基于动态混合约束框架的改进差分进化及其应用

针对动态随机选择多个体差分进化(DSS-MDE)在处理复杂约束问题时易陷入局部最优的缺陷,提出了基于动态混合约束框架的改进差分进化算法(DHCF-IDE)。首先,通过跟踪种群可行解比例,动态地执行可行解搜索和全局搜索,并分别使用动态随机排序和可行性规则作为两模型的约束处理方法。其次,分别采用多个体差分进化和基于幂律分布父代选择的改进差分进化作为两模型的算法实现。选取CEC2006中6个测试函数进行仿真实验,实验结果表明:与仅采用DSSMDE或DyHF相比,DHCF-IDE能保持更快的收敛速度和较好的全局搜索能力。催化重整芳烃产率优化的工业案例也表明该改进算法在实际应用中具有可行性。     

多起始点进化算法在容量约束弧路径问题上的应用

容量约束弧路径问题(CARP)是一类NP难的组合优化问题,通常采用启发式算法求解,计算时间较长.本文在竞争模因算法基础上采用多点同时搜索,构造了多点进化算法(MSEA).算法由多个初始解开始,同时进行局部搜索与遗传进化,再将结果合并,得到最终的解.在29个基准数据集上的数值试验表明,该算法可行有效,并可以节省大量计算时间.     

并行进化BP神经网络

基于并行进化种族间的协作和竞争机制,给出了ＣＰＣＡ算法。新算法的进化操作更符合自然选择机制,在动态增加新种族的同时,亦动态删除老化、竞争力弱的种族。该算法用来进化ＢＰ网,经实验证明能有效地提高解的质量,并降低进化时间。     

改进分解进化算法的飞行器动态火力分配

为解决飞行器在一次性投放火力有限的情况下,如何动态分配多波次火力问题。将目标价值、目标威胁与火力分配相联系,建立动态火力分配多目标优化模型(DWTA)。在DWTA模型下包括数个子火力分配模型(SWTA),下一波次的SWTA由上一波次SWTA的打击效果作为输入来进行更新。改进了混合共轭梯度法的多目标分解进化算法(MOEA/D),提出加入高斯扰动来生成初始搜索点集合,并运用共轭梯度法进行搜索。运用算法对模型进行求解,仿真实验表明,算法在保留MOEA/D算法优点的同时,相比传统MOEA/D算法求解模型用时22s,改进MOEA/D算法仅用14s,提高了算法的收敛速度,并完成了对多波次火力的动态分配。     

基于协同进化的多目标约束进化算法

针对约束多目标优化算法(COA:Constrained Optimization Algorithms)中存在的难以有效兼顾收敛性和多样性的问题,提出了采用协同进化策略的多目标优化算法(CoMaC)。首先,将一个COA转化为一个带动态约束处理的多目标进化算法。然后采用差分进化(DE:Differential Evolution)生成第1种群,并将其中的已知可行解选入第2种群,并与第1种群协同进化。第1种群通过保持原约束条件的全局搜索加快收敛。第2种群通过局部搜索进化,保持并获得更多可行解。最后采用标准约束多目标测试函数进行实验,以测试所提出算法的性能。实验结果表明,与使用惩罚函数处理约束问题(PF:Penalty Function)和使用动态处理约束边界方法(DCMaOP:Dynamic Constrained Many Objective optimization Problem)相比,所提算法在反向世代距离(IGD:Inverted Generational Distance)和超体积(HV:Hypervolume)两个指标上均取得了良好的结果,说明所提算法可以有效地兼顾收敛性和多...     

动态环境下基于可变记忆的进化算法

常规基于记忆的进化算法在动态环境中往往达不到期望的效果,这主要是由于记忆体大小的限制.为此提出了动态环境下基于可变记忆的进化算法(IMEEA),其核心思想是算法中拥有两个种群,即搜索种群和记忆种群,同时采用过度变异策略来增加种群的多样性.算法中的两个种群有最小和最大的允许长度,并且种群的大小根据进化过程的进行而不断变化...     

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.     

基于改进量子头脑风暴算法的UAV三维航迹规划

针对复杂环境中的无人飞行器航迹规划问题，提出了一种基于改进量子头脑风暴优化(QBSO)算法的UAV三维航迹规划方法．在进化前期，两个种群独立进化，从而提升算法的全局搜索能力．在进化后期，对每个种群中的个体进行排序，每个种群中较优的(排名前50%)个体形成一个新种群，该新种群按照QBSO的进化机制继续进行进化，从而加快算法收敛速度．此外，为进一步提升算法的全局搜索能力，提出了一种改进的待变异个体产生方式．实验结果表明：与基本BSO、QBSO、改进BSO及全局最优BSO算法相比，改进QBSO算法在解决航迹规划问题上具有更高的全局搜索能力、收敛精度和更强的稳定性．     

差分进化樽海鞘群特征选择算法

针对樽海鞘群优化算法(SSA: Salp Swarm Algorithm)在求解特征选择问题时存在易陷入局部最优、收敛速度慢的不足,基于樽海鞘群优化算法提出了新的改进算法差分进化樽海鞘群特征选择算法(DESSA:Differential Evolution Salp Swarm Algorithm).DESSA中采用了差分进化策略替代平均算子作为新的粒子迁移方式以增强搜索能力,并加入进化种群动态机制(EPD: Evolution Population Dynamics),加强收敛能力.实验中以KNN(K-Nearest Neighbor)分类器作为基分类器,以UCI(University of California Irvine)数据库中的8组数据集作为实验数据,将DESSA与SSA同具有代表性的算法进行对比实验,实验结果表明,DESSA算法各考察指标较原算法有明显提升,较其他算法相对优越.     

连续变量函数全局优化算法—列队竞争算法

提出了一种全局优化搜索新算法——列队竞争算法．算法在模拟进化过程中,始终保持着独立并行进化的家族,通过家族内部的生存竞争和家族间的地位竞争这两种不同的竞争方式,使群体快速进化到最优或接近最优的区域．根据家族的目标函数值大小排成列队,并按家族在列队中的地位不同获得不同的竞争推动力,使得各个家族在列队中的位置发生动态的变化,从而使得局部搜索与全局搜索达到均衡．数值计算结果表明,列队竞争算法具有在复杂搜索空间内迅速搜索到最优解的能力     

基于协进化机制的多传感器协作方法

多传感器之间如何产生动态、鲁棒的适应性协作行为以完成共同的任务,是多传感器协作的主要研究内容之一;文章在基于行为的多传感器系统的基础七,设计了基于协同进化机制的多传感器协进化模型及其协进化决策算法,使系统在协进化机制的控制下能分布并行地协同进化各传感器基本行为策略库,形成传感器适应性的协作行为以完成共同的任务;最后通过对无人侦察机编队协作侦察移动目标的仿真实验表明,能够有效地解决多传感器之间的协同问题.     

Memetic算法及其在分类中的应用研究

群体智能优化算法Memetic算法(Memetic Algorithm,MA)采用进化算法的操作流程,引入局部搜索算子,使其在问题的求解中保证较高收敛性能的同时又能获得较高质量的解,克服了遗传算法等传统全局优化算法易"早熟"的问题,同时避免陷入局部解。在MA框架基础上,提出了全局动态适应MA算法,采用遗传算法为全局搜索算子,k-means算法为局部搜索算子。使用Java语言实现算法并对UCI中分类实验数据集进行测试,结果表明,将遗传算法和k-means结合的全局动态适应MA在分类问题中具有较高准确率。     

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．     

嵌入自学习策略的多因子进化算法

为了解决多因子进化算法(MFEA)局部搜索能力不足的缺陷,提出将基于拟牛顿方法的自学习策略嵌入到MFEA中.结合MFEA的特性,设计了三种类型的嵌入策略,并应用于多任务优化问题的求解.结果表明:嵌入式MFEA的性能远优于同样基于拟牛顿方法改进的自适应模因多因子进化算法(AMA-MFEA);在相同迭代次数的条件下,完全子代嵌入可以发挥最好的效果;在相同优化时间的约束下,随机抽样嵌入最为有效.     

面向PI集装箱的组合适配装箱算法

针对PI(Physical Intemet)集装箱与货物的适配问题,考虑PI集装箱标准化、模块化、可扩展的特性以及货物装箱的体积、方向、完全支撑等约束,通过PI集装箱模块化重组,构建与货物适配的组合式PI集装箱,目标是PI集装箱的空间利用率最大化.结合PI集装箱组合适配装箱问题的特性,设计一种组合适配装箱算法,包含货物分类、货物装箱、箱体组合等三个步骤.在货物装箱步骤中,嵌套调用基于粒子群算法的改进模因算法求解货物装箱顺序和位置,该算法引入多种群变异策略以提高算法前期搜索质量,引入路径重连技术和扰动操作防止算法陷入局部最优.在多批量少货类和少批量多货类两种实验场景下进行求解,并通过算法对比验证了改进模因算法的有效性.     

基于多信息素的蚁群算法

针对传统增强型蚁群算法容易出现早熟和停滞现象的缺陷,提出一种多信息素的蚁群算法(MPAS),并以TSPLIB的数据为例对该算法进行实验测试.MPAS算法将信息素分为局部和全局两种不同的信息素,在搜索过程中,对局部和全局信息素采用不同的更新策略和动态的路径选择概率,使得在搜索的中后期能更有效地发现全局最优解.在中大型问题上MPAS算法有着更好的发现最优解的能力.     

FH—MOEA：基于快速计算空间超体积贡献机制的多目标优化进化算法

研究在多目标优化进化算法中引入强选择压力机制,以促使搜索群体在有效保证多样性的前提下向Pareto最优前沿迅速收敛,并引入空间超体积测度．针对当前空间超体积测度计算代价高的问题,提出了一种基于空间切片的快速空间超体积贡献计算方法FH．基于该方法,发展出一种基于快速计算空间超体积贡献机制的多目标进化算法（FH—MOEA）,并应用于解决复杂的多目标优化问题．用一组测试问题对算法性能进行检验,实验结果表明,该算法在收敛性和分布性两方面均比著名的NSGA-Ⅱ算法有显著提高．     

一种动态改变惯性权的自适应粒子群算法

针对惯性权值线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW).在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这2个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数.在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性.对几种典型函数的测试结果表明,DCW算法的收敛速度明显优于LDW算法,收敛精度也有所提高.     

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明:与NSGA-II和自适应差分进化算法(SADE-εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

改进的混合级联遗传算法

将模拟退火算法和级联遗传算法相结合,提出了一种改进的混合级联遗传算法。模拟退火算法承认物种进化过程中的局部失败和倒退,它允许进化中的波折而不是非要物种进化一直是上升的、成功的,模拟退火算法能使搜索过程避免陷入局部最优解。级联遗传算法假设问题的最优解总是靠近于问题的局部最优解的,据此,级联遗传算法通过不断缩小解空间达到快速收敛的目的。综合运用这两种算法,可克服模拟退火算法收敛速度慢、级联遗传算法局部搜索能力差的缺点。利用本算法构造CL多小波前置滤波器的实验结果表明,本算法不仅计算速度快,而且稳定性也得到了显著提高。