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．     

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。     

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。     

应用小生境混沌搜索策略的花朵授粉算法

针对花朵授粉算法（FPA,flower pollination algorithm）存在的全局收敛能力不足、寻优精度低、易早熟等局限,提出一种应用小生境混沌搜索策略的花朵授粉算法（NCFPA,flower pollination algorithm with niche chaotic search strategy）。为增加算法搜索的广度,使用小生境技术保持种群的多样性,提升了算法的全局优化能力;引入逻辑自映射函数产生的混沌序列对精英个体进行局部优化,增强算法的搜索精度;通过经典测试函数对算法性能进行测试。测试结果表明,与花朵授粉算法、差分进化（DE,differential evolution）和蝙蝠算法（BA,bat algorithm）相比,NCFPA表现出较优的全局寻优能力和搜索精度。     

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．     

函数优化问题求解的自适应差分进化算法

针对函数优化问题求解算法存在速度慢、精度低等问题,提出一种函数优化问题求解的自适应差分进化算法.该算法对变异算子和交叉算子进行改进,增强了其寻优能力.对经典的函数优化问题进行仿真测试,结果表明,自适应差分进化算法全局搜索能力强,收敛速度快,可以获得更高精度的函数优化问题解.     

融合对数交叉概率因子和随机迁移的差分进化算法

针对差分进化算法在后期收敛缓慢和易陷入局部极值缺点,提出了一种带有对数递增交叉概率因子和随机迁移算子的差分进化算法。这个算法增强了收敛速度和精度,同时也提高了全局寻优能力。数值实验结果表明,所提出的算法LMDE比基本DE和带混沌差分进化算法CDE在收敛性和稳健性以及全局寻优能力方面更好。     

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.     

混合约束多峰优化问题的一个协同共轭进退粒子群算法

为解决混合（等式和不等式）约束的多峰优化问题（MOPs），本文在粒子群算法框架下提出了粒子优度比较准则和局部协同与共轭进退寻优两种迭代进化策略．优度比较准则在适应度和约束违反度的双重限制下指导粒子高效地执行进化策略，局部协同策略可使粒子能通过局部抱团收敛到多个全局最优解，而共轭进退寻优策略则提升了寻优的速度和精度．基于优度比较准则与两种进化策略的有效结合，本文设计了一个协同共轭进退粒子群（CCARPSO）算法，以充分融合粒子群算法的全局搜索能力和共轭进退法的局部快速寻优能力．数值仿真表明，该算法能有效解决复杂约束MOPs和非线性方程组的多根问题，在广义Logistic分布的参数估计中有全局优化能力和较高的计算精度．     

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.     

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.     

改进的WMN的QoS组播路由算法

无线Mesh网络（WMN）是一种新型的网络结构,服务质量（QoS）是影响其网络指标的关键因素,因此对WMN的QoS组播路由算法研究成为了一个新的研究方向．采用粒子群优化（PSO）算法应用到WMN的QoS组播路由,存在易早熟的问题,因而采用DE-PSO算法是差分进化（DE）算法与PSO算法一起进行WMN的组播路径寻优．仿真结果表明,DE-PSO算法相比PSO算法,具有收敛速度快、多样性的特点,而且发现DE-PSO算法提高了算法全局搜索能力,更符合无线通信实际的要求．     

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。     

一种改进的混沌粒子群优化混合算法

提出了一种改进的混沌粒子群优化混合算法.该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力.通过对3个标准函数进行测试,仿真结果表明该算法与差分进化粒子群优化（DEPSO）算法相比,全局搜索能力和抗早熟收敛性能大大提高.     

一种基于反馈策略的自适应选择人工蜂群算法

雇用蜂觅食策略对人工蜂群算法性能有较大影响,而单一的觅食策略难以适用于所有问题的搜索空间,并且算法运行的不同阶段所适合的搜索策略也不尽相同.因此,如何为一个给定的函数优化问题选择最佳的觅食策略尤为重要.针对这一问题,提出了一种基于反馈的觅食策略自适应人工蜂群算法SSABC,该算法能够在优化过程中为一个给定的优化问题自动选择最佳的觅食策略.实验表明,与经典ABC(artificial bee colony algorithm),PSO(particle swarm optimization),DE(differential evolution),GA(genetic algorithm)算法相比,SSABC算法的寻优能力有较大提高.     

遗传大洪水演算法求解多维背包问题

由于遗传算法具有较强的全局搜索能力,但在实际应用中容易产生早熟收敛现象,且进化后期搜索效率较低,而大洪水演算法是求解组合优化问题的独特算法,结合两者的优点,形成基于遗传算法的大洪水演算法（Genetic Great Deluge Algorithm,GGDA）,然后应用该混合算法求解不同规模的多维背包问题（Multidimensional Knapsack Problem,MKP）,求解结果表明提出的算法是简单有效的,优于标准遗传算法和大洪水演算法。     

基于双变异策略差分进化算法的模糊PI参数整定

针对模糊PID控制器参数难以整定的问题,提出一种基于双变异策略协同工作的自适应差分进化算法DSDE。该算法采用随进化代数变化的权重因子,将经由DE/target-to-best/1和DE/rand/2两种变异策略生成的个体加权组合成一个新的变异个体,并采用Z型函数根据迭代次数自动调整变异因子,以适应于不同的进化阶段。将DSDE算法应用于二阶被控对象的模糊PI控制器(FPI)参数整定,MATLAB仿真结果表明,与传统的FPI、DE-FPI和采用自适应变异差分进化算法进行参数整定的AMDE-FPI相比,基于DSDE算法的模糊PI控制器具有更好的控制性能。     

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.