求解批量流水线调度问题的离散差分进化算法

在研究机床加工的过程中,针对最小化E / T指标的批量流水线调度问题,为了提高工效,提出了一种离散差分进化算法.与传统的差分进化算法不同,离散差分进化算法采用基于工件排列的编码方式,并使用基于工件排列编码的变异和交叉操作.方法可以有效解决流水车间调度问题.为了进一步提高算法的优化性能,提出了一种自适应的多邻域局部搜索算法,并将其嵌入到离散差分进化算法中以增强其局部探测能力.仿真试验表明了所得算法在求解质量和求解效率两方面优于传统的研究成果.     

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。     

基于新变异策略的动态自适应差分进化算法

针对差分进化算法在复杂优化问题求解时后期收敛速度慢、易陷入局部最优和参数设置繁琐等问题,提出一种基于新变异策略的动态自适应差分进化算法p-ADE.首先,新变异策略中通过利用种群的全局最优解和目标个体的历史最优解引导种群搜索方向,为下一代个体的生成引入更多有效的方向性信息,避免差分向量中个体随机选择导致的搜索盲目性.其次,为加快收敛速度、提高算法稳定性、避免参数设置的繁琐与不精确,提出一种参数动态自适应调整策略,动态平衡算法局部搜索与全局搜索间的关系,有效调节个体在进化过程中的变异程度.在10个Benchmark函数上的实验结果表明,p-ADE相对于多种先进DE优化策略和全局优化算法在收敛精度、速度和鲁棒性上均具有明显优势.     

基于动态自适应策略的改进差分进化算法

针对差分进化算法处理复杂优化问题时存在后期收敛速度变慢、收敛精度不高和参数设置困难的问题,提出了一种基于动态自适应策略的改进差分进化算法(dn-DADE)。首先,新的变异策略DE/current-to-dnbest/1利用当前种群中的精英解引导有效的搜索方向来动态调整可选的精英解,使其在进化后期趋于全局最优解。其次,分别设计了缩放因子和交叉因子的自适应更新策略,使两者在搜索的不同阶段自适应变化,以弥补差分进化算法对参数敏感的不足,进一步提高算法的稳定性和鲁棒性。对14个benchmark函数进行了测试并与多种先进DE改进算法进行了比较,结果显示,dn-DADE算法具有较高的求解精度,收敛速度快,寻优性能显著。     

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.     

求解动态优化问题的多种群竞争差分进化算法

针对动态优化问题（DOP）的求解,提出结合多种群方法和竞争策略的差分进化算法（DECS）。首先,将一个种群作为侦测种群,通过监测种群中所有个体的评价值和种群维度来判断环境是否发生变化。其次,将余下多个种群作为搜索种群,独立搜索环境中的最优值。在搜索过程中,引入排除规则,避免多个搜索种群聚集在同一个局部最优的邻域。在迭代若干代后对各搜索种群执行竞争操作,保留评估值最优个体所在的种群并对该种群的下一代个体生成采用量子个体生成机制,而对其他搜索种群重新初始化。最后,利用7个测试函数的49个动态变化问题对DECS进行验证,并将实验结果与人工免疫算法（Dopt-aiNet）、复位粒子群优化（rPSO）算法、改进差分进化（MDE）算法进行比较。实验结果表明,在49个问题上,DECS有34个问题的平均离线误差期望小于Dopt-aiNet算法,所有问题的平均离线误差期望都小于rPSO算法和MDE算法,因此DECS对DOP求解动态优化问题是可行的。     

一种自适应多目标离散差分进化算法

提出一种自适应多目标离散差分进化算法。该算法将差分进化引入多目标优化领域,采用一种新的自适应离散差分进化策略增强算法的全局搜索能力,以获得更优的Pareto近似解,并结合Pareto快速分层排序策略和基于聚集密度的按层修剪操作对种群进行更新维护,使解集保持良好的多样性。实例测试和算法比较表明,该算法能有效求解离散域和连续域上不同类型的多目标优化问题,且在收敛性、分布性、稳定性方面均表现较好。     

求解高维多模优化问题的自适应差分进化算法

在基变量选择方差理论分析的基础上,提出一种自适应差分进化算法(ADE).ADE算法通过设计自适应收敛因子构建自调整的权重质心变异策略,同时在交叉策略中引入发射、收缩两种单纯形操作算子,保证算法全局搜索能力的同时,能钉效提高算法后期的局部增强能力.30个优化问题的数值研究结果表明ADE算法具有比DE、DERL以及DERB三种算法更快的收敛速度和可靠性,尤其适合于高维多模优化问题的求解.     

一种求解背包问题的混合差异演化算法

为增强差异演化算法在求解背包问题时的局部搜索能力,提出拉马克-鲍德温混合差异演化算法。该算法采用双种群协同进化,以差异演化算法为主体,在演化过程中分别引入拉马克进化和鲍德温效应2种局部搜索算子,引导种群进化方向。仿真实验结果表明,该算法求解精度高,收敛速度快,能够高效求解背包问题。     

利用二进制差分演化算法求解动态优化问题

利用进化算法求解动态优化问题是智能计算领域中的研究热点。基于HBDE求解动态位匹配问题（DBMP）和时变背包问题（TVKP）,在分析DBMP和TVKP的数学模型基础上分别提出利用HBDE求解它们的可行算法。与原对偶遗传算法的仿真计算结果比较表明：基于HBDE求解大规模DBMP和TVKPB问题不但是可行的,而且是高效的。     

求解带时间窗车辆路径优化问题的改进细菌觅食算法

为求解带时间窗的车辆路径问题（VRPTW）,提出一种改进的细菌觅食算法。将待配送的客户点依据地理位置进行K-means聚类,使得到的分类结果在满足时间窗的要求下,按顺序插入配送路径的最佳位置中,构造VRPTW问题的初始解,同时通过结合趋化操作与大邻域搜索中的removal算子进行距离寻优,扩大算法搜索范围并提高运行效率。实验结果表明,在规定时间窗内,改进算法能合理安排配送路径并最小化总配送成本。     

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。     

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。     

用于多峰函数优化的小生境差分演化算法

针对监控视频图像的特点,提出了一种有效的实时视频降噪算法。首先结合多帧图像采用基于Non—localmeans的运动检测方法自适应地区分图像的运动区域和静止区域,对静止区域采用时域加权均值滤波,对运动区域采用空域ANL滤波。充分利用了视频的时域、空域信息,在去除视频序列噪声的同时很好地保护了图像的细节。实验结果表明,提出的算法在不造成运动拖影的前提下,能够显著提高视频的信噪比和图像的主观质量。     

一种改进混沌萤火虫算法

萤火虫算法是一种新型的进化算法,虽然全局寻优能力较强,但是也存在后期收敛速度慢、易于早熟、求解精度低的缺陷.为了克服以上缺陷,利用混沌序列设计了两种新颖的混沌局部搜索算子,第一种混沌局部搜索算子针对种群中最优解进行局部搜索,第二种混沌局部搜索算子针对种群中较优解进行局部搜索,在此基础上进而提出了两种改进混沌萤火虫算法,并进行了一系列比较研究.仿真结果表明,两种改进算法均显著优于基本FA算法,与其它改进萤火虫算法相比也具有一定优势,是目前最优秀的改进萤火虫算法之一.     

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。     

求解UCARPP问题的变邻域搜索算法

针对无向网络中带有收益值有容限的弧路径问题,提出一种变邻域搜索算法。生成需求边的有序列,以相同概率初始化每条边的方向,采用分割算法构造初始解,运用6种邻域结构进行广域搜索,使用局部搜索算法改进解,利用旋轮法选择邻域结构。实验结果表明,该算法能提高效率,避免早期陷入局部最优,稳定性较好。     

求解旅行商问题的离散型贝壳漫步优化算法*

提出基于离散型贝壳漫步优化算法(DMWO)的旅行商问题(TSP)求解算法.在DMWO的计算框架下构造TSP相应的评估函数及个体差异度量算子.针对离散型算法整体调整容易破坏已形成的较优路径问题,采用简单的2-opt算子进行局部调整,增强算法在求解TSP时的局部搜索能力.实验中采用多组不同规模的标准TSPLIB数据,对比同样采用2-opt算子的萤火虫优化算法和蚁群优化算法,DMWO在稳定性、解的准确性及所需的迭代次数等方面具有更好的性能.