求解连续空间优化问题的量子差分混合优化算法

借鉴量子计算的相关原理和差分进化思想,提出一种用于连续空间优化问题的量子差分混合优化算法。算法的核心是构造由决策向量的分量和量子位概率幅为等位基因的实数编码染色体;采用依据染色体的具体形式设计的互补变异进化部分优秀个体,以加快算法的收敛速度;利用差分进化思想进化部分随机选取个体,以保持算法的全局搜索能力和鲁棒性。对Benchmark函数测试表明,该算法具有寻优能力强、搜索精度高和稳定性好的特点。应用该算法求解路基沉降预测模型参数估计问题,能够有效提高实测沉降数据的拟合精度.     

混沌差分文化算法及其仿真应用研究

针时差分进化算法(DE)全局寻优能力差,无法有效的求解工程中复杂的高维非线性优化问题等缺点,提出一种混沌差分文化算法(CDECA).该算法模型将DE嵌入文化算法的框架作为主群体空间的进化过程,同时,引入具有较强局部搜索性能的混沌搜索来进行信念空间的进化,并通过设计一组联系操作实现文化算法模型中两个空间的互相影响互相促进,提高算法的寻优效率.几个典型测试函数的测试结果表明CDECA的搜索能力优于DE,将其应用于某大型水库的优化调度,也取得满意的效果.     

基于最小二乘支持向量机的自适应差分进化算法

差分进化(DE)算法具有操作简单,控制参数少,鲁棒性好等特点,但在对某些连续空间复杂函数进行优化时存在搜索盲目性较大、效率不高的问题.为此提出一种基于最小二乘支持向量机(LS-SVM)的自适应DE算法,该算法改进了标准DE算法的差分变异和交叉等关键遗传操作,引入了基于LS-SVM的种群进化引导策略,基于LS-SVM对种群n最优训练集数据进行回归函数逼近和优化,分析了种群进化引导策略的自适应应用条件,给出了算法的整体流程及各关键步骤的复杂度.对标准测试函数的对比优化结果表明,改进算法相比标准DE算法具有更好的全局寻优能力和更高的优化效率,可以满足对连续空间复杂函数优化问题的可靠、高效求解.     

运用ADE算法进行Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.首先利用DE算法对Wiener模型参数进行辨识,分析了算法中变异率F对辨识过程中的全局并行搜索能力和收敛速度的影响;其次运用一种自适应变异差分进化算法(ADE)进行Wiener模型参数辨识,该算法在初期变异率较高,种群具有多样性,避免过早收敛于局部最优解;在进化过程中,变异率逐渐变小,优良个体得以保留,避免最优解遭到破坏.运用ADE算法对Wiener模型的数值仿真结果表明了ADE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.与一般的DE算法相比较,ADE算法辨识到全局最优解的精度和概率有较大提高,对算法参数的敏感性降低.     

马斯京根模型参数估计的差分进化算法

针对洪水演算的马斯京根模型参数估计问题，首先将其归结为非线性参数优化问题，然后利用自适应加速差分进化算法进行求解。计算结果表明，自适应加速差分进化算法具有求解速度快、计算精度高、算法控制参数设置简便、通用性强等优点，与现有马斯京根模型参数估计方法相比，该算法显示出更好的优化性能，从而为准确估计马斯京根模型参数提供了一种更为有效的方法。该算法也可以广泛应用于其他各种复杂非线性模型的优化问题，特别是在洪水预报方面有很好的应用前景。     

采用非固定多段映射罚函数的非线性约束优化差分进化算法

采用非固定多段映射罚函数法处理问题的约束条件,提出了一种用改进差分进化算法求解非线性约束优化问题的新方法.结合差分进化算法两种不同变异方式的特点,引入模拟退火策略,使算法在搜索的初始阶段有较强的全局搜索能力,而在后阶段有较强的局部搜索能力,以提高算法的全局收敛性和收敛速率.用几个典型Benchmarks函数进行了测试,实验结果表明,该方法全局搜索能力强,鲁棒性好,精度高,收敛速度快,是一种求解非线性约束优化问题的有效方法.     

基于差分进化算法的多旅行商问题优化

针对所有旅行商路径最大值最小的多旅行商问题,提出改进的差分进化算法优化.在该优化方法中,编码采用实数编码;改进的差分进化算法采用轮盘赌选择;根据旅行商问题的特点,在差分进化算法中增加邻域搜索算子.该方法适于距离对称和非对称的多旅行商问题求解.以距离非对称的多旅行商问题的实例进行了仿真和比较,可以看出所提出的改进差分用来解决多旅行商这类离散组合优化问题是有效的.     

中心变异差分进化算法

针对高维复杂优化问题,提出了基于中心变异和自适应交叉概率的差分进化算法--中心变异差分进化（center mutation based differential evolution, CMDE）算法。该算法首先改进了个体的变异形式,即把当前代的群体中心作为基向量,依据参加变异的三个随机个体向量间的函数适应值的大小关系,确定差向量的方向;然后给出了自适应交叉概率策略,即依据交叉的作用,通过分析个体向量间的函数适应值在群体内部的分布情况,确定每个个体的交叉概率。通过几个Benchmark函数的测试表明,CMDE算法具有较快的收敛速度,且对于高维复杂问题的求解精度高,寻优性能好。     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法.该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献.相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整.在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法. 该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献. 相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整. 在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

差异演化算法的数值模拟研究

差异演化作为一种较新的演化算法，具有较强的寻优能力，但其优化性能受差异演化模式类型及演化控制参数取值的影响非常大。通过一组测试函数的数值模拟研究，给出了演化模式合理选取及演化参数（包括种群大小、交又概率及缩放因子）合适摹值的方法，解决了差异演化算法在应用时面临的一系列问题．此外，还基于演化能力较强的差异演化模式DE／rand／1／exp，提出了一种新的演化模式DE／rand2／1/exp，进一步提高了差异演化效率．     

基于NURBS和GOBL-ACDE的航迹规划算法

针对复杂地形条件下无人机低空突防动态航迹规划实时性及精确性的问题,提出了基于广义反向学习的自适应约束差分进化(generalized opposition-based learning adaptive constrained differential evolution, GOBL-ACDE)算法,结合非均匀有理B样条(non-uniform rational B-spline, NURBS)平滑策略,提高了多威胁复杂地形下动态航迹规划的精确性、高效性及适航性。首先,构建航迹规划任务模型,建立目标代价及约束限制函数,提出一种高度转换方法,有效提高低空突防能力;其次,将NURBS平滑策略与B样条插值以及贝塞尔曲线对比分析;再次,应用广义反向学习、自适应排序变异及自适应权衡模型,改善约束条件下算法动态性、收敛性及寻优性能;最后,通过静态与动态环境对比仿真试验,验证了所提方法在多威胁复杂地形下寻优精度高、鲁棒性强、动态性好以及可靠性优的特点,能够规划出精确、高效、适航的低空突防航迹。     

基于Tent映射的混沌混合粒子群优化算法

为改善基本粒子群优化算法的寻优性能,通过算法混合,在粒子群优化算法中逐步引入优进策略和混沌搜索机制,以加强粒子群的局部寻优效率和全局寻优性能。并将粒子分为两类,分别执行不同的进化机制,实现协同寻优,从而构建为一种新的混沌混合粒子群优化算法。标准测试函数的仿真优化结果表明,该混合算法对较大规模的复杂问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准粒子群优化算法以及遗传算法等单一的随机搜索方法。     

一类新离散混沌系统动力学性质的差异演化仿真

用差异演化算法探索基于自然界进化思想的遗传算法所固有的混沌现象,介绍描述遗传算法的随机现象的一种新的带有有理分数的离散混沌系统,提出用一类推广的差异演化算法(DEESC)对其动力学性质进行仿真,如值域、不稳定周期点,进而设计一种新的差异演化控制策略(DECS),并仿真研究表明该方法的可行性和有效性.     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

微分进化算法的研究综述

微分进化(DE)是比较新的基于群体的随机优化方法.它具有简单、快速、鲁棒性好等特点,已经得到广泛关注.不同于其它进化算法,它的变异算子是由种群中任意选取的多对向量的差值得到的.微分进化主要用于实参数优化问题,在非线性和不可微的连续空间问题上优于其它进化方法.近些年,微分进化的应用领域也是不断扩大.研究目的是总结微分进化的研究进展和应用领域,并对它的进一步研究进行展望.     

混合蛙跳算法自适应参数调整改进策略

针对基本混合蛙跳算法(shuffled frog leaping algorithm, SFL)在求解高维复杂问题时的不足,本文提出一种自适应参数调整的改进策略。首先,利用变公比数列分析了SFL更新轨迹的收敛性;在此基础上,利用系统稳定性分析方法,提出在SFL更新公式中基于比例系数和适应度标准差来自适应调整更新的方法。最后,基于3组共8个标准测试函数将本文改进SFL与基本SFL和4个改进型粒子群优化算法(particle swarm optimization,PSO)作对比,验证了本文改进策略对各类复杂函数的高效性;同时,对比了改进SFL与基本SFL和wPSO在求解高维问题时的性能,验证了改进SFL对高维问题求解的有效性。     

Improved differential evolution algorithm for resource-constrained project scheduling problem

An improved differential evolution (IDE) algorithm that adopts a novel mutation strategy to speed up the convergence rate is introduced to solve the resource-constrained project scheduling problem (RCPSP) with the objective of minimizing project duration. Activities priorities for scheduling are represented by individual vectors and a serial scheme is utilized to transform the individual-represented priorities to a feasible schedule according to the precedence and resource constraints so as to be evaluated. To investigate the performance of the IDE-based approach for the RCPSP, it is compared against the meta-heuristic methods of hybrid genetic algorithm (HGA), particle swarm optimization (PSO) and several well selected heuristics. The results show that the proposed scheduling method is better than general heuristic rules and is able to obtain the same optimal result as the HGA and PSO approaches but more efficient than the two algorithms.       

基于混合生物地理学优化的多目标优化算法

提出一种基于混合生物地理学优化算法的多目标进化算法(multi-objective optimization based on hybrid biogeography based optimization, MOBBO)。针对生物地理学优化算法(biogeography based optimization, BBO)自身的机制,建立适用于BBO的多目标进化模型。在模型中,结合栖息地个体间的Pareto支配关系对栖息地适应度指数进行了重新定义;为了保持栖息地种群的分布性,提出一种新的基于动态距离矩阵的分布性保持机制;同时,根据多目标优化的特点,提出了新的自适应迁入迁出率确定方式,动态迁移策略及分段logistic混沌变异策略。通过对测试函数ZDT和DTLZ的仿真实验表明,与现有多种多目标优化算法相比,MOBBO在解集的收敛性和分布的均匀性上均有明显改善,能够有效且高效地进行复杂多目标优化问题的求解。