基于势场引导的两阶段协同进化遗传算法

提出一种基于势场引导的两阶段协同进化遗传算法。第一阶段,各种群以有性繁殖为主进化,各种群进化停滞时,通过聚类形成重点搜索区域,缩小了搜索区域,提高了算法效率;第二阶段,各种群以无性繁殖为主进化,加强局部搜索,实现了基于个体适应度的定向进化,提高了算法收敛速度。同时,为了指导种群进化,实现种群间的协同,将环境势场引入至两阶段协同进化过程中。仿真实验表明,该算法具有精度高、收敛速度快等优点,一定程度上克服了目前进化算法的搜索低效性。     

基于微粒群算法与模拟退火算法的协同进化方法

提出了一种基于模拟退火与微粒群算法的协同进化方法,利用了微粒群算法的易实现性、局部快速收敛性以及模拟退火算法的全局收敛性.通过两种算法的协同搜索,可以有效克服微粒群算法的早熟收敛.仿真结果表明,本文的协同进化方法不仅具有较好的全局收敛性能,而且具有较快的收敛速度.文章从理论上证明了该方法以概率1收敛于全局最优解.     

具有参数自适应机制的改进离散差分进化算法

在研究和分析离散差分进化算法的基础上,提出了一种具有参数自适应机制的改进离散差分进化算法(PADDE)。该算法首先对连续域进化过程中的参数进行自适应调整,以平衡全局搜索与局部搜索,协调种群多样性和收敛速度间的矛盾,其次根据对应离散域上成功进化的个体的离散编码反馈信息引导算法协同进化。通过对背包问题进行的实验表明,该算法具有良好的收敛效率和稳定性。     

求解大规模优化问题的正交反向混合差分进化算法*

差分进化算法简单高效,然而在求解大规模优化问题时,其求解性能迅速降低。针对该问题,提出一种正交反向差分进化算法。首先,该算法利用正交交叉算子,加强了算法的局部搜索能力。其次,为防止过强的局部搜索使算法陷入早熟收敛,利用反向学习策略调节种群多样性,从而有效地平衡算法的全局和局部搜索能力。利用11个标准测试函数进行实验,并和差分进化算法的4种优秀改进版本进行比较,实验结果表明该算法求解精度高、收敛速率快,是一种求解大规模优化问题的有效算法。     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.     

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。     

搜索空间划分移动策略的研究与实现

针对进化算法收敛效率和搜索能力不能有效兼顾的缺点，提出一种搜索机制与进化机制相分离的方法——搜索空间划分移动策略，并介绍其相关理论。该策略在搜索区域划分理论基础上，加入区域移动机制，使各极值能在不同环境下相互竞争，提高其搜索能力。改进的处理机制无须考虑搜索问题，能让算法迅速收敛。记录器能有效地完成各小区域间的通信，并根据要求控制区域移动。实验结果表明该策略具有较好的准确性和效率。     

多搜索策略协同进化的人工蜂群算法

针对人工蜂群算法存在的计算精度不高、收敛速度较慢的缺点,提出一种多搜索策略协同进化的人工蜂群算法.所提出的算法在引领蜂和跟随蜂进行邻域搜索时,动态调整搜索的维数以提高搜索效率,并结合人工蜂群算法不同搜索策略的特点,使其协同进化,以平衡算法的局部搜索能力和全局搜索能力.14个基准函数的仿真实验结果表明,所提出的算法能有效改善寻优性能,增强摆脱局部最优的能力.与其他一些改进的人工蜂群算法相比,具有较快的收敛速度和较高的求解精度.     

一种混沌差分进化和粒子群优化混合算法*

为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。     

数据聚类的共同进化方法

共同进化算法是一种新的进化算法,由于它采用了解空间分离编码,能有效地克服一般进化算法中固有的早熟收敛问题。该文针对数据聚类问题——当前数据挖掘与探查性数据分析中的一个重要课题——将数据聚类问题抽象成为一个赋值图的分割问题,应用共同进化算法来加以解决,使得聚类的结果不必依赖于初始聚类中心,并对该算法的性能加以分析。将该算法与一般的遗传算法相比较,通过实验证明了该算法的优越性能。     

一种子群体个数动态变化的多目标优化协同进化算法

给出一种新型的在多目标优化条件下的进化算法群体停滞判别准则，并基于该准则提出一种合作型多目标优化协同进化算法．该算法在运行过程中自适应地决定子群体的新增和灭绝．使得子群体个数依据需要动态变化，减小了对计算资源的消耗，并解决了对复杂多目标优化问题难以事先进行分解的问题．对所提算法的计算复杂度进行了理论分析，并把它与已有的多目标进化算法进行了比较，结果表明所提算法具有较高的搜索性能．     

基于改进异质协同演化的测试用例生成研究

路径搜索是测试用例自动生成的重要环节。针对遗传算法在测试用例生成中的“早熟”缺陷,提出一种改进的异质协同演化算法,将种群划分成两个子种群,分别采用遗传子群和差分子群进行演化,在演化的过程中两个子种群相互协作,通过改进迁移间隔代数和迁移率这两个参数,增加扰动,更加均衡遗传算法的全局探索与差异演化算法的局部搜索。实验结果表明,该算法比遗传算法和传统异质协同演化算法在生成测试用例的收敛性能方面更具优势,因此该方法更适合测试用例自动生成的应用中。     

基于滤子混合协同进化算法的无功优化

混合整数非线性规划问题存在于大量工程和管理中,针对此问题提出一种滤子混合协同进化算法.利用滤子技术代替罚函数处理约束条件,采用混合编码和由差分进化算法与遗传算法异构的种群协同解决混合整数变量问题,引入基于平均熵和Logistic混沌初始化增加算法鲁棒性,利用自适应缩放因子和精英交流学习策略构成策略协同,与种群协同耦合,以提高算法搜索能力.以IEEE30节点测试系统进行无功优化为例,仿真结果表明所提出的算法具有全局搜索能力和有效性.     

协同演化算法在聚类中的应用

提出一种协同演化聚类算法,该算法使用改进的掩码方式动态决定聚类中心的数目。将种群划分成两个子种群,分别采用遗传算法和差分进化算法进行演化,遗传算法侧重于全局寻优,差分进化算法注重于局部搜索。在演化的过程中,利用不同的间隔迁移策略相互交换优良个体,使算法的全局探索能力和局部搜索能力得到均衡。通过性能测试、聚类中心数目和运行时间测试等实验证明该算法的优越性。     

基于非线性规划协同进化遗传算法的防空导弹火力优化分配研究

为了进一步提高防空导弹目标分配问题的求解效率和解算能力,建立了防空导弹目标火力分配模型,提出了一种非线性规划协同进化遗传算法(NLPCGA).该算法是综合非线性规划算法(NLPA)局部搜索能力强和协同进化算法(CA)求解质量高的优点,并利用遗传理论提高算法的求解效率.通过结合实例,仿真结果表明NLPCGA算法在求解防空目标火力分配问题上要优于单独两种智能算法,可以有效快速地找到最优火力分配方案,为防空作战指挥决策提供支持.     

Comparing evolutionary hybrid systems for design and optimization of multilayer perceptron structure along training parameters

In this paper we present a comparative study of several methods that combine evolutionary algorithms and local search to optimize multilayer perceptrons: A method that optimizes the architecture and initial weights of multilayer perceptrons; another that searches for training algorithm parameters, and finally, a co-evolutionary algorithm, introduced here, that handles the architecture, the network’s initial weights and the training algorithm parameters. Our aim is to determine how the co-evolutive method can obtain better results from the point of view of running time and classification ability. Experimental results show that the co-evolutionary method obtains similar or better results than the other approaches, requiring far less training epochs and thus, reducing running time.     

An improved multi-agent genetic algorithm for numerical optimization

Multi-agent genetic algorithm (MAGA) is a good algorithm for global numerical optimization. It exploited the known characteristics of some benchmark functions to achieve outstanding results. But for some novel composition functions, the performance of the MAGA significantly deteriorates when the relative positions of the variables at the global optimal point are shifted with respect to the search ranges. To this question, an improved multi-agent genetic algorithm for numerical optimization (IMAGA) is proposed. IMAGA make use of the agent evolutionary framework, and constructs heuristic search and a hybrid crossover strategy to complete the competition and cooperation of agents, a convex mutation operator and some local search to achieve the self-learning characteristic. Using the theorem of Markov chain, the improved multi-agent genetic algorithm is proved to be convergent. Experiments are conducted on some benchmark functions and composition functions. The results demonstrate good performance of the IMAGA in solving complicated composition functions compared with some existing algorithms.     

基于改进双种群遗传算法的模糊控制器的优化

遗传算法是一种自适应、启发式、群体型、概率性、迭代式全局收敛算法,利用遗传算法的良好的搜索特性来优化模糊控制器,可以取得很好的控制效果.本文对传统的双种群遗传算法进行了归纳和分析,在此基础上提出了一种改进的双种群遗传算法(CGDPGA).将此改进算法用于优化模糊控制器的隶属度函数、量化因子和比例因子来实现模糊控制器的全...