较慢、收敛精度较低等问题,提出一种基于差分策略的群搜索优化(Differential Ranking-based Group Search Optimizer,DRGSO)算法。主要进行两方面改进:1)按照适应度值的大小对种群进行排序,适当增加发现者的数目,使种群能够获得更好的启发式信息,加快了算法的收敛速度,有效地避免了算法陷入局部最优;2)在发现者搜索过程中,引入4种不同的差分变异策略,提高了算法的收敛精度,增强了算法的群体多样性在。11组国际标准测试函数上的实验测试结果显示,与GA,GSO,PSO算法相比,DRGSO算法具有较强的全局搜索能力以及局部资源勘探能力,算法整体收敛性能明显提高。     

基于改进群搜索优化算法的群体路径规划方法

针对群体动画中传统路径规划算法搜索时间长、寻优能力差等问题,提出一种利用群搜索算法进行多线程路径规划的方法。该方法首先将模拟退火算法引入到搜索模式中,克服算法易陷入局部最优的问题;其次,通过结合多线程和路径随机拼接技术,将算法应用到路径规划中。仿真实验表明该算法无论在高维还是低维情况下都具有较好的全局收敛性,能够很好地满足在复杂动画环境下路径规划的要求。     

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA).该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索.在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛.通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点.     

基于交叉因子和模拟退火的群搜索优化算法

针对目前标准群搜索优化(GSO)算法存在的一些缺点,提出一种基于交叉因子和模拟退火群搜索优化(CMG-SO)算法,通过与模拟退火算法的结合来改善算法的收敛性能,并借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体成员优良特性,减小了算法陷入局部极值的可能.经过4个常用测试函数测试及与粒子群优化(PSO)算法、群搜索优化(GSO)算法对比,表明了该算法有较好的全局搜索能力和收敛速度,提高了优化性能.     

具有混沌局部搜索策略的差分进化全局优化算法

提出了一种具有混沌局部搜索策略的差分进化全局优化算法（CLSDE）,它是在每一代中通过DE/best/1/bin形式的差分进化算法找到最佳个体,然后在最佳个体的附近用混沌的方法进行局部搜索。8个基本的测试函数优化结果表明：若误差函数精度为10^-10,CLSDE寻优成功率比DE和SACDE都要高,而且收敛速度比DE和SACDE都要快。     

差分进化微粒群优化算法-DEPSO

微粒群优化算法是一种新的进化计算技术,具有良好的优化性能,但是对于高维多模态函数,因进化后期微粒多样性的降低导致算法早熟收敛.文章提出的差分进化微粒群优化算法(DEPSO),拓宽了微粒信息传递的途径,增加了微粒的多样性,保证了算法的全局收敛.实验结果表明,DEPSO比PSO有更好的性能.     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

基于差分及模拟退火的混合粒子群算法

粒群算法是一种新型的群体进化计算方法,已经在一些工程领域得到了广泛的应用,本文鉴于该算法存在收敛速度较慢,易陷入局部极值的缺点,提出一种基于差分及模拟退火的混合粒子群算法。通过对三种进化算法各自优势的分析与结合,得到一种改进的粒子群算法。     

基于混沌局部搜索的粒子群算法及其应用

为提高混沌优化搜索结果的精度,在以粒子群算法进行全局搜索的基础上,根据全局搜索结果利用混沌优化进行局部搜索,实现在全局范围上搜索最优值.分析局部混沌搜索方法,设计基于混沌局部搜索的粒子群算法的流程,利用混沌优化进行粒子群局部搜索以跳出局部最优搜索区域,避免陷入局部极小值和实现在全局范围上搜索目标函数的最优值.以RMSE...     

基于离散和声搜索与模拟退火的混合算法

和声搜索是一种启发式优化算法,对和声搜索算法进行离散化,使其能够适用于组合优化问题,就离散和声搜索算法进行两点改进,针对离散和声搜索算法容易陷入局部最优的缺陷,提出一种离散和声搜索与模拟退火算法的混合策略。实验结果表明,基于改进离散和声搜索与模拟退火的混合算法具有较高的求解质量。     

结合禁忌搜索的改进粒子群优化算法

为提高粒子群优化算法的全局搜索和局部开采能力,提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中,以线性递增的概率对最优粒子实施随机扰动,在全局搜索收敛到一定程度后,引入TS算法进行局部搜索,使算法快速收敛到全局最优解。分析结果表明,该算法收敛精度较高,能有效克服早熟收敛问题。     

一种新的混沌差分进化算法

提出一种新的混沌差分进化(CDE)算法,在每一代中通过差分进化(DE)算法找到最佳个体,在最佳个体附近用混沌方法进行局部搜索,通过引入调节因子加强其搜索能力。6个基本测试函数的优化结果表明,当误差函数精度为10-14时,与DE相比,CDE的寻优能力更强、收敛速度较快。     

Global Optimum-Based Search Differential Evolution

In this paper, a global optimum-based search strategy is proposed to alleviate the situation that the differential evolution (DE) usually sticks into a stagnation, especially on complex problems. It aims to reconstruct the balance between exploration and exploitation, and improve the search efficiency and solution quality of DE. The proposed method is activated by recording the number of recently consecutive unsuccessful global optimum updates. It takes the feedback from the global optimum, which makes the search strategy not only refine the current solution quality, but also have a change to find other promising space with better individuals. This search strategy is incorporated with various DE mutation strategies and DE variations. The experimental results indicate that the proposed method has remarkable performance in enhancing search efficiency and improving solution quality.      

基于单纯形算子的混合差分进化算法

针对DE／rand／1／bin方案收敛速度慢的缺点,提出一种将单纯形确定性算法和差分进化随机搜索算法相结合的混合优化算法。利用差分进化算法搜索范围广、全局搜索能力强和单纯形算法局部搜索能力强、收敛速度快的特性,较大地提高了差分进化算法的收敛速度和搜索精度。典型Benchmarks复杂函数优化实验表明,该算法优化效率高、优化性能好、对初值具有较强的鲁棒性,性能优于单一的优化方法。     

基于改进PSO和DE的混合算法

研究粒子群优化(PSO)算法和差分进化(DE)算法的优缺点,通过改进PSO算法并与DE算法混合,得到一种双种群的新型混合全局优化算法。经过对5个标准测试函数的大量实验计算表明,该算法能有效克服PSO算法和DE算法的缺陷,使寻优精度有较大改进,在高维情况下表现更加突出。     

基于M-H采样的快速反向微分进化算法

反向微分进化(ODE)算法基于反向优化对种群进行初始化更新以保持种群多样性。但该算法中反向个体容易偏离全局最优个体,不能很快达到全局最优,在函数优化过程中收敛速度慢且容易陷入局部最优。为此,提出一种基于M-H采样的快速反向微分进化算法。M-H采样用于ODE算法的变异操作,满足马尔可夫链可逆条件。马尔可夫链的一步转移概率根据个体等级分配的选择概率进行计算,既能选择最优个体,又能寻找优化方向并保持种群多样性。仿真结果表明,M-H采样得到的个体具有马尔可夫链平稳分布特性,该算法在单峰函数和多峰函数优化中都能快速收敛,全局和局部搜索性能达到平衡,具有较高的搜索精度及较好的鲁棒性。     

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。     

基于改进DE算法的难约束优化问题的求解

基于指数函数的性质,提出简易罚函数法(SPFM),用于有效求解难约束优化问题(COP),并屏蔽选取罚因子的困难性。将SPFM和差分演化相结合,给出一种求解难COP的改进差分演化算法(MDE)。利用MDE求解Bump问题可以得出该问题的多个新的最优解,证明MDE在求解难COP时的高效性。