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。     

改进差分进化在前馈神经网络训练中的应用

分析了误差反传算法,将改进差分进化算法和神经网络结合,采用常数变异交叉与自适应变异交叉的混合策略对网络的权值和阈值进行训练.并用2个典型问题对该网络和误差反传网络进行仿真对比.结果表明：经改进差分进化算法训练的神经网络,收敛速度快、泛化性能好.     

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。     

基于贪婪搜索和变异操作的布谷鸟算法

作为一种新型的生物启发式群体智能算法,布谷鸟算法模拟了布谷鸟生育雏鸟以及鸟类的Levy flights行为,是一种全局最优搜索算法,为了更好地提高算法对不同问题的适应能力,提出一种基于贪婪搜索和变异操作的布谷鸟(GMCS)算法.根据最优位置设计一种贪婪搜索策略,贪婪搜索策略和Levy flights随机游动搜索策略按概率交替进行,加强算法的局部探索能力;引入差分进化算法中的变异操作,提高算法跳出局部最优的能力;加入一个新的参数,根据收敛状态自适应地调整参数阈值以控制贪婪搜索策略和变异操作的执行次数.通过8个标准测试函数进行数值实验,实验结果表明,与部分改进的布谷鸟算法以及一些其他改进的演化算法相比,GMCS算法具有较好的收敛性能和适应能力,验证了改进后算法的有效性.     

一类自适应的差分演化算法

介绍了差分演化算法常用的五个版本和一种自适应技术,并给出了五个自适应的差分演化算法.并试验研究了各自适应差分演化算法在欺骗问题上的表现,还分析了自适应差分演化算法的性能.     

基于启发式变异的改进演化规划算法

常用的演化规划算法(EP)的变异是基于固定的概率分布,鲁棒性较差.文中分析了变异算子对演化规划算法计算效率的影响,指出了Gauss变异、Cauchy变异和Lévy变异算子缺少启发式信息的不足,并据此设计了一种根据种群个体差异信息的启发式变异算子,用算子抽取的个体差异来更新变异步长,允许个体有机会在某些维数保持原状,只是进行部分维数上的变异.启发式变异算子能使演化规划算法更好地适应不同特点的连续优化问题,从总体上增强算法的鲁棒性.在求解多个Benchmark测试问题的数值实验中,基于启发式变异的改进演化规划算法比当前6种等概率分布演化规划算法有更快的收敛速度和更优的平均性能.     

随机变异差分进化算法

为了避免差分进化算法陷入早熟,提出了一种随机变异差分进化算法(RMDE).这种算法改进了差分进化算法的变异操作,采用随机选择的方式进行变异和扰动操作,增加种群的多样性,平衡算法的局部搜索和全局搜索.对几种标准的函数进行了测试,结果表明RMDE算法优于其他5种算法.并将该算法应用于13机组的电力系统经济调度问题,与文献其他算法相比,RMDE算法取得的结果优于最近文献所报道的结果.     

基于差分算子的和声搜索算法求解非线性l1模极小化问题

针对一类目标函数非光滑的l1模极小化问题,提出了一种改进的和声搜索算法.结合差分进化算法的变异策略,用差分向量算子取代和声搜索算法的音调微调.实验结果表明,改进后的和声搜索算法能够获得原问题的全体解.     

基于差分进化算子变异的中心引力优化算法

针对中心引力优化算法易陷入局部最优这一不足,加强算法的全局寻优能力,提出一种改进的中心引力优化算法,根据差分算法本身的固有特性,通过引入差分进化算子对当前粒子位置的分量进行变异,促使算法摆脱局部最优,增强算法的全局收敛性.最后选取5个经典函数对算法进行测试,并与其他算法进行比较分析,结果证明算法的精度得到了明显提高,从而验证了该算法的有效性和可行性.     

模糊变异算子的改进鸽群优化算法

针对鸽群优化算法易于早熟收敛、陷入局部最优的问题,提出了一种改进的鸽群优化算法.改进算法基于鸽群优化算法中地图和指南针算子与地标算子的位置更新公式,受差分进化算法的启发,引入模糊交叉变异算子,构建修改的个体位置更新公式来增强算法的搜索能力.与其他3种算法在19个测试函数上进行比较,比较结果表明:改进算法在测试函数上寻优...