一种改进的自适应粒子群优化算法的研究

针对标准粒子群算法（PSO）早熟收敛、进化后期收敛慢和精度较差等缺点,提出一种改进的自适应粒子群优化算法。该算法根据粒子的适应度值一致等价于粒子位置的特点,通过比较粒子适应度值与当前全局最优适应度值的差来自适应调整惯性权值,并按当前种群平均粒距对种群中部分粒子进行变异操作,增加种群多样性,使粒子跳出局部极值。通过几种典型函数的仿真实验表明,该算法在收敛速度和收敛精度上都比标准粒子群优化算法有明显的提高。     

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.     

基于收缩精度的遗传算法逐级进化策略

为了有效克服传统遗传算法主观设定进化代数的弊端并提高算法进化期间的搜索效率,根据控制论中的反馈控制机理,通过适应度函数值的分散程度定义了收缩精度,并按照收缩精度将算法的进化期划分为不同的3个时期。在不同的进化期,采用不同形式的适应度函数以加大种群内个体之间的差异度。对交叉算子进行了改进,采用相关性配对交叉与改进的自适应交叉概率相结合的交叉算子,使算法达到较快的收敛速度。最后的算例表明,改进的遗传算法科学有效。     

结合聚类模型和自适应模型的遗传算法

在进化后期,自适应遗传算法有助于保存种群中的优秀模式;但在进化初期,对适应度值大的个体的保护,易降低种群的多样性、减弱算法的搜索性能。基于聚类的遗传算法可以提高遗传算法的收敛速度和搜索性能,但交叉概率和变异概率取定值,易使优秀模式在进化后期遭到破坏,难以收敛到全局最优。在遗传算法中同时引入聚类模型和自适应模型,有利于继承两类改进型遗传算法的优点,克服各自的不足。使用经典的测试函数对引入聚类模型和自适应模型的遗传算法进行测试,仿真结果表明:同时引入聚类模型和自适应模型的遗传算法比引入聚类模型或自适应模型的遗传算法具有更好的收敛速度和寻优能力。     

基于隔离小生境的自适应遗传算法研究

基本遗传算法存在着收敛速度慢、易陷入局部最优等缺陷.针对这些缺陷,本文通过对自然界中隔离机制和自适应技术的研究,发现隔离机制对于改善种群的多样性等方面有良好的作用,而交叉概率和变异概率不仅与自身的适应度值有关而且同进化代数有较大关系.本文结合隔离小生境的知识和自适应技术提出了一种基于隔离小生境技术的自适应遗传算法,并通过函数测试表明该方法能够有效改善种群多样性,提高算法的全局寻优能力和收敛速度.     

基于离散变量自适应遗传算法的改进

在自适应遗传算法中交叉算子和变异算子随着其适应度变化自动改变其值,从而影响遗传进化的过程,但算法在进化初期对遗传操作的效果并不明显。本文针对离散变量的特征,通过计算个体间的离散程度,判断种群的进化程度,根据不同的进化时期自适应调整交叉概率和变异概率,使得种群的交叉和变异配合进行,有效地解决了离散变量在进化初期容易陷入局部寻优的问题。实验结果表明,算法经改进后,其全局收敛的可靠性增加并加快了收敛的速度。     

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。     

协同学习差分进化算法及在双转向机构优化中的应用

根据齐次坐标变换法推导了双转向机构转向分析数学模型,然后采用差分进化(DE)算法求解该模型。针对基本DE算法可能出现早熟或收敛速度慢的问题,提出一种基于协同学习机制的差分进化(CLDE)算法。该算法采用两个子种群,每个子种群采用不同的变异策略,利用局部极值判断机制确定早熟收敛种群;针对早熟收敛种群,利用精英种群映射策略向精英种群进行映射学习,实现子种群间的信息交流;若不存在精英种群,则在自身种群内采用自适应高斯扰动策略实现自我调整。函数测试结果表明,CLDE优化精度更高、速度更快、稳定性更好。将该算法用于机构优化问题,结果表明,与基本DE算法、随机变异差分进化算法(RMDE)、多种群自适应差分进化算法(ADEMP)相比,CLDE的最优适应度值分别降低13. 83%、8. 33%和6. 25%,且表现出了较好的稳定性和收敛性。     

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...     

一种改进的粒子群优化算法

在粒子群优化算法的基础上,将粒子群优化算法的速度更新公式中种群最优位置用所有个体的平均值与最优粒子有限邻居个体的平均值加权求和代替;通过将种群平均适应度和整体最优位置适应度的比值作为适应度函数,并引入了加速系数;得到改进的粒子群优化聚类算法既能够充分参考当前粒子的最优信息,也参考了所有个体的最优信息和当前最优粒子有限邻居的最优信息,在进化过程中可以通过新的适应度函数自适应地调整全局搜索和局部搜索的比重对粒子的影响,对算法收敛速度影响较小的前提下较好地提高了收敛精度。最后,选取了4组具有不同分布特征的Benchmark函数作为验证函数,试验结果表明,新算法具有较好的收敛特性。     

数字电路设计的改进遗传算法

针对传统遗传算法应用于数字电路设计时出现的未成熟收敛和收敛速度慢等问题,提出了一种新的改进遗传算法,该算法对每次迭代产生的种群进行适应度分布和个体差异度的统计,并根据统计结果进行种群规划.实验结果表明,该算法使种群具备更好的多样性,从而显著地提高了电路的正确率和算法的收敛速度.     

寻找非线性电阻电路全解集的 GA-HPNN 方法

利用群集遗传算法（ＮＩＣＨＥＤＧＡ,简称ＮＧＡ）中群集原理,提出了一种群集消除的思想。利用该思想可将多最大值最优化问题转化为满足群集消除条件的序贯最优化问题。利用非线性电阻电路方程组解与相应的最优化问题解的等价性,可将求取非线性电阻电路全解集的问题转化为满足群集消除条件的最优化问题。遗传算法和Ｈｏｐｆｉｅｌｄ神经网络组合算法（ＧＡ－ＨＰＮＮ）结合了遗传算法（ＧＡ）的全局寻优与Ｈｏｐｆｉｅｌｄ神经网络局部寻优特点,能以较高的精度与速度得到非线性电阻电路的全解集。算法的普适性较强。     

基于KFDD与进化算法的可逆电路优化算法

为降低由Kronecker功能决策图(Kronecker functional decision diagram,KFDD)综合所得可逆电路的成本,提出一种基于进化算法的可逆电路优化算法.该算法基于遗传算法模型进行设计,分别采用离散值和整型值编码KFDD输入变量的分解类型和顺序,使用所设计的遗传算子,将量子成本作为主要目标、量子位数作为次要目标进行可逆电路的优化.为解决过早收敛问题,该算法在搜索过程的前期阶段利用多个子群搜索解空间中的不同区域,在搜索过程的后期阶段将多个子群合并为整体种群,利用整体种群进行集中搜索.使用基准函数对算法进行验证的结果表明,所提出算法具有较强的全局寻优能力,有较好的结果稳定性,能够降低可逆电路的量子成本.     

一种新的混合粒子群优化算法

 针对粒子群优化算法容易陷入局部极值,进化后期收敛速度慢、精度低等缺点,本文将粒子群优化算法与遗传算法相结合,在基本粒子群优化算法中引入了正态变异算子,提出了一种新的混合进化算法,新算法增加了种群的多样性,增强了算法的全局寻优能力,提高了算法的搜索效率。使用新算法对经典函数进行优化测试,结果表明,本算法保持了粒子群优化算法简捷快速、容易实现的特点;同时,正态变异算子的引入提升了算法后期的收敛速度与全局搜索能力。新的算法能够以更小的种群数和进化代数获得较好的优化能力,在克服陷入局部最优和收敛速度方面均优于基本粒子群优化算法、遗传算法以及加入混沌扰动的粒子群优化算法（CPSO）。     

基于遗传禁忌混合算法的低相关区序列集搜索方法

提出一种基于遗传-禁忌混合算法(genetic-taboo hybrid algorithm)的低相关区(low correlation zone,LCZ)序列集的搜索方法.建立搜索LCZ序列集的优化模型并设定了模型的目标函数,将禁忌算法嵌入到遗传算法的变异操作中,提出一种遗传-禁忌混合算法,该算法利用遗传算法的全局搜索能力和禁忌算法的局部搜索能力从而实现高效搜索.迭代过程中,种群在进入新一轮进化之前,首先剔除移位等价序列(shift equivalent sequence),从而保持种群的多样性,防止算法过早收敛.根据优化算法收敛后目标函数保持不变的特点,设定了算法结束准则,当超过一定进化代数后目标函数值仍保持不变,则认为进化结束.对非周期四元和周期二元序列集进行数值仿真,结果证明了该方法的有效性.     

基于多目标基因表达式编程的电路演化算法

为提高电路演化的效率和成功率,对电路设计中涉及的多个目标进行了定义与量化,并针对多目标优化问题,在基因表达式编程(GEP:Gene Expression Programming)的基础上,提出了基于多目标基因表达式编程的电路演化算法(MGEP:Multi-Objective Gene Expression Progra...     

均匀试验设计在遗传算法中的应用

介绍了在遗传算法中运用均匀设计产生初始种群的方法，指出由于遗传算法的交叉机制是完全依赖于初始种群的，所以初始种群的多样性对于遗传算法的收敛性是至关重要的．同时通过算例采用De Jong提出的验证方法验证了运用均匀设计产生初始种群能够增强遗传算法的收敛性．     

基于GAs/PSO组合算法的水轮机调速系统PID参数寻优

提出了一种基于GA s/PSO组合算法的P ID控制器参数自整定方法,这种方法兼有遗传算法(GA s)和粒子群算法(PSO)的优点。组合算法种群由GA s和PSO的最佳个体迁移形成,其中GA s采用了实数编码和变异概率自适应,PSO算法采用了带指数衰减的惯性因子的速度更新算法,以加快收敛速度。通过对水轮机调速系统P ID控制器参数寻优仿真比较表明,该组合算法寻优性能比单独的GA s和PSO表现更为优异,且所得系统具有更好的动态性能。     

基于改进遗传算法的四旋翼无人机参数辨识

为克服传统遗传算法在参数辨识过程中收敛速度慢的问题,提出了一种基于改进遗传算法的四悬翼无人机参数辨识方法。该方法引入梯度算子为遗传进化提供指示性的方向,利用遗传算法的全局搜索性保证算法的全局收敛,并根据简化四旋翼无人机数学模型设计了优化函数。利用四悬翼无人机实飞数据进行了实验测试,实验结果验证了本文方法的有效性和快速收敛性。     

遗传算法及其在遥感线性、非线性模型反演中的应用效果分析

分别以2类常见的遥感模型--线性光谱混合模型和GOMS模型为代表研究了遗传算法在遥感线性和非线性模型反演中的应用效果,并与逐步二次规划法等确定性搜索算法进行了比较.结果表明,遗传算法在线性遥感模型反演中的优势并不明显.而在非线性遥感模型反演中优于确定性搜索算法.这主要是因为对于线性模型来说,一般定义的代价函数为凸函数,大多优化算法可以收敛于全局最优解,相比较而言,遗传算法因其搜索效率低,故优势不明显.而在非线性模型反演中,代价函数的形式比较复杂,可能是非凸的,因此遗传算法的优势得以发挥,这也说明与一般确定性搜索算法相比,遗传算法具有更好的全局收敛性.