一种精英反向学习的差分演化算法

为提高差分演化算法的性能,提出一种精英反向学习策略的差分演化算法.该算法以一定的概率通过反向学习生成种群中精英个体的反向解,引入一般化系数k,构造动态搜索边界下的反向群体形成反向搜索空间,之后同时评估当前种群与反向种群的解来指导算法的搜索空间向包含全局最优解的空间逼近,有利于均衡算法的勘探与开采能力.对13个典型的测试函数进行实验,将本文算法与5种代表性的差分演化算法进行对比,结果表明本文算法不仅在求解精度上更优,在收敛速度上也有非常大的优势.     

一种基于分量热力学迁移策略的并行多种群GEP

针对传统并行多种群GEP存在着优良个体的传播和种群多样性之间的冲突问题,提出一种基于分量热力学迁移策略的并行多种群GEP算法(CTDPGEP)。该算法在当前子种群中选择出若干个优良个体和若干个随机个体组成精英子空间,并将精英子空间传送至其他各子种群的迁移区中;其他各子种群异步地将其迁移区中的个体采用分量热力学替换规则接收到自己的种群中。通过这种机制不仅有效地传播了各子种群中的优良个体,而且保持了各个子种群的多样性,定量地平衡优良个体的传播与种群多样性之间的冲突,在加快收敛速度的同时保持种群的多样性,减少陷入局部最优的概率。对比实验结果表明该算法表现出更高的求解精度和更快的收敛速度。     

求解大规模优化问题的新型协同差分进化算法

基于分而治之的策略,研究求解大规模优化问题的新方法。首先,基于加性可分性原理提出一种改进的变量分组方法,该方法以随机取点的方式,成对检测所有变量之间的相关性;同时,充分利用相关性学习的信息,对可分变量组进行再次降维;其次,引入改进的差分进化算法作为新型子问题优化器,增强了子空间的寻优性能;最后,将两项改进引入到协同进化框架构建DECC-NDG-CUDE算法。在10个选定的大规模优化问题上进行分组和优化两组仿真实验,分组实验结果表明新的分组方法能有效识别变量的相关性,是有效的变量分组方法;优化实验表明,DECC-NDG-CUDE算法对10个问题的求解相对于两种知名算法DECC-DG、DECCG在性能上具备整体优势。     

基于旋转学习机制的差分演化算法

为克服反向学习机制仅能搜索反向空间中一个固定点的弊端,通过引入旋转操作将其扩展为一种新的旋转学习机制,新机制通过调整旋转角度能搜索旋转空间中的任意一点,具备更强的勘探能力和多种应用模式.通过嵌入旋转学习算子,并引入参数自适应机制,提出了新的基于旋转学习的差分演化算法.在广泛使用的测试函数集上开展仿真实验,结果验证了旋转学习机制的有效性,与多种知名差分演化算法相比,新算法在寻优性能上竞争优势明显,且具有良好的适用性.     

试论中国菜肴的形式构成（下）

(二)三种菜肴形式构成元素与圆盘的组合。 这样的形式构成定势,实际上是将菜肴的原料加工成两种类似形式构成元素的形态,然后拼摆成一定的形状,或图形或多角形或多边形,从而在圆形菜盘中实现全部构成。