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.     

基于并行优进策略的差分进化算法

差分进化算法是一种新颖的进化计算技术,为减少用户选择算法控制参数的盲目性和提高算法收敛速度,设计了一种基于并行优进策略的差分进化算法（DEPES算法）．算法随着搜索过程的进行随机动态调整缩放因子和选取差分进化模式;在进行差分操作的并行运算过程中,利用当前代最优个体产生新的试验向量参与竞争选择过程．几个复杂函数的数值实验结果表明,DEPES算法寻优效率高、收敛速度快、对初值具有很强的鲁棒性、对维数具有较好的适应性,尤其是具有避免局部极小的能力,其优化性能优于标准DE算法．     

解高维复杂函数优化问题的混合差分进化算法

鉴于传统方法用于高维复杂函数优化很容易陷入局部极小,为此提出了一类通用、易实现、具有全局优化特性的混合优化算法（CHADE算法）．该算法将混沌优化的随机性与差分进化算法（DE算法）相结合,利用混沌扰动算子增强算法的局部搜索能力;同时,随着搜索过程的进行随机地调整缩放因子和差分进化模式．多个典型高维复杂函数的数值仿真结果表明：CHADE算法寻优效率高、收敛速度快,尤其是具有避免局部极小的能力,其优化性能优于单一的DE算法．     

解决高维INLP和MINLP问题的混沌差分进化算法

为改进差分进化(Differential Evolution,DE)算法的搜索能力,提出一种新的混沌差分进化算法(CGLSDE)﹒首先,该算法利用混沌序列替换DE参数并采用混沌全局搜索算法来改进DE的全局搜索能力;其次,CGLSDE算法还采用了单维和多维的混沌局部搜索来改进DE的局部搜索能力﹒仿真结果表明:CGLSDE算法在解决高维整数非线性规划(INLP)问题和高维混合整数非线性(MINLP)问题上,其性能要好于其它3种混沌差分进化算法﹒     

基于区域分割的差分进化算法求解0-1背包问题

为了更有效地求解0-1背包问题,提出了基于区域分割的差分进化算法(PDE).为保证变异算子的封闭性,对传统差分进化算法(DE)的变异算子进行了修改.引入区域分割算法以后,解空间中一些没有希望的点被移除,缩小了最优解的搜索范围,增加了找到最优解的概率.将区域分割和贪婪算法相结合,用搜索到的最好解替换了种群中目标函数值最差的个体,保证了种群的多样性.数值实验表明:该算法比文献中的DE算法更稳健,全局搜索能力更强,能以更大的概率找到背包问题的最优解.     

基于樽海鞘群优化差分进化算法的实验室预约模型

为了提高实验室预约工作的效率，采用动态差分进化算法进行预约方案生成，并通过樽海鞘群算法对动态差分进化算法进行改进，从而增强方案对不同预约规模的适应度。首先，输入实验室设备、实验室时间、预约者申请使用记录等样本特征，构建多个预约样本个体。然后，建立动态差分进化算法实验室预约模型，以实验项目满足度作为适应度。通过交叉和选择操作不断更新个体适应度，并采用樽海鞘群算法对差分进化算法的缩放因子进行优化求解。通过樽海鞘个体的领导者和跟随者在设定运动范围内的位置更新来获得最优缩放因子。最后，采用最优缩放因子对应的动态差分进化算法进行实验室预约方案求解，输出最优受益面指标预约解。实例仿真结果表明，通过合理设置樽海鞘群算法参数，在不同预约者规模情况下，基于樽海鞘群改进的动态差分进化算法均能够获得较高受益面指标的预约方案。     

运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

基于改进差分进化算法的RBF神经网络在股指预测中的应用

为了提高径向基函数(RBF)神经网络的预测性能,文章提出改进的差分进化算法(IDE),通过引入混合变异策略和局部算子来增强算法的收敛速率和局部搜索能力,用改进的差分进化算法对径向基函数神经网络的网络结构参数进行优化,建立了IDE-RBF神经网络股指预测模型,并以上证综指为例进行了实证分析。实证结果表明,IDE-RBF神经网络的预测效果明显优于其他预测模型。     

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.     

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。     

基于改进差分进化算法的超声衰减谱反演计算

针对传统差分进化算法存在早熟收敛和求解精度低的缺点,研究了一种自适应控制参数的差分进化算法。通过引入自适应控制变量因子、自适应缩放因子和交叉因子使种群不断地向更新成功的个体学习,促进了后续种群的进化。对于颗粒粒径分布服从高斯分布、R-R(Rosin-Rammler)分布以及对数正态分布的3种典型颗粒系进行数值模拟,研究算例发现,改进差分进化算法反演得出分布参数值■,K的误差小于5%,体积中位径相比于设定分布的误差小于5%,因此,改进差分进化算法具有较强的稳定性与抗噪性。     

改进的差分进化算法在工作分配中的应用

提出了一种改进的差分进化算法(IDE)以解决工作分配.它修正了DE算法的两个重要的参数:尺度因子和交叉率.尺度因子根据所有解向量的目标函数值而自适应地调整,交叉率随着迭代次数的增加而动态地调整.通过结合这两种参数,不仅增加了候选解的多样性,还增强了本算法的解空间开发能力.实验表明,在解决工作分配上,IDE算法比其他三种DE算法具有更强的收敛性和稳定性.     

粒子群差分混合算法在PID参数优化中的应用

为有效提高PID控制器的性能,提出了一种粒子群差分混合算法(PSO-DE),并应用于PID参数优化中.算法利用一个选择判断因子来确定每个个体的更新方式,使用简化粒子群算法(s PSO)和改进后的差分进化算法(DE)来共同产生新一代个体,并将其应用于PID的参数整定中.仿真结果表明,相较于粒子群算法和差分算法,混合算法在PID控制器的参数优化中具有更好的全局搜索能力,而且控制精度较高.     

融合多种搜索策略的差分进化大规模优化算法

多峰、高维的大规模优化问题是当前优化领域的研究热点.文中以协同进化算法为框架,提出了一种融合多种搜索策略的差分进化大规模优化算法.基于分解的思想,该算法首先利用自适应差分进化算子对子问题进行局部优化求解;然后引入基于模拟退火的随机搜索机制提高算法的全局搜索能力,并结合局部搜索链对解空间进行深度搜索.采用大规模优化标准函数对算法进行测试,结果表明,文中所提出的算法相比现有算法在平均值和最优解上均取得了更好的优化结果.     

基于差分进化算法的FMS中机器与AGV同时调度方法

针对柔性制造系统中机器与AGV（automated guided vehicle）同时调度问题，提出一种混合变邻域搜索的改进离散差分进化算法。以最大完工时间最小为优化目标，考虑机器与AGV双资源约束，建立相应的数学模型。为了同时调度机器与AGV，采用基于工序、机器、AGV的3层编码结构。通过改进差分进化（differential evolution，DE）算法的变异、交叉算子产生新个体以提高算法的全局搜索能力，并引入模拟退火算法中解的接受准则选择下一代。同时，为了增强算法的局部搜索能力，对算法每次迭代的最优个体进行变邻域搜索。通过算例计算和对比，证明了提出的改进DE算法的有效性、稳定性和优越性。     

混合差分进化-和声搜索算法在结构工程中的应用

为了增强HS算法跳出局部最优的能力,将差分进化算法(DE)的变异和交叉引入到了HS算法中.这种改进的HS算法被称为混合差分进化-和声搜索(HDEHS),它既具有很强的收敛性,又能有效地防止自身陷入局部最优.实验结果表明,与文献中算法比较,HDEHS算法在解决结构工程优化问题中能够找到更好的解,它是解决结构工程优化问题的一个有效的选择.     

差分进化花朵授粉算法的WSN节点部署策略

针对无线传感器网络（wireless sensor network,WSN）的节点部署问题，提出了一种基于差分进化算法（differential evolution algorithm,DEA）优化的花朵授粉算法（flower pollination algorithm,FPA）：DE-FPA。设计了动态转换概率，自适应平衡全局授粉和局部授粉间的相互转换，提高算法全局搜索能力。优化了全局授粉过程中的步长缩放因子，进一步提高算法收敛速度。为避免算法陷入局部极值，在每次全局授粉或者局部授粉迭代后引入差分进化策略，增加种群多样性，提高了算法搜索能力。实验结果表明，DE FPA收敛速度快、寻优精度高，能够在网络连通的约束条件下，达到较高的网络覆盖率。     

基于退火加速的差分进化算法改进及应用

差分进化算法(DE)是一种简单有效的启发式全局搜索技术,为解决DE算法运行过程中存在的算法收敛早熟、收敛速度慢和求解精度不高等问题,提出了一种基于退火加速的差分进化算法.该方法在传统DE算法基础上,以退火概率来增强算法的局部开发能力,并利用Hooke-Jeeves算法加快收敛速度,在充分发挥Hooke-Jeeves算法局部探测能力的同时保持了DE算法的全局性能.仿真结果表明,该算法比基本DE算法收敛速度快、精度高,是一种有效的全局优化算法.     

混沌差分进化算法在复杂优化问题中的应用研究

差分进化算法求解复杂优化问题时,由于进化后期种群多样性降低,算法极易陷入局部最优值无法跳出.论文针对该问题,将差分进化算法和混沌优化方法耦合,构建了混沌差分进化算法.算法利用混沌序列的遍历性和内部迭代的随机性,弥补差分进化算法容易陷入局部最优的缺陷,从而提高算法的搜索性能.对几种典型函数的测试结果表明:混沌差分进化算法的全局搜索性能有了显著提高,能有效避免算法陷入局部最优.因此,与标准差分进化算法和混沌优化算法相比,该算法在求解复杂优化问题时更加可行、有效.     

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,...