基于退火加速的差分进化算法改进及应用

差分进化算法(DE)是一种简单有效的启发式全局搜索技术,为解决DE算法运行过程中存在的算法收敛早熟、收敛速度慢和求解精度不高等问题,提出了一种基于退火加速的差分进化算法.该方法在传统DE算法基础上,以退火概率来增强算法的局部开发能力,并利用Hooke-Jeeves算法加快收敛速度,在充分发挥Hooke-Jeeves算法局部探测能力的同时保持了DE算法的全局性能.仿真结果表明,该算法比基本DE算法收敛速度快、精度高,是一种有效的全局优化算法.     

两段式差分进化算法及函数优化

针对标准差分进化算法解决不同问题时需要对控制参数进行不同的设置,提出了两段式差分进化算法.该算法利用正态分布随机数生成变异率的算子,并把进化过程分为2个阶段,不同阶段分别采用不同的交叉因子,根据不同的配置利用生成变异率来改善算法性能.同时为了加快局部寻优,利用拥有优势解的随机向量指引寻优方向.对一系列Benchmark...     

基于改进差分进化算法的RBF神经网络优化方法

提出了一种新的RBF神经网络训练方法——改进差分进化算法,并用改进差分进化优化的神经网络对非线性系统进行逼近.采用改进差分进化算法对RBF神经网络的中心值、宽度和权值进行了优化.仿真实验结果表明,改进的差分进化算法具有比遗传算法更强的非线性系统逼近能力.     

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。     

差分进化算法及神经树的改进与应用

研究神经树的一种差分进化结构.在给出神经树中结构树和权树定义的基础上,定义了一种基于格的高维空间适应度函数用于度量其能量,同时,该方法采用了基于树形结构的差分进化运算作为进化策略,与传统的进化规则有较大改进,最后给出一个实验架构,并应用于自然科学基金中的申请和评估.     

基于差分进化算法确定SOR超松弛因子

SOR迭代方法中的最佳超松弛因子的确定,一直是数值代数中的一个理论难题.本研究利用差分进化算法构造出近似确定SOR超松弛因子的自适应进化算法.数值算例表明,算法是实用和有效的.     

基于改进差分进化算法的估计等值法

为解决现有的用于电力系统在线安全分析的估计等值法精度低、收敛性弱的问题,给出了较精细的等值发电机加综合负荷的等值系统模型,以提高等值精度,并提出了基于差分进化(DE)算法的等值系统参数辨识策略.为解决DE存在的早熟收敛问题,构造变异方式不同的两个差分进化群,两群并行进化且定时交换信息,以增加种群的多样性,改善算法的收敛性.仿真结果表明:改进的双群体DE算法有效解决了等值系统的参数辨识问题,算法简单、收敛快,辨识的参数精度高、鲁棒性好;所建立的等值系统模型更符合电网实际,等值后外部系统的动态特性基本被保留;所提基于改进DE的估计等值法可用于在线大规模外部系统的等值化简.     

基于改进差分进化的高精度粒子滤波算法

针对智能优化粒子滤波算法精度较低和收敛速度慢的问题,提出一种改进适应度函数和搜索策略的差分进化粒子滤波算法(IDE-PF).该算法通过自适应融合粒子权值和量测误差得到适应度函数,并利用该函数评价粒子的可信度,引导粒子向后验概率密度取值高的位置移动,同时引入新的搜索策略,不仅保持了粒子多样性,还加快了算法收敛的速度.仿真结果表明,该算法可有效提高智能优化粒子滤波对于非线性系统状态估计的精度和实时性.     

基于改进差分进化算法的分布式发电系统调度

针对分布式发电（ DG）系统调度的经济成本和环境成本,提出了一种新的改进差分进化算法。首先对建筑物DG系统进行优化设计,在考虑建筑中电能和热能需求以及分布式发电技术特性的基础上,确定技术最优组合、容量和运营计划;其次,针对DG调度中存在的整数规划限制及非线性等式约束问题,提出了改进的差分进化算法来解决混合整数非线性规划（ MINLP）问题,对所设计的DG系统进行经济和环境成本的最小化调度,并与传统方法进行比较。结果表明,文中所提出的方法在经济性和收敛时间上都明显优于传统算法。研究结果可以应用于同时包含发电、供热、储电、储热的完善的分布式发电系统,可为分布式发电系统商业部门的运营提供参考。     

基于K-means的改进差分进化聚类算法

K-means聚类算法简单,收敛速度快,但是聚类算法的结果很容易受到初始聚类种群的影响,往往导致局部最优。差分进化算法具有很强的全局收敛能力和鲁棒性,但其收敛速度较慢。为此,将K-means聚类算法和差分进化算法相结合,提出一种基于K-means的改进差分进化聚类算法。该算法设置在一定范围内随迭代次数动态增加的交叉算子,以使算法在迭代过程中先进行全局搜索,再进行局部搜索,这样有助于平衡算法的全局寻优和局部搜索能力,并且加快了算法的收敛速度。最后,通过实验测试了算法的有效性。     

基于改进差分进化算法的机器人动力学参数辨识方法研究

针对传统差分进化算法存在收敛精度不高和算法容易陷入局部最优等问题,提出一种差分进化(Differential Evolution,DE)算法的改进方案,并用于机器人的动力学参数辨识。首先,利用Newton-Euler方法建立含有关节摩擦特性的机器人动力学模型的线性形式,设计严格满足机器人运动条件的傅里叶级数作为运动轨迹,为提高辨识精度,建立机器人观测矩阵条件数的非线性约束模型来优化激励轨迹;其次,引入DE算法并对其进行优化以提高算法的全局搜索能力和开发能力;最后,以智昌川崎RS010N机器人为对象设计仿真实验,实现了机器人动力学参数的辨识,并对辨识结果与理论值进行了对比分析。结果表明,采用改进的差分进化算法,可以准确地辨识出机器人动力学参数,所建立的模型能够反映机器人的动力学特性。     

基于改进差分进化算法的光伏阵列多峰MPPT方法

针对局部遮阴下光伏阵列呈现多峰P-U特性时,传统的MPPT方法存在陷入局部峰值点的问题,提出一种基于双变异策略差分进化算法的多峰MPPT方法.该方法前期采用全局搜索性能较好的DE/rand/1变异策略,以避免系统陷入局部峰值点;后期改用局部搜索能力强的DE/best/1变异策略,并对该变异策略进行优化,以提高算法跟踪速度和精度.仿真结果证明,该方法可准确搜索到全局最大功率点,且搜索速度相对于标准DE算法提高了35%.应用该算法的MPPT控制可有效提高光伏发电系统在复杂工作条件下的发电效率.     

基于免疫进化算法的径向基函数网络

基于免疫进化算法，提出了一种设计径向基函数(RBF)网络的新算法——免疫径向基函数网络(IRBF)训练算法．该算法通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子，缩小了标准进化算法搜索空间的范围，提高了算法的收敛速度．计算机仿真表明，采用这种算法训练的RBF网络达到了较好的性能．     

一种改进的差分进化算法

针对基本差分进化算法收敛速度较慢的问题,将粒子群优化算法中的社会学习部分引入到差分进化算法中,提出一种改进的差分进化算法。该算法通过小概率随机变异操作增加种群的多样性和全局搜索能力;变异向量和个体向群体最优个体学习的结果进行交叉操作,利用最优个体指导进化过程,加快了算法的收敛速度,提高了优化精度。仿真实验结果表明,该算法具有更好的优化性能。     

改进差分进化算法在系统可靠性问题中的应用

分析了经典差分进化算法的寻优特点,提出一种扩展变量维数的自适应差分进化算法.该算法将变异率作为解向量的一维分量,随其他分量一起参与算法进化的全过程,使算法参数更好地适应算法进化各阶段的要求,提高了算法性能.将改进后的算法应用到系统可靠性问题中,针对3种典型的可靠性问题进行了仿真实验.结果表明,所提出的算法与其他算法相比具有很好的寻优效果.     

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。     

基于改进差分进化算法的MVB周期调度表优化设计

多功能车辆总线(MVB)周期调度表的优化设计对提高列车通信网络实时通信的可靠性和均衡网络负荷具有重要作用.考虑到已有的多功能车辆总线周期调度表优化方案存在的不足,提出了一种基于改进的差分进化算法的优化设计方法.首先建立调度问题的数学模型,根据IEC61375-1国际标准和可调度性要求建立了优化目标和约束条件;然后根据周期调度表的生成特点对原差分进化算法的变异和选择阶段进行了改进,提出了适用于MVB周期调度的优化方法;最后通过仿真实验与现有优化算法进行比较,验证了本文所提的改进的差分进化算法对周期调度表的构建具有更佳的优化效果.     

基于差分进化算法的卫星轨道计算方法

针对卫星轨道预测中的不可微、函数性质复杂、高维度传统优化算法失效的问题,提出了基于差分进化算法的卫星轨道预测方法.通过建立不同运动轨迹的卫星运动模型,构建最小化目标函数,根据种群个体进化特点,选取差分进化算法参数和进化策略.通过对椭圆轨道、双曲线轨道、抛物线轨道的全局近点角计算,表明差分进化算法在卫星轨道预测问题上是有效的.通过该算法与其他算法的比较,可以看出该算法有一定的优势.     

一种新的改进差分进化算法

针对差分进化算法(Differential Evolution,DE)在运行过程中出现个体聚集、种群多样性减少,导致算法收敛速度缓慢、收敛精度不高以及易早熟收敛等问题,提出一种基于自适应变异算子、交叉算子以及新变异策略的改进差分进化算法。采用6种常用的基准函数对改进DE算法进行测试,并将测试结果与其它算法进行比较。结果表明:提出的改进差分进化算法较j DE与标准DE算法具有更快的收敛速度、更高的收敛精度以及更好的全局收敛能力。     

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.