一种新的改进差分进化算法

针对差分进化算法(Differential Evolution,DE)在运行过程中出现个体聚集、种群多样性减少,导致算法收敛速度缓慢、收敛精度不高以及易早熟收敛等问题,提出一种基于自适应变异算子、交叉算子以及新变异策略的改进差分进化算法。采用6种常用的基准函数对改进DE算法进行测试,并将测试结果与其它算法进行比较。结果表明:提出的改进差分进化算法较j DE与标准DE算法具有更快的收敛速度、更高的收敛精度以及更好的全局收敛能力。     

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.     

基于混沌和差分进化的混合蝙蝠算法

提出一种基于混沌和差分进化的混合蝙蝠优化算法.把基于Logistic映射的混沌序列引入到种群初始化中,在算法迭代过程中,通过一种早熟判断机制,对早熟的粒子进行差分进化算法的交叉、变异和选择操作,增强算法的多样性和全局寻优能力,有效避免陷入局部最优.通过8个标准测试函数的仿真结果表明,改进后的算法可以有效提高收敛精度和收敛速度.     

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。     

一种基于反向学习和伯恩斯坦算子的差分进化算法

差分进化(differential evolution,DE)算法是一种种群随机搜索算法,但其在收敛过程中存在着容易陷入局部最优、收敛精度不高等问题.为更好地提升DE算法的性能,提出一种改进算法为基于反向学习和伯恩斯坦算子的差分进化算法.反向学习策略用于增加种群的多样性,扩大种群的搜索范围,从而弥补陷入局部最优的不足,...     

多种群并行的自适应差分进化算法

为了提高搜索速度,同时克服传统算法过早陷入局部最优值的不足,提出了一种改进自适应差分进化算法.改进算法在充分分析经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并相应地引入与之匹配的变异算子,转换成一个多种群并行的优化问题,保证在加快算法收敛速度的同时有效跳出局部极值点...     

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。     

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。     

基于改进人工蜂群算法优化小波神经网络的短时交通流预测

为了提高城市道路短时交通流量的预测精度,克服小波神经网络预测过程中存在收敛速度较慢、容易陷入局部最优的缺点,提出改进的人工蜂群算法优化小波神经网络预测模型。该算法引入差分进化算法中的自适应变异操作和遗传算法中的选择算子、交叉算子与变异算子来优化传统的人工蜂群算法,改善人工蜂群算法后期收敛速度慢、局部搜索能力弱的缺点。本文使用该算法优化小波神经网络的参数并对短时交通流进行预测,模型的仿真结果表明,改进人工蜂群算法优化小波神经网络预测的结果误差更小,精确度更高,训练次数少,具有较高的实际应用价值。     

基于动态分组的多策略引力搜索算法

给出了一种基于动态分组的多策略引力搜索算法.算法迭代初期利用自适应分组策略对种群进行分组寻优,每个分组内只更新最差个体,采用云模型理论来改进最优个体的进化行为;迭代后期将种群分为优势子群和拓展子群,采用差分变异算子更新优势子群提高寻优精度和速度,利用Tent混沌理论进化拓展子群完成个体变异.典型复杂函数测试表明,该算法具有很好的收敛精度和计算速度.     

改进差分进化算法及其在发酵优化中的应用

针对发酵过程的补料优化问题,提出一种改进的差分进化算法.为了克服基本差分进化算法在全局最优点附近搜索速度较慢、精度较低的缺点,引入单纯形加速算子以提高算法收敛速度,而针对算法易过早收敛的缺点引入混沌迁移算子,以提高算法种群多样度,增强算法跳出局部最优解的能力.对于有约束优化问题,利用3个准则进行选择操作,使求得的最优解满足约束条件.将改进的算法用于某一类补料分批发酵过程,提高了发酵最终产物产量,表明了该算法的有效性.     

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.     

一种改进的快速高效的差分进化算法

文章针对差分进化算法收敛速度和全局搜索能力之间不能同时兼顾这一问题,提出了一种改进的差分进化算法,该算法从动态更新种群、递增策略的交叉概率因子及递减策略的缩放因子对标准DE算法进行了改进,并用6个典型的测试函数对改进的差分进化算法和标准差分进化算法进行测试比较,结果表明改进后的差分进化算法在收敛速度、收敛精度和算法鲁棒性方面都要优于标准差分进化算法,采用动态更新种群的策略也有效地提高了算法的运算效率.     

一种改进的自适应粒子群优化算法的研究

针对标准粒子群算法（PSO）早熟收敛、进化后期收敛慢和精度较差等缺点,提出一种改进的自适应粒子群优化算法。该算法根据粒子的适应度值一致等价于粒子位置的特点,通过比较粒子适应度值与当前全局最优适应度值的差来自适应调整惯性权值,并按当前种群平均粒距对种群中部分粒子进行变异操作,增加种群多样性,使粒子跳出局部极值。通过几种典型函数的仿真实验表明,该算法在收敛速度和收敛精度上都比标准粒子群优化算法有明显的提高。     

混合整数非线性规划的自适应变异差分进化算法

提出了一种求解混合整数非线性规划(Mixed integer nonlinear programming,MINLP)的混合差分进化(Differential evolution,DE)算法。为提高DE算法的优化性能,设计了混沌初始化种群、可平衡全局探索与精细开采能力的混合变异版本、基于种群进化停滞代数记录的自适应二次变异算子等新型策略。将前述策略融入DE算法,形成面向MINLP的自适应变异差分进化(Adaptive mutation differential evolution,AMDE)算法。6个MINLP数值实例的对比实验表明了新算法的有效性和可靠性。最后,应用AMDE算法求解齿轮传动体积最小化工程优化设计实例,显示了该算法的工程应用价值。     

面向可靠性冗余优化的自适应差分进化算法

针对可靠性冗余优化问题中解的精度低及算法早熟收敛的问题,提出一种自适应的差分进化算法.该算法在原始差分进化算法的基础上修改了变异算子和交叉算子;在进化过程中,缩放因子F和交叉概率CR分别由三角函数实现自适应调节,以提高可行解的多样性及算法的收敛速度.解决了可靠性冗余优化问题解的精度低及早熟收敛问题.实验结果表明,该算法在解决可靠性冗余优化问题上不仅提高了解的精度,且具有更好的稳定性及更快的收敛速度.     

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．     

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.     

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.     

一种改进的遗传算法在TSP问题中的应用

为了解决旅行商(TSP)不能够在多项式时间内求得最优解的问题,从仿生学的角度入手,重新设计了从问题域到算法域的编码和解码方法,应用"排列法"来初始化种群;并设计了两种染色体操作算子:顺序交换算子和合法交叉算子,保证了种群在进化过程中染色体的合法性;在种群进化选择方面,设计了一个新的更加仿生的选择算子——"灾难算子",并与经典算法的"轮盘赌"选择法相结合,作为改进算法的选择算子,进一步提高了算法的收敛速度。实验表明,改进后的遗传算法能更准确地找到最优解。