一种改进的快速高效的差分进化算法

文章针对差分进化算法收敛速度和全局搜索能力之间不能同时兼顾这一问题,提出了一种改进的差分进化算法,该算法从动态更新种群、递增策略的交叉概率因子及递减策略的缩放因子对标准DE算法进行了改进,并用6个典型的测试函数对改进的差分进化算法和标准差分进化算法进行测试比较,结果表明改进后的差分进化算法在收敛速度、收敛精度和算法鲁棒性方面都要优于标准差分进化算法,采用动态更新种群的策略也有效地提高了算法的运算效率.     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

动态随机选择的差分进化算法研究

如何有效地均衡可行区域与不可行区域的搜索是约束优化中的关键问题。为使进化算法获得可行的全局最优解,分析了在进化过程中如何对待好的不可行解的问题,通过分析随机排序中比较概率对可行解最终位置的影响,提出一种动态随机选择策略,并以多个体差分进化为框架实现了相应算法。实验对比分析结果说明了这一策略的有效性。     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

差分进化算法应用于图像恢复

针对传统的图像恢复方法存在的缺陷和不足,提出了一种基于差分进化算法的图像恢复方法。该方法的思路是,利用差分进化算法简单、通用和鲁棒性强等优点提高求解效率,优化图像恢复效果。通过将差分进化算法应用于图像恢复,并把恢复后的图像与使用遗传算法恢复的图像进行对比分析,实验表明了差分进化算法的稳定性、图像的清晰性明显优于遗传算法,基于差分进化的图像恢复具有良好的性能和显著的效果,因此差分进化算法比遗传算法更适用于图像恢复问题。     

基于混沌迁移策略的多种群差分进化算法

针对差分进化算法全局寻优效率偏低的弱点,提出了一种基于多种群的混沌迁移策略,用以改进常规差分进化算法。该策略通过在多种群并行进化过程中引入混沌迁移序列,引导个体进行种群间的迁移。利用混沌的遍历性和随机性,保证子种群之间能够进行充分高效的信息交换。仿真实验和PID控制参数优化应用表明:该算法具有很强的全局搜索能力,寻优效率高,有效地克服了基本差分算法的早熟收敛问题。     

差分进化算法研究及其应用

针对一种新兴的进化算法--差分进化算法,介绍了该算法的基本原理、算法流程和控制参数选择, 然后利用差分进化算法求解了多元函数的极值问题.差分进化算法具有随机选取初始值的优点,数值实验结果表明了该方法的正确性和有效性.     

随机变异差分进化算法

为了避免差分进化算法陷入早熟,提出了一种随机变异差分进化算法(RMDE).这种算法改进了差分进化算法的变异操作,采用随机选择的方式进行变异和扰动操作,增加种群的多样性,平衡算法的局部搜索和全局搜索.对几种标准的函数进行了测试,结果表明RMDE算法优于其他5种算法.并将该算法应用于13机组的电力系统经济调度问题,与文献其他算法相比,RMDE算法取得的结果优于最近文献所报道的结果.     

基于耗散结构理论的差分进化算法

作为一种比较优秀的最优化方法,差分进化算法具有良好的鲁棒性、实践性和收敛性.阐述了差分进化算法的基本概念、形式,分析了传统差分进化算法的优点与不足,提出了基于耗散结构理论的差分进化优化算法.     

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。     

基于择优学习策略的差分进化算法

传统的差分进化算法在个体变异方面只是利用了随机个体和最优个体的信息.由于选用个体的随机性,导致其搜索效率比较低并且有可能找不到最优解,为此,提出了基于择优学习策略的差分进化算法.该算法选择性地利用种群中比较优秀的个体的信息,克服种群进化过程中的盲目性,增强了搜索能力.通过对多个具有不同特性的标准测试函数进行测试研究,结果表明该方法可以明显减少迭代次数,提高计算效率.     

改进的差分进化算法在工作分配中的应用

提出了一种改进的差分进化算法(IDE)以解决工作分配.它修正了DE算法的两个重要的参数:尺度因子和交叉率.尺度因子根据所有解向量的目标函数值而自适应地调整,交叉率随着迭代次数的增加而动态地调整.通过结合这两种参数,不仅增加了候选解的多样性,还增强了本算法的解空间开发能力.实验表明,在解决工作分配上,IDE算法比其他三种DE算法具有更强的收敛性和稳定性.     

一种新的微分进化文化算法

考虑到文化算法的双重性和微分进化在解决约束优化问题中的优异,提出用微分进化来模拟文化算法的群体空间,完成其微观方面的进化.根据群体空间调整文化算法的信念空间并设置相应的通讯协议——accept()和influence().最后,用典型实例对微分进化文化算法进行测试,结果显示出它在解决约束优化问题的优越性.     

基于Baldwin效应的memetic差分进化算法

针对Baldwin效应在memetic差分进化算法中使用不成熟的研究现状,提出一种基于Baldwin效应的memetic差分进化算法。算法采用简化的模式搜索为局部搜索算子,差分进化算法为全局搜索算子,Baldwin效应为结合机制。创新了Baldwin效应的实现方法:改进普通memetic差分进化算法中仅根据个体适应度值引导进化的方法,加大局部搜索成功个体的被学习概率,使其能够参与引导进化。在CEC2014中30个测试函数上与其它知名差分进化算法对比,实验结果表明改进的算法具有更强的跳出局部最优解能力和更快的收敛速度。     

自适应局部增强微分进化改进算法

在分析微分进化算法基本原理基础上,为加快算法收敛速度,对其交叉概率和交叉因子进行自适应调整改进;为增强算法局部搜索能力,引入局部增强算子和扰动因子改进算法,即自适应局部增强微分进化算法。选取5个典型测试函数,将改进后算法与PSO算法、微分进化算法和局部增强微分进化算法仿真比较。仿真结果表明:自适应局部增强微分进化算法为收敛时间最短、迭代次数最少的优化算法,验证了算法改进的有效性。     

一种并行混沌差异演化算法

在提出的并行混沌差异演化算法中，差异演化算法与混沌搜索并行进行，采用基于最优个体的差异演化算法，差异演化的权重因子随种群的聚集度和算法停滞代数作动态调整，而交叉率随种群的进化速度动态调整．利用混沌的随机性和遍历性来扩大算法的搜索范围，与差异演化算法实现功能互补，在每一代并行计算后，引入灾变算子，在达到灾变条件时，对种群实行灾变操作，从而避免了算法陷入局部的最优值．仿真结果表明，与基本差异演化算法相比，并行混沌差异演化算法的收敛速度快，搜索效率高，可用于解决复杂的机器学习问题．     

基于差分进化的图像自适应增强方法

图像增强是图像处理中重要的步骤之一,基于非完全Beta函数变换的图像增强办法能够获得较为理想的增强效果.然而合理的Beta函数参数选取一直没有得到很好的解决,常需要人工干预或者计算非常耗时.差分进化算法是一种新型的进化计算方法,具有自适应、自组织等智能特性和强大的寻找优化解的能力.这里将差分进化算法用于Beta函数参数的自适应选取,实现了基于差分进化算法的非完全Beta函数图像增强方法,实际图像增强实验结果表明了该方法的有效性和可行性.