一种基于云模型的自适应蚁群算法

针对蚁群算法在解决大规模优化问题中易陷入局部最优及收敛速度慢等缺陷,提出了一种基于云模型的自适应蚁群算法。通过对信息素分布状况进行评价,自适应地调整云模型中各参数,并根据云模型参数,确定全局最优及次优路径,进行全局信息素更新,以改善算法的全局搜索能力。同时,为了避免算法陷入停滞,将信息素大小限制在一个最大最小区间。仿真实验结果验证了提出的算法的高效性和稳定性。     

自适应量子交叉克隆选择算法

为克服传统克隆选择算法易于陷入局部最优的缺点,提出了自适应量子交叉免疫算法。自适应量子交叉算子在算法演化初期通过高适配度抗体对低适配度抗体的影响,加速收敛过程,而在算法演化后期,利用低适配度抗体对高适配度抗体的扰动,增加算法跳出局部最优的概率。对旅行商问题、单目标和多目标孔群加工路径优化问题所做的计算,结果表明:自适应量子克隆选择算法能有效平衡全局搜索和局部挖掘能力,在收敛速度和稳定性上优于同类克隆选择算法和其他启发式算法。     

基于改进混合蛙跳算法的粗糙属性交叉熵优化约简

结合粗糙集属性约简二进制优化模型,提出一种基于改进混合蛙跳算法的粗糙属性交叉熵优化约简算法,该算法将粗糙集属性划分至不同蛙群进化模因组内,每个模因组内属性集设计成以精英个体为中心力的蛙群并行演化方式,并采用交叉熵最小原理进行精英个体寻优全局最优约简集,快速而有效地处理大规模信息系统的属性约简.UCI仿真实验结果表明本文提出的算法在搜索全局最小属性约简解效率和精度方面具有明显优势,该算法应用于含噪音的人脑核磁共振图像MRI分割实验,其对MRI图像分割的高效性进一步表明该算法具有较强的适用性.     

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。     

云模型在机器人路径规划算法中的研究

传统的遗传算法由于在进化过程中易出现早熟收敛、不能保证种群多样性的现象。本文提出了一种基于云模型的简单、有效的移动机器人避障路径规划算法,采用一维云算子进化变异,同时进化式变异和突变均利用了历史搜索结果,有效避免遗传算法的缺点。模拟数据也证明了该算法的可行性。     

基于MEA的粗糙集神经网络研究及应用

将思维进化算法、粗糙集和神经网络相结合,提出一种基于MEA的粗糙集神经网络,用于变压器故障诊断。此模型采用思维进化算法全局寻优的特点,搜索粗糙集属性约简离散断点的位置以及神经网络的连接权值和阈值,避免了常规粗糙集属性约简时复杂的手工试凑以及BP神经网络收敛速度慢、精度不高等缺点,有利于更快地收敛于全局最优解,提高系统的诊断速度和准确率。仿真结果表明了方法的有效性。     

基于云模型的自学习进化算法

结合进化论和遗传理论的最新进展,提出基于学习算子的自学习进化算法;并将正态云模型引入进化过程中,提出云学习算子和基于云学习算子的自学习进化算法.最后的仿真实验表明,该算法具有精度高、收敛速度快等优点,能在很大程度上解决了现存进化算法的低效问题.     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征,通过正态云发生器对量子粒子群优化算法（QPSO）进行改进,提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究,定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式,给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO,OPSO,CVCPSO,CMAQPSO 4种算法进行对比测试,实验结果表明,CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.     

一种基于免疫变异算子的改进型量子遗传算法

基于量子遗传算法进化方向随机性大、易早熟等缺点提出了一种改进的量子遗传算法.该方法采用了自适应染色体长度和旋转角度,提高了优化效率;引入了免疫算子,淘汰繁殖率低的个体,并通过操作染色体编码实现量子变异,以增强种群中基因多样性,避免算法陷入局部最优.对若干基准测试函数进行实验,结果表明相对于标准量子遗传算法,该算法在收敛速度、精度、稳定性以及克服早熟能力方面都有了显著的提高.