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.     

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...     

求解大规模可靠性问题的改进差分进化算法

针对差分进化算法典型变异算子的局限,设计了全局加速的变异算子,进而提出全局加速的自适应改进算法.新变异算子能够均衡全局搜索与局部搜索,提高寻优效率.根据差分向量与整个种群分布范围的关系,有针对性的设定变异率值,减缓搜索范围缩小的趋势,保持较高的种群多样性.采用两区间选择策略,通过学习和比较自适应地调整交叉率,使其满足进化搜索的需要,同时提高算法的通用性.将改进算法应用于大规模可靠性问题中,实验结果表明,改进算法在解决大规模系统可靠性问题时具有更好的寻优效果.     

基于自适应退火遗传算法的船舶管路布局优化方法

采用自适应遗传算法来确定标准遗传算法的杂交率和变异率,尤其对变异率的调整,使其不但能根据个体适应值的大小进行自适应修正,而且能随进化状态的改变而改变,从而增强了算法摆脱局部最优解的能力.同时引入模拟退火思想,通过对标准遗传算法接受算子的退火处理,使其在搜索过程中除了接受优化解以外还以Metropolis准则接受恶化解,提高了种群的多样性,有效地增强了全局寻优能力.通过对适应值函数的退火拉伸,调整了进化前后期的适应值差异,从而加速了寻优过程.最终以形成的自适应模拟退火遗传算法进行船舶管路的三维布局优化,仿真实验表明,该算法不但加快了寻优速度,而且与标准遗传算法相比全局收敛率提高了近30%.     

差分进化算法的改进及其应用研究

针对差分进化(DE)算法后期收敛速度变慢、收敛精度变低以及易陷入局部最优解的缺点,提出一种基于双种群自适应进化的改进差分进化算法。于算法初始化阶段同时初始化2个种群,2个种群分别采用不同的自适应变异算子、变异策略和交叉算子进行进化操作,在改进选择操作中选择2个种群的最优个体进入下一次进化过程。采用5个标准测试函数对改进算法进行测试,检验算法的改进效果。结果表明,改进DE算法比j DE算法与标准DE算法具有更好的全局收敛能力,更快的收敛速度以及更高的收敛精度。将改进DE算法与SVM算法结合应用于短期电力负荷预测,预测结果表明,改进DE算法比标准DE算法能够更好的寻找到SVM的最优参数组合。     

改进人工蜂群算法求解非线性方程组

针对传统的人工蜂群算法在处理单峰问题时收敛速度较慢、多峰时易陷入局部最优等缺点,通过借鉴差分进化算法中变异算子的作用,提出了一种改进的人工蜂群算法.该改进算法在对蜜源邻域的搜索过程中引入了个体当前最优值及随机向量,从而加快算法的收敛速度,并且在一定程度上防止多峰问题易陷入局部最优的不足,提高算法的搜索能力.最后将改进的算法应用到求解基本函数和非线性方程组上,测试改进算法的性能.结果表明,改进的算法能够有效避免陷入局部最优,并能较大幅度地提高收敛速度和收敛精度.     

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。     

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。