一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE).在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近.在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力.采用4个经典的测试函数对算法进行验证,结果显示:该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法.     

一种改进的差分进化算法

针对基本差分进化算法收敛速度较慢的问题,将粒子群优化算法中的社会学习部分引入到差分进化算法中,提出一种改进的差分进化算法。该算法通过小概率随机变异操作增加种群的多样性和全局搜索能力;变异向量和个体向群体最优个体学习的结果进行交叉操作,利用最优个体指导进化过程,加快了算法的收敛速度,提高了优化精度。仿真实验结果表明,该算法具有更好的优化性能。     

基于差分进化算法的图像聚类研究

将差分进化算法应用于图像聚类问题,对问题进行实数编码,采用群体智能模式实现问题解的搜索.利用差分进化算法的差分变异操作和群体分布特性有效提高算法的搜索能力,采用贪婪选择操作和竞争生存策略实现群体内个体之间的相互合作与竞争,降低了进化操作的复杂性,并通过仿真实验证明了该算法的有效性.     

基于贪婪搜索和变异操作的布谷鸟算法

作为一种新型的生物启发式群体智能算法,布谷鸟算法模拟了布谷鸟生育雏鸟以及鸟类的Levy flights行为,是一种全局最优搜索算法,为了更好地提高算法对不同问题的适应能力,提出一种基于贪婪搜索和变异操作的布谷鸟(GMCS)算法.根据最优位置设计一种贪婪搜索策略,贪婪搜索策略和Levy flights随机游动搜索策略按概率交替进行,加强算法的局部探索能力;引入差分进化算法中的变异操作,提高算法跳出局部最优的能力;加入一个新的参数,根据收敛状态自适应地调整参数阈值以控制贪婪搜索策略和变异操作的执行次数.通过8个标准测试函数进行数值实验,实验结果表明,与部分改进的布谷鸟算法以及一些其他改进的演化算法相比,GMCS算法具有较好的收敛性能和适应能力,验证了改进后算法的有效性.     

一种改进的混沌粒子群优化混合算法

提出了一种改进的混沌粒子群优化混合算法.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3个标准函数进行测试,仿真结果表明该算法与差分进化粒子群优化（DEPSO）算法相比,全局搜索能力和抗早熟收敛性能大大提高.     

改进的基于局部搜索策略的生物地理学优化算法

为了提高生物地理学优化（BBO）算法的优化特性,提出一种改进的基于局部搜索策略的生物地理学优化算法（ILSBBO）。改进的算法将差分进化算法的局部搜索策略与BBO算法的迁移策略进行结合,并引入了差分进化算法中的选择操作。在13个基准测试函数上,对改进的算法、基本BBO算法,以及基于BBO的混合差分进化算法（DE/BBO）进行比较,结果表明改进的算法优于所比较的其他两种算法;此外,改进后的算法在收敛速度上也优于基本BBO算法。     

均匀邻域对位的自适应差分进化算法

针对对位差分进化算法依然存在探索能力差和早熟收敛问题，提出一种基于均匀邻域对位的自适应差分进化算法。该算法在对位点所在局部邻域作适应性的小幅均匀变异操作，用以扩大对位点的搜索区域，从而提高跳出局部陷阱的概率；在对位点均匀变异操作中，变异步长利用当前群体中所有个体在每一维度的最大最小值的差距作自适应的调节，通过实时利用群体信息平衡了全局搜索与局部勘探的关系，提高算法的收敛速度；在算法搜索过程中引入多阶段扰动策略，以进一步增加算法群体实时多样性与算法所处搜索阶段的适应性，算法后期在一定程度上加强了对当前解所在邻域内的精细搜索。采用CEC 2014中不同类型基准测试函数进行仿真实验，并与其他差分算法进行对比，所提算法在10个测试函数上都取得最优的平均结果，证明所提算法具有更稳定、更优异的算法性能和更好的收敛精度。     

协同学习差分进化算法及在双转向机构优化中的应用

根据齐次坐标变换法推导了双转向机构转向分析数学模型,然后采用差分进化(DE)算法求解该模型。针对基本DE算法可能出现早熟或收敛速度慢的问题,提出一种基于协同学习机制的差分进化(CLDE)算法。该算法采用两个子种群,每个子种群采用不同的变异策略,利用局部极值判断机制确定早熟收敛种群;针对早熟收敛种群,利用精英种群映射策略向精英种群进行映射学习,实现子种群间的信息交流;若不存在精英种群,则在自身种群内采用自适应高斯扰动策略实现自我调整。函数测试结果表明,CLDE优化精度更高、速度更快、稳定性更好。将该算法用于机构优化问题,结果表明,与基本DE算法、随机变异差分进化算法(RMDE)、多种群自适应差分进化算法(ADEMP)相比,CLDE的最优适应度值分别降低13. 83%、8. 33%和6. 25%,且表现出了较好的稳定性和收敛性。     

武器目标分配问题的离散差分进化算法

提出一种新的求解静态武器目标分配问题的离散差分进化算法. 采用整数排列建立武器-目标分配对,作为离散差分进化算法的初始个体;并通过取模运算对溢出取值范围的解向量进行修正,将其转化到解的搜索区域内,从而对差分变异算子进行设计. 同时,提出相应的交叉策略,得到可行的武器目标分配对. 在交叉过程中,保留目标向量与试验向量中相同的分配对,得以很好地利用上一代的分配结果. 在删除重复数和重新插入整数时,为了避免倾向性,生成随机排列,保证对数据处理的公平性. 实验结果表明,提出的离散差分进化算法在收敛性和求解质量方面均优于另外2种典型的离散差分进化算法,很好地实现了武器目标分配问题的有效求解.      

带有自适应变异和指数递增交叉算子的差分进化算法

针对基本差分进化算法的缺陷,融入指数递增交叉算子以增加算法的收敛速度.当算法陷入早熟后,对最优个体和随机选取的个体采用随机扰动的变异策略,帮助其跳出局部极值.数值仿真实验表明,该算法的收敛速度和精度都明显优于仅带有指数递增交叉算子的差分进化算法和仅带有随机扰动变异策略的差分进化算法.     

求解大规模可靠性问题的改进差分进化算法

针对差分进化算法典型变异算子的局限,设计了全局加速的变异算子,进而提出全局加速的自适应改进算法.新变异算子能够均衡全局搜索与局部搜索,提高寻优效率.根据差分向量与整个种群分布范围的关系,有针对性的设定变异率值,减缓搜索范围缩小的趋势,保持较高的种群多样性.采用两区间选择策略,通过学习和比较自适应地调整交叉率,使其满足进化搜索的需要,同时提高算法的通用性.将改进算法应用于大规模可靠性问题中,实验结果表明,改进算法在解决大规模系统可靠性问题时具有更好的寻优效果.     

最优化问题的蚁群混合差分进化算法研究

 在最优化问题求解中,针对采用混合差分进化算法中突变运算的不同选择产生结果存在较大差异,同时提高算法收敛速度与避免早熟,提出在混合差分进化法中,使用蚁群算法进行选择适当的突变运算,加速搜寻全局解,并通过中国旅行商问题的求解表明其有效性。     

基于双变异策略差分进化算法的模糊PI参数整定

针对模糊PID控制器参数难以整定的问题,提出一种基于双变异策略协同工作的自适应差分进化算法DSDE。该算法采用随进化代数变化的权重因子,将经由DE/target-to-best/1和DE/rand/2两种变异策略生成的个体加权组合成一个新的变异个体,并采用Z型函数根据迭代次数自动调整变异因子,以适应于不同的进化阶段。将DSDE算法应用于二阶被控对象的模糊PI控制器(FPI)参数整定,MATLAB仿真结果表明,与传统的FPI、DE-FPI和采用自适应变异差分进化算法进行参数整定的AMDE-FPI相比,基于DSDE算法的模糊PI控制器具有更好的控制性能。     

基于差分进化算子变异的中心引力优化算法

针对中心引力优化算法易陷入局部最优这一不足,加强算法的全局寻优能力,提出一种改进的中心引力优化算法,根据差分算法本身的固有特性,通过引入差分进化算子对当前粒子位置的分量进行变异,促使算法摆脱局部最优,增强算法的全局收敛性.最后选取5个经典函数对算法进行测试,并与其他算法进行比较分析,结果证明算法的精度得到了明显提高,从而验证了该算法的有效性和可行性.     

改进差分进化算法在系统可靠性问题中的应用

分析了经典差分进化算法的寻优特点,提出一种扩展变量维数的自适应差分进化算法.该算法将变异率作为解向量的一维分量,随其他分量一起参与算法进化的全过程,使算法参数更好地适应算法进化各阶段的要求,提高了算法性能.将改进后的算法应用到系统可靠性问题中,针对3种典型的可靠性问题进行了仿真实验.结果表明,所提出的算法与其他算法相比具有很好的寻优效果.     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

基于改进差分进化算法的无人机在线低空突防航迹规划

为了解决无人机在部分未知敌对环境中的低空突防航迹规划问题,提出了一种改进的差分进化算法.该算法的进化模型采用冯.诺伊曼拓扑结构,并对其进行拓展,使种群在进化初期保持多样性,避免进化早期陷入局部最优,而进化后期加快收敛速度.该算法改进了差分进化算子中的变异操作,从而加快算法的收敛速度,快速找到多目标优化问题的最优解;同时,采用将绝对笛卡儿坐标和相对极坐标相结合的编码方式以提高搜索效率.将该算法用于无人机在线航迹规划仿真实验,并和未改进的算法结果作比较,验证了该算法的有效性.     

基于单纯形局部搜索的自适应差分进化算法

针对标准的差分进化（DE）算法在高维复杂的函数优化中易早熟收敛,进而导致搜索精度低甚至优化失败的问题,提出一种基于单纯形局部搜索的自适应的差分进化算法（SSADE）．将DE算法的快速全局搜索能力与单纯形的强局部寻优能力有机结合起来,进一步提高了解的精度．参数自适应变化有效地维持了种群的多样性,自适应的变异策略扩大了个体的搜索范围,增强了算法寻优效果,仿真实验验证了新混合算法的有效性．