进化规划与进化策略的变异算子

进化算法是研究全局优化算法中最重要的随机算法之一,本文给出了进化规划和进化策略的变异算子的数学描述,并提出变异函数的概念,在此基础上,给出了用均匀分布的随机数构造变异算子的几种方法和若干例子.结果表明.利用本文给出的方法,不仅可以构造出目前进化策略和进化规划算法普遍采用的几种变异算子,还可以构造出新的变异算子.针对一般的变异算子,在不要求目标函数连续的情况下,证明了保持最优个体的进化规划和进化策略,迭代产生的最优个体的函数值收敛到问题的最优值的ε-邻域的概率为1.     

改进种群多样性的双变异差分进化算法

差分进化算法(DE)是一种基于种群的启发式随机搜索技术,对于解决连续性优化问题具有较强的鲁棒性.然而传统差分进化算法存在种群多样性和收敛速度之间的矛盾,一种改进种群多样性的双变异差分进化算法(DADE),通过引入BFS-best机制(基于排序的可行解选取递减策略)改进变异算子"DE/current-to-best",将其与DE/rand/1构成双变异策略来改善DE算法中种群多样性减少的问题.同时,每个个体的控制参数基于排序自适应更新.最后,利用多个CEC2013标准测试函数对改进算法进行测试,实验结果表明,改进后的算法能有效改善种群多样性,较好地提高了算法的全局收敛能力和收敛速度.     

基于动态自适应t分布变异的人群搜索算法

针对人群搜索算法在进化后期大量个体聚集局部最优时,易陷入局部最优,搜索精度低的缺陷,提出一种基于t分布变异的人群搜索算法.算法使用动态自适应方式确定变异步长,引入t分布变异算子以融合柯西变异和高斯变异的优点,促进算法在进化早期具备良好的全局探索能力,在进化后期收获较强的局部开发能力,增加种群的多样性;采用边界缓冲墙策略处理越界问题,避免越界个体聚集在边界值上的缺陷.实验结果表明,算法比基本人群搜索算法具有更高的寻优精度和收敛速度,是一种有效的算法.     

动态空间调度的混合遗传算法

提出了一种基于混合遗传算法的动态空间调度方法。首先利用遗传算法产生多个可行的分段调度序列,再采用动态决定分段位置的启发式算法——平均最大空闲矩形策略对遗传算法产生的调度序列进行解码。同时以完工时间和平台利用率的加权和作为适应度函数,充分考虑了空间调度问题所特有的动态性和时空关联性。遗传进化过程收敛后得到近似最优解,实现了调度方案的全局优化。对船厂实际生产数据进行了实证分析以及与其它算法的对比分析,证明了所提方法在空间调度问题上的有效性和实用性。     

求解高维全局优化问题的改进飞蛾火焰优化算法

针对标准飞蛾火焰优化算法在求解高维全局优化问题时存在收敛速度慢、解精度低和易陷入局部最优等缺点,提出一种改进的飞蛾火焰优化算法(简记为IMFO).该算法首先引入动态惯性权重对飞蛾位置更新方程进行修改以平衡算法的勘探和开采能力.受差分进化算法启发,设计出一种新的随机差分变异策略,以帮助种群跳出局部最优.选取18个高维(100、500和1000维)全局优化问题进行数值测试,结果表明,在相同的适应度函数评价次数下,IMFO在收敛速度和求解精度指标上明显优于基本MFO算法和其他对比算法.     

改进回溯搜索算法求解多目标柔性作业车间调度问题

随着绿色制造的到来，在调度问题中考虑能源消耗相关的目标变得至关重要，这已经成为了当下热点研究领域。因此，本文建立以最小化最大完工时间、机器总负荷和总能量消耗为目标的柔性作业车间调度数学模型。就回溯搜索算法的缺点提出改进，该算法通过结合改变个体搜索幅度因子对变异操作进行动态控制，防止种群迭代过程中陷入局部最优，然后通过结合个体引导与随机数扰乱提出一种新的交叉算子，提高后期寻优能力，防止了算法过早收敛。最后，运用基准算例对该算法的求解性进行了验证，并与文献中其他算法从求解精度、求解多样性、求解最优值等方面进行对比，结果表明该改进算法具有优越的求解性能。最后为该问题后续研究提供了三个可行方向：考虑更多约束条件、增加局部搜索算子和考虑实例分析。     

基于正余双弦自适应灰狼优化算法的医药物流配送路径规划

针对传统灰狼优化算法易早熟收敛陷入局部最优和收敛速度慢的缺陷,提出一种正余双弦自适应灰狼优化算法.首先,在灰狼捕食阶段引入正弦搜索,增强算法的全局勘探能力,减少算法的搜索盲点,提高算法的搜索精度.在引入正弦搜索的同时,引入余弦搜索,增强算法的局部开发能力,提高算法的收敛速度.其次,在搜索过程中加入自适应交叉变异机制,通过适应度值的大小自适应选取交叉变异概率,有效的提高了粒子跳出局部最优的概率.通过数值对比试验,验证了改进算法具有较强的收敛精度和收敛速度.     

基于MAS的多模式分布式资源约束多项目调度

针对实践中分布式多项目的活动往往具有多种执行模式,提出多模式分布式资源约束多项目调度问题。在项目动态到达环境下,考虑活动不同的执行模式,以工期最短和多项目延期成本最小为目标分别构建局部单项目调度模型和全局多项目决策模型,采用改进变邻域搜索算法求解初始局部调度计划,并设计基于模式调整的全局协商调度算法求解全局决策模型,通过双层算法实现分布式多项目调度中局部单项目调度与全局多项目调度系统性协调,减少项目中断和多项目延期成本。基于构建的多模式测试集进行的多项目数值实验表明：本文设计的双层算法可有效求解多模式分布式多项目调度问题,并且对不同规模问题求解具有良好的适应性。     

改进的布谷鸟算法求解物流配送中心选址问题

针对基本布谷鸟算法求解物流配送中心选址问题时存在搜索精度低、易陷入局部最优值的缺陷,提出一种改进的布谷鸟算法.算法采用基于寄生巢适应度值排序的自适应方法改进基本布谷鸟算法的惯性权重,以平衡算法的全局开发能力和局部探索能力;利用NEH领域搜索以提高算法的搜索精度和收敛速度;引入停止阻止策略对全局最优寄生巢位置进行变异避免算法陷入局部最优值、增加种群的多样性.通过实验仿真表明,改进的布谷鸟算法在求解物流配送中心选址问题上要优与基本布谷鸟算法以及其它智群算法,是一种有效的算法.     

基于云自适应遗传算法的K-means聚类分析

现有的基于遗传算法的K-means聚类算法,利用遗传算法的全局优化性提高了K-means算法的寻优能力,收敛速度却过慢.为了解决上述问题,提出基于云自适应遗传算法的K-means聚类算法,利用云模型云滴的随机性和稳定趋向性设计遗传算法的交叉和变异概率,并在进化过程中引入K均值算子,以克服算法收敛速度过慢的问题.实验比较表明,算法具有较好的全局优化性,且收敛速度较快,提高了聚类算法解决物流管理中数据聚类工作的能力.