基于并行协同演化的差分进化算法

针对传统差分进化算法搜索速度慢、易陷入局部最优解的缺点,引入协同演化的思想提出了一个基于并行协同演化的差分进化算法,并设计了相应的变异算子和自适应交叉算子。仿真验证结果表明:同遗传算法、标准差分进化算法相比,所提算法在搜索速度和寻优能力方面都具有一定的优势。     

差分演化算法研究综述

差分演化算法（DE）一种基于群体的随机搜索技术,并已被广泛的应用于各种优化领域。为了提高差分演化算法的收敛速度、全局搜索能力以及克服早熟收敛问题,许多学者对差分演化算法进行了改进。本文综述差分演化算法的基本原理、特点、改进及应用,并给出了未来可能的研究方向。     

一种混合编码的差分演化算法应用于特征选择问题

针对特征选择问题,引入一种具有混合编码的二进制差分演化算法,融合随机和优选两种方法自适应对特征子集个数进行控制,并在评价函数中引入权重和相关性抑制.利用淋巴瘤细胞核形态特征进行实验,结果表明该方法能有效进行特征选择.     

改进的差分演化算法及其在动态规则中的应用研究

在对传统差分演化算法深入研究的基础上,提出了一种改进的差分演化算法,并成功地把它应用于动态规则问题中.改进后的算法融合了对称算法、锦标赛策略、凸变异和二次变异等思想.实验证明,改进后的算法在最优解的稳定性、收敛速度和求解精度方面表现出了较好的性能.     

差分演化的微粒群算法

针对基本粒子群算法易陷入局部极小点、搜索精度不高等缺点,在算法改进方面引用差分演化算法的变异操作提出了差分演化的PSO算法,并用matlab仿真证明该算法的可行性。     

基于差分演化算法的证券投资组合研究

差分演化算法作为一种高效的全局优化方法,在众多领域得到了成功的应用.本文首次将差分演化算法引入到证券投资组合中,研究以Markowitz的均值-方差模型为基础的最佳证券组合的优化求解.实验结果表明,该算法与经典的传统遗传算法和粒子群优化算法相比,具有更快的收敛速度及更好的优化结果.     

一种双组群差分演化算法

研究了一种提高差分演化算法收敛速度的方法.这种新的演化优化方法将全体参量分为两个组群,即同化组群和进化组群.对不同的组群进行不同的处理以产生下一代,在每一代中,进化组群中最好的成员将有幸加入同化组群,取代同化组群中表现最差的成员.实验结果证明,这种新的改进提高了DE优化算法收敛速度.     

求解环境经济调度问题的多目标差分粒子群优化算法

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电力系统环境经济调度问题。算法通过对Pareto最优解集的差分演化来增加Pareto最优解的多样性;通过循环拥挤距离来控制归档集中非劣解的分布,以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赌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因子的动态变化可增强算法的全局搜索能力。对电力系统环境经济负荷分配模型进行仿真,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持Pareto最优解多样性的同时具有较好的收敛性能。     

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.     

基于互补变异算子的自适应差分进化算法

在参数自适应的差分进化算法的基础上,同时采用DE/rand/1和DE/best/2两种具有互补特性的差分变异算子,提出了多种采用不同分配策略的新型差分变异算法.2种变异算子的分配分别采用随机分配、基于种群规模的单调分配、适应性随机分配以及基于种群规模的适应性分配4种策略.基于标准测试函数的数值优化结果表明:双变异模式的自适应差分进化算法总体上明显优于2种标准DE算法.在4种分配策略中,单调分配策略效果最佳.所提出的DE算法利用了DE/rand/1型变异在保持种群多样性方面的优势,并继承了DE/best/2型变异局部收敛速度快的优点,较好地实现了探索与利用的平衡,而且需要人工调节的参数较少,便于在实际中使用.     

Packet matching algorithm based on improving differential evolution

The performance of network equipments, such as firewall, router, etc., is decided by the efficiency of patch matching. It is difficult to adapt the speed of packet matching with packets linear forwarding by traditional algorithms. The purpose of this paper is to develop a novel algorithm of packet matching based on improving differential evolutionary algorithm, which also combines with classic packets matching algorithms to improve the performance of algorithm. For the sake of objectivity, the statistics method was used to compute the fitting value. Experiments showed that this new algorithm effectively improved the performance in the speed and storage space, as compared with the traditional one. For the first time, evolutionary algorithm is used to solve the network data packet forwarding, and packets can be forwarded at the linear speed. In addition, this new algorithm is universal, so it can be adapted for many equipment.     

泛函微分方程解的唯一性和渐近性

泛函微分方程的渐进理论作为泛函微分方程定性理论的一部分,在最近30年有了迅速的发展,广泛的应用背景是促使这一理论迅速发展的基础.本文结合时滞泛函微分方程的研究现状,对泛函微分方程解的唯一性和渐进性问题进行了分析.     

增加搜索能力的多目标进化算法

提出了一种增加搜索能力的多目标进化算法。该算法是针对如何收敛到真正的Pareto最优集进行处理的。在自适应变异步长进化策略的基础上,引入变异率的概念,使得该算法在进化前能进行全局搜索,而在进化后期进行局部调节,使得算法能够快速的收敛到真正的Pareto最优集。仿真实验表明该算法的有效性。     

基于混合差分进化算法的试井分析最优化方法

摘要：试井参数优化是对通过测试得到的油气井井底流压及产量数据得到的油气藏模型参数进行优化处理,得到最符合油气藏实际情况的参数。试井存在多解性,以往使用的最优化方法要求目标函数连续可微,受初值影响较大,是属于寻找局部最优解的办法。为此,提出了一种混合差分进化算法的试井分析最优化方法。将标准差分进化算法加以改进,与模拟退火算法和小生境思想结合在一起,构成一种混合差分进化算法,该算法在保证算法全局搜索能力的同时,能更快地收敛到非线性问题的最优解。进一步将该算法应用到试井分析中,构建了基于混合差分算法的试井分析方法,不需要估计井筒和油藏参数的初值,也不要求目标函数连续可微,优于标准差分进化算法。通过实测试井资料分析,与 L–M 方法相比,效果良好。     

基于谓词逻辑和约束网络结构的遗传编程方法

提出了一种新的谓词型遗传编程方法,该方法包括:待求解问题论域的函数空间约束、遗传算子的谓词逻辑表达、谓词结构推理下数值参数空间的混沌式遍历及发生机制以及非线性方式下自适应进化和非监督学习的综合。整个过程是在约束网络的基础上,以谓词逻辑表达机制为核心实现的函数结点集合约束下的数值型进化计算过程。该方法可被认为是对现有遗传编程技术的改进,克服了LISP型及其C仿真型遗传编程算法在各种表示手段方面的缺陷,提高了计算效率,在系统辨识中的应用实验表明了是有效和实用的。     

一种多项指标全提升的多目标优化演化算法

针对当前大部分多目标优化演化算法设计复杂、耗时巨大,以及取得的近似Pareto前沿点不够多、分布不均匀、覆盖不完整等问题,提出了一种新的基于粒子群和几何Pareto选择算法的多目标优化PSGPS算法.经过5个测试问题的实验结果表明:该算法使用较低的时间消耗,就能在前沿点个数、前沿点分布均匀性、覆盖完整度等性能指标上都优于当前流行的NSGA2,SPEA2和PESA等多目标优化演化算法.     

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.     

基于个体强度的自适应差分多目标免疫算法

考虑到支配解可能携带有利于算法搜索到最优解的信息, 在克隆阶段选择一部分非支配解和支配解克隆以提高种群多样性和避免算法早熟收敛。在进化阶段, 先采用自适应差分进化算子交叉变异, 然后用多项式变异算子进行扰动以有效地平衡算法的全局搜索和局部搜索。基于个体强度建立外部文档储存一定数量的较好解, 并让这些较好解在每次迭代中参与进化且被更新。对10个标准测试函数进行仿真实验, 并与其他5种算法进行比较, 结果表明所提算法在收敛性和解的分布性方面均表现出明显优势。     

Parallel evolutionary modeling for nonlinear ordinary differential equations

We introduce a new parallel evolutionary algorithm in modeling dynamic systems by nonlinear higher-order ordinary differential equations (NHODEs). The NHODEs models are much more universal than the traditional linear models. In order to accelerate the modeling process, we propose and realize a parallel evolutionary algorithm using distributed CORBA object on the heterogeneous networking. Some numerical experiments show that the new algorithm is feasible and efficient. Foundation item: Supported by the National Natural Science Foundation of China (No. 70071042 and No. 60073043) Biography: Kang Zhuo (1970-), male, Lecturer, research interest: network computing and evolutionary computation.