新型蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出一种新型蚂蚁算法(new ant colony algorithm,NACA),即将转移规则、全局信息素灾变规则和局部混合调整信息素规则。选择几个典型TSP问题进行实验。研究结果表明:新型蚂蚁算法一方面提高了算法种群的多样性,同时将轮盘赌算子利用到城市转移规则中,有利于提高算法的收敛速度;另一方面,将种群个体的差分信息应用于局部信息素更新规则中,有利于搜索全局解;最后灾变算子避免算法陷入局部最优,而达到全局最优。新型的蚁群算法具有更强的搜索全局最优解的能力以及更好的稳定性和收敛性,同时为解决其他优化问题提供新的思路。     

一种克服遗传算法早熟的参数调整及并行方法

遗传算法是一种自适应全局优化概率算法，容易产生早熟（过早收敛）现象，影响了问题的求解，本试图借助于多种群进货和种群间个体移植的概念，通过自适应控制参数的调整，利用移植并行的方法求出问题的最优解（或近似最优解）以使避免早熟，从而提高算法的搜索范围和效率。     

混沌伪并行遗传算法及其在火力分配优化中的应用

剖析了混沌模型的随机性、遍历性和初值敏感性的特点,提出了多种群伪并行混沌遗传算法.把多群体伪并行进化的并行性和混沌运动的内在随机性结合起来,利用不同的混沌扰动策略,把混沌变尺度映射机理应用到种群初始化和中间群体的优化进化实现函数优化.仿真结果表明,混沌伪并行遗传算法比伪并行遗传算法和简单遗传算法具有更快的收敛速度和更高的最优解搜索成功率,可对火力分配进行优化.     

基于PCGPS算法的UCAV自主攻击可投放区快速解算

无人作战飞机（UCAV）可投放区解算的实时性和精确性直接制约着UCAV自主攻击水平。针对传统可投放区求解过程中存在求解速度慢、实用性受限等缺点,提出了一种基于并行混沌模式搜索（PCGPS）策略的快速算法。该算法综合了并行混沌搜索算法的全局最优搜索能力和广义模式搜索算法的局部精确搜索能力,将混沌变量映射到可投放区边界范围内,并利用并行混沌搜索算法搜索初步最优值作为广义模式搜索的初值,再利用广义模式搜索算法进行局部精确搜索,得到全局最优可投放区边界值。在此基础上,研究了UCAV投弹方式、投弹速度和投弹高度对可投放区边界的影响。数字仿真表明,该算法搜索精度高、速度快,具有快速解算自主攻击可投放区能力。     

一种基于鲶鱼效应和新型搜索机制的混沌蝙蝠算法

针对蝙蝠算法(BA)收敛速度慢、易早熟、寻优精度差的缺点,该文提出一种基于鲶鱼效应和新型搜索机制的改进的混沌蝙蝠算法。首先采用均匀性更好的Tent混沌序列产生初始种群,以增强初始种群多样性。设计了新型频度和速度更新函数,以更好地调节种群的聚集速度,提高全局搜索能力,缓解局部最优现象。将混沌扰动思想引入蝙蝠算法,提出一种新的局部搜索机制和变步长搜索策略,以提高局部搜索的效率和精度。设计了基于混沌鲶鱼效应的种群激活机制,增强了蝙蝠群体跳出局部最优和加速收敛的能力。典型函数的对比测试结果证明了该算法的有效性。     

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.     

动态调整进化方向与策略的果蝇优化算法

针对标准果蝇优化算法(FOA)收敛速度慢、容易陷入局部最优和寻优精度低等缺陷,提出了动态调整进化方向与策略的果蝇优化算法(FOADAEDS)。首先,种群初始位置由佳点集理论选取;其次,根据种群进化信息动态调整进化指导方向和搜索步长;最后,当算法陷入早熟时,改变搜索策略以跳出局部最优。对6个经典测试函数进行仿真运算,结果表明,本文提出的改进算法相比标准果蝇优化算法和其他几种改进算法,有较好的寻优精度和收敛速度。     

改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明:CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

用改进的噪声混沌神经网络模型求解组合优化问题

混沌模拟退火方法（CSA）在解决组合优化问题时有很强的搜索能力。其中系数α代表能量函数对动态性的影响，α太大，能量函数影响太强，以至于无法得到暂态混沌现象，α太小，能量函数的影响太弱，从而无法收敛到最优解。提出了一种自适应参数动态调整方法，随着能量函数的逐渐减小，通过加大α，保持能量函数在整个搜索过程中对搜索动态性保持一定的影响，从而加快搜索速度，同时保持搜索的精度。计算机仿真结果表明，在保持和增强搜索能力的同时，文中动态参数算法所用时间与现有的算法相比可以减少20％－50％。     

基于混沌遗传算法的QoS组播路由

针对遗传算法在搜索最优组播树的过程中易发生早熟收敛的缺点,提出一种抑制早熟的混沌遗传算法.利用混沌的随机性和遍历性,将混沌扰动算子加入到遗传算法的操作中,当判断种群有早熟发生时,就对该种群进行类似变异的混沌扰动操作,从而增加了种群的多样性,既保留遗传算法的全局搜索能力又能有效改善算法性能.仿真结果表明,该算法能克服早熟收敛的缺点,又能快速、有效地构造出满足QoS约束要求的最优组播树.     

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.     

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。     

一种动态改变惯性权的自适应粒子群算法

针对惯性权值线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW).在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这2个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数.在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性.对几种典型函数的测试结果表明,DCW算法的收敛速度明显优于LDW算法,收敛精度也有所提高.     

基于改进差分进化算法的超临界水氧化动力学参数估计

为了准确地估计反应动力学参数,提出一种改进差分进化算法(MDE),能根据算法搜索进展情况而自适应地确定变异率,使算法在初期保持个体的多样性,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,增加搜索到全局最优值的概率。与传统的差分进化算法(DE)相比较,MDE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低。将MDE算法应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算,获得模型的拟合相对误差绝对值之和比文献报道值降低了14.2%。     

基于多邻域策略重心反向学习的差分进化算法

针对标准差分进化(DE)算法探索能力差、难以逃出局部最优的问题,提出一种基于多邻域策略和邻域重心反向学习的差分进化算法(MCOBDE)。该算法根据当前进化状态动态地选择不同的邻域策略:在算法前期大概率选择局部邻域策略,其采用的环形邻域结构有利于探索种群空间;在算法后期大概率选择全局邻域策略,其采用的星形邻域结构能加快算法收敛。同时在不同的邻域结构下辅以重心反向学习,能进一步扩大搜索范围,避免陷入局部最优。通过与其他DE算法针对15个CEC2015测试函数在低维和高维情况下的实验对比,证明本文算法具有较快的收敛速度和较高的收敛精度,能有效克服探索能力差、早熟收敛的缺点。     

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．     

A Hybrid Differential Evolution Algorithm Integrated with Particle Swarm Optimization

To implement self-adaptive control parameters, a hybrid differential evolution algorithm integrated with particle swarm optimization （PSODE） is proposed. In the PSODE, control parameters are encoded to be a symbiotic individual of original individual, and each original individual has its own symbiotic individual. Differential evolution （ DE） operators are used to evolve the original population. And, particle swarm optimization （PSO） is applied to co-evolving the symbiotic population. Thus, with the evolution of the original population in PSODE, the symbiotic population is dynamically and self-adaptively adjusted and the realtime optimum control parameters are obtained. The proposed algorithm is compared with some DE variants on nine functious. The results show that the average performance of PSODE is the best.     

基于择优学习策略的差分进化算法

传统的差分进化算法在个体变异方面只是利用了随机个体和最优个体的信息.由于选用个体的随机性,导致其搜索效率比较低并且有可能找不到最优解,为此,提出了基于择优学习策略的差分进化算法.该算法选择性地利用种群中比较优秀的个体的信息,克服种群进化过程中的盲目性,增强了搜索能力.通过对多个具有不同特性的标准测试函数进行测试研究,结果表明该方法可以明显减少迭代次数,提高计算效率.     

A hybrid genetic algorithm based on mutative scale chaos optimization strategy

In order to avoid such problems as low convergent speed and local optimal solution in simple genetic algorithms, a new hybrid genetic algorithm is proposed. In this algorithm, a mutative scale chaos optimization strategy is operated on the population after a genetic operation. And according to the searching process, the searching space of the optimal variables is gradually diminished and the regulating coefficient of the secondary searching process is gradually changed which will lead to the quick evolution of the population. The algorithm has such advantages as fast search, precise results and convenient using etc. The simulation results show that the performance of the method is better than that of simple genetic algorithms.     

混沌反向学习和声搜索算法

为改善和声搜索算法易陷入局部最优的不足,提出了一种混沌反向学习和声搜索(COLHS)算法.基于聚集和发散思想,对算法陷入局部最优和停滞状态进行初步预判断,并根据预判断的结果融合混沌扰动策略和反向学习,利用了logistic混沌序列的遍历性和反向学习的空间可扩展性.此外,利用和声记忆库的历史信息定义更新因子和进化因子,自适应地调整参数基音调整概率(PAR)和基音调整步长(BW),平衡算法的聚集和发散.数值结果表明,COLHS算法优于HS算法及最近文献报道的8种改进的HS算法.