改进差分进化算法求解武器目标分配问题

针对武器目标分配问题求解收敛速度慢、搜索效率低、寻优精度差的问题, 提出一种基于改进差分进化算法的武器目标分配方法。首先, 建立多约束条件下武器目标分配优化模型, 将动态武器目标分配问题离散为静态武器目标分配问题处理。其次, 采用随机邻域变异策略平衡差分进化算法全局探索和局部开发能力, 采用基于历史存档的自适应参数整定方法, 根据“精英”信息动态更新算法参数。最后, 通过与5种变种差分进化算法的对比实验, 验证了所提方法寻优精度高、收敛速度快、鲁棒性强的优点。     

一种求解热电联供经济调度问题的双种群混合智能优化算法

随着电力系统中热电联供所占比重的越来越多,热电联供经济调度问题的解决迫在眉睫。本文针对热电联供经济调度问题的特点,结合粒子群算法(PSO)和差分进化算法(DE)的各自优势,设计了一种双种群混合智能优化算法,该算法在一个种群中采用PSO算法产生新个体并进行更新迭代操作,在另一个种群中采用DE算法产生新个体并进行更新迭代操作,通过对每次迭代过程中两个种群产生的最优个体进行信息交流,协调维持了整个种群的多样性,使得算法在最优解寻找过程中的性能得到提升。对两个热电联供测试系统的仿真实验表明,相比于其他进化算法,本文提出的混合差分进化与粒子群优化算法(DEPSO)在热电联供经济调度问题中可以得到更好的结果。     

时间依赖型多时间窗车辆路径问题研究

针对一类考虑城市交通拥堵情况的时间依赖型多时间窗车辆路径问题(time-dependent vehicle routing problem with multiple time windows,TD_VRPMTW),提出一种混合离散灰狼算法(hybrid discrete grey wolf optimizer,HDGWO)进行求解。在HDGWO中,设计了新的灰狼个体更新公式,采用基于客户排列的整数编码方式,使算法可直接在离散问题解空间中执行基于标准灰狼算法个体更新机理的全局搜索;设计了基于问题性质的种群初始化策略,用于生成具有高质量和多样性的初始种群;引入头狼信息交流公式,用于探索头狼形成的优质解空间;构造具有多种局部搜索操作的自适应变邻域局部搜索策略,用于增强算法的局部搜索能力。结果表明：HDGWO可有效求解TD_VRPMTW。     

基于最小二乘支持向量机的自适应差分进化算法

差分进化(DE)算法具有操作简单,控制参数少,鲁棒性好等特点,但在对某些连续空间复杂函数进行优化时存在搜索盲目性较大、效率不高的问题.为此提出一种基于最小二乘支持向量机(LS-SVM)的自适应DE算法,该算法改进了标准DE算法的差分变异和交叉等关键遗传操作,引入了基于LS-SVM的种群进化引导策略,基于LS-SVM对种群n最优训练集数据进行回归函数逼近和优化,分析了种群进化引导策略的自适应应用条件,给出了算法的整体流程及各关键步骤的复杂度.对标准测试函数的对比优化结果表明,改进算法相比标准DE算法具有更好的全局寻优能力和更高的优化效率,可以满足对连续空间复杂函数优化问题的可靠、高效求解.     

运用ADE算法进行Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.首先利用DE算法对Wiener模型参数进行辨识,分析了算法中变异率F对辨识过程中的全局并行搜索能力和收敛速度的影响;其次运用一种自适应变异差分进化算法(ADE)进行Wiener模型参数辨识,该算法在初期变异率较高,种群具有多样性,避免过早收敛于局部最优解;在进化过程中,变异率逐渐变小,优良个体得以保留,避免最优解遭到破坏.运用ADE算法对Wiener模型的数值仿真结果表明了ADE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.与一般的DE算法相比较,ADE算法辨识到全局最优解的精度和概率有较大提高,对算法参数的敏感性降低.     

基于种族优生的进化规划用于混合非线性整数规划

混合非线性整数规划是在许多工程应用中经常遇到的重要问题。本文提出一种基于种族优生的进化规划算法用于求解混合非线性整数规划。一方面，该算法基于多种群并且每一代都选择各种群的最优秀个体作为下一代的种群祖先。另一方面，该算法的进化步长、种群规模和处理约束条件时所取的参数在进化过程中是动态变化的。实验表明该方法求解混合非线性整数规划问题的仿真结果优于现有的研究成果(GA，ES，SA)。     

基于APDE-RBF神经网络的网络安全态势预测方法

为了提高径向基函数(radical basis function, RBF)神经网络对网络安全态势的预测精度,提出了一种基于吸引力传播(affinity propagation, AP)聚类和差分进化(differential evolution, DE)优化RBF神经网络的算法。首先,利用AP聚类算法对样本数据进行划分聚类,从而获得RBF的中心和网络的隐含层节点数;其次,利用AP聚类得出种群差异度,自适应地改变DE算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;同时为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索。通过仿真实验表明,此算法在泛化能力增强的同时,对网络安全态势也达到了较高的预测精度。     

基于差分进化邻域自适应的大规模多目标算法

对于大规模决策变量给求解大规模多目标优化问题带来的难以收敛及解集分布不均匀问题,通过分析变量特征将其分类再分别优化是当前较为有效的求解方法,但存在变量分类不够准确、变量处理不够有针对性等不足。对此,提出一种基于差分进化邻域自适应策略的大规模多目标优化算法。首先,通过分析扰动解的支配关系将混合变量分为多样性变量和收敛性变量,使变量分类更为准确。其次,通过对收敛性变量主成分分析降噪,降低计算成本,并设计种群的交替进化策略及差分进化的邻域自适应更新操作以提升种群进化过程中的收敛性。实验结果表明,所提算法在收敛速度和解集的分布均匀性上表现出良好的性能。     

基于自适应邻域选择的多目标免疫进化算法

在分析以往求解多目标进化算法中个体选择方法的基础上,给出了一种基于个体邻域的选择方法,分析表明这种选择方法可有效地维持群体的多样性,且个体的适应度在选择过程中将随着该个体邻域中所包含个体数目作自适应调整,文中称之为基于个体邻域的自适应校正选择方法。此外,由于每一个待求问题本身或多或少都有自身一些基本的、显见的特征信息或知识。因此,在求解过程中忽视问题本身的特征信息或舍弃可供应用的信息,有时并不是一个明智之举。基于以上考虑,在传统进化算法的基础上又引入免疫算子,其中免疫算子依次通过疫苗提取、接种疫苗和免疫选择3个步骤来完成,进而设计了一种基于邻域选择的多目标免疫进化算法。最后,用算法分别对2个变量和30个变量的双目标优化问题进行数值模拟的结果表明,算法都能够找到所给问题的分布较均匀且涵盖范围较宽广的Pareto最优解集,显示了算法的有效性及可行性。     

一种融合邻域搜索的多策略差分进化算法

设计多策略差分进化算法的难点在于选择何种变异策略以及如何分配这些策略。提出一种融合邻域搜索的多策略差分进化算法,根据个体适应度值将种群分为3 个子种群,每个子种群分别采用不同的变异策略和参数值,使得各子种群的搜索能力可互补,有助于平衡整个种群的勘探和开采能力。同时,对适应度值最好的子种群采用邻域搜索操作,充分挖掘优质个体可能包含的有益信息用于指导搜索。在34 个测试函数上实验,与包含7 种差分进化算法在内的12 种进化算法进行对比,结果表明该算法在大多数函数上取得了更好性能。     

基于NURBS和GOBL-ACDE的航迹规划算法

针对复杂地形条件下无人机低空突防动态航迹规划实时性及精确性的问题,提出了基于广义反向学习的自适应约束差分进化(generalized opposition-based learning adaptive constrained differential evolution, GOBL-ACDE)算法,结合非均匀有理B样条(non-uniform rational B-spline, NURBS)平滑策略,提高了多威胁复杂地形下动态航迹规划的精确性、高效性及适航性。首先,构建航迹规划任务模型,建立目标代价及约束限制函数,提出一种高度转换方法,有效提高低空突防能力;其次,将NURBS平滑策略与B样条插值以及贝塞尔曲线对比分析;再次,应用广义反向学习、自适应排序变异及自适应权衡模型,改善约束条件下算法动态性、收敛性及寻优性能;最后,通过静态与动态环境对比仿真试验,验证了所提方法在多威胁复杂地形下寻优精度高、鲁棒性强、动态性好以及可靠性优的特点,能够规划出精确、高效、适航的低空突防航迹。     

一种新的小波网络快速学习混合策略

针对传统的小波网络梯度学习算法易于陷入局部极值、收敛速度慢且对初始参数很敏感的缺点,将全局性能优越的差异进化(DE)算法和最小二乘算法(LS)有机的结合起来,提出了一种新的快速学习混合策略。该混合学习算法思想是将待训练参数分为非线性和线性两类,利用差异进化算法对小波网络非参数进行全局优化训练,而最小二乘法用于快速训练网络连接权值。非线性函数逼近实验表明,小波网络逼近性能要远优于传统的BP神经网络,相对于使用随机梯度学习算法的小波网络,提出的混合学习算法收敛速度更快,且具有更小的均方差。     

Robust power amplifier predistorter by using memory polynomials

In memory polynomial predistorter design, the coefficient estimation algorithm based on normalized least mean square is sensitive to initialization parameters. A predistorter based on generalized normalized gradient descent algorithm is proposed. The merit of the GNGD algorithm is that its learning rate provides compensation for the independent assumptions in the derivation of NLMS, thus its stability is improved. Computer simulation shows that the proposed predistorter is very robust. It can overcome the sensitivity of initialization parameters and get a better linearization performance.     

差异演化算法的数值模拟研究

差异演化作为一种较新的演化算法，具有较强的寻优能力，但其优化性能受差异演化模式类型及演化控制参数取值的影响非常大。通过一组测试函数的数值模拟研究，给出了演化模式合理选取及演化参数（包括种群大小、交又概率及缩放因子）合适摹值的方法，解决了差异演化算法在应用时面临的一系列问题．此外，还基于演化能力较强的差异演化模式DE／rand／1／exp，提出了一种新的演化模式DE／rand2／1/exp，进一步提高了差异演化效率．     

混合人工蜂群算法

针对人工蜂群算法收敛速度慢、容易出现“早熟”的缺点,提出了一种混合的人工蜂群算法 (hybrid artificial bee colony, HABC)。在人工蜂群算法的迭代中引入淘汰规则和新的搜索策略,以提高算法的收敛速度;同时,为了维护群体的多样性,对种群中的个体采用差分进化。通过对一个调频(frequency modulated, FM)合成器参数优化问题测试,表明该算法能够有效地克服“早熟”现象,提高了全局寻优的能力。将其应用于线性系统逼近问题,仿真实验表明该算法是快速有效的。     

自适应差分进化算法求解多平台多武器-目标分配问题

针对水面舰艇编队防空反导作战中的武器-目标分配问题,建立了编队防空火力分配模型,将自适应差分进化算法应用到模型的求解与仿真中,并根据参数优化,改善了问题求解的收敛特性。针对模型求解的特殊要求,采用适当的编码方案,使种群个体编码满足约束条件,利用混沌序列初始化种群,加强种群的搜索多样性,变异、交叉参数的动态自适应策略和混沌序列扰动避免算法陷入局部最优等方法对算法进行优化改进,较方便快捷地解决了多平台多类型武器-目标分配问题。实例证明,该方法能够获得满意的结果,与其他智能算法相比,在优化性能上有较大改进。     

柔性作业车间AGV与机器双资源集成调度研究

针对含有AGV(automated guided vehicle)的柔性作业车间调度问题,建立了以最小化最大完工时间为目标的双资源集成调度优化模型.在种群初始化过程中提出一种启发式初始化方法,提高种群初始解的质量,加快算法的收敛速度.针对离散粒子群算法易早熟的弊端,结合竞争学习机制和随机重启机制提出一种可有效避免早熟的...     

具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm, BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

求解大规模优化问题的改进鲸鱼优化算法

提出一种基于非线性收敛因子的改进鲸鱼优化算法(简记为IWOA)用于求解大规模复杂优化问题.为算法全局搜索奠定基础,在搜索空间中利用对立学习策略进行初始化鲸鱼个体位置;设计一种随进化迭代次数非线性变化的收敛因子更新公式以协调WOA算法的探索和开发能力;对当前最优鲸鱼个体执行多样性变异操作以减少算法陷入局部最优的概率.选取15个大规模(200维、500维和1000维)标准测试函数进行数值实验,结果表明,IWOA在求解精度和收敛速度方面明显优于其他对比算法.