基于Pareto的双群体多目标微分进化算法

针对多目标优化问题微分进化是一种简单、快速且具有鲁棒性的进化算法.提出一种基于Pareto的双群体多目标微分进化算法(DEPDP),DEPDP与传统微分进化区别在于:个体的变异操作和选择方式.DEPDP的变异过程类似于粒子群优化的粒子速度更新操作,即包括可行解个体,也有不可行解个体的参与;在个体的选择过程中,组合修正后的不可行解介体和可行解个体,并采用—种特殊的“非劣排序和等级选择过程”确定出新一代种群.仿真实验表明:相比其他比较算法,DEPDP获得的Pareto最优解有着良好的多样性均匀分布特点,接近真实的Pareto前沿,收敛性也较好.     

基于微分进化算子的量子粒子群优化算法及应用

分析了量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)的进化方程,指出其存在的局部收敛问题,通过将微分进化(Differential Evolution,DE)的基本操作思想引入到QPSO中,提出了改进的QPSO算法(QPSO-DE);算法改进的方法是在粒子搜索过程中,以一定的概率对粒子的每一维执行微分进化操作,以增加粒子的随机性,从而减少了粒子群体因多样性缺失而易于陷入局部最优或停滞的情况,增强了粒子群体的搜索能力,提高了算法的优化性能;对多个标准测试函数及在IIR数字滤波器优化设计中的仿真实验结果表明,与PSO算法和QPSO算法相比,QPSO-DE算法能够取得更好的优化结果。     

一般自组织进化优化定理初探

考察斯图亚特.考夫曼等人,运用他们开发出的一套计算机模拟模型——NK模型,探究生态系统和非集中化组织是如何自发地向有序方向进化的。他们根据对一般自组织进化研究的成果,得出了一般自组织进化的优化定理,这就是自组织系统自发优化,优化的结果是共同进化的系统趋向处于有序和混沌的过渡阶段,靠近有序的一边。斯图亚特.考夫曼等人得出的一般自组织进化的优化定理具有普遍意义。     

基于文化知识的量子进化算法

量子进化算法在实数优化时存在局部寻优能力不佳、收敛速度较慢等缺陷.为克服这些缺陷,本文引入文化算法思想提出一种基于文化知识的量子进化算法,该算法具有量子进化层和知识进化层双层进化框架,引入的文化算法能较好地协调全局与局部寻优,并避免算法陷入局部极值.由于新的算法框架及量子观测方式的引入,提出的算法不但保留了量子编码的优点,而且有效解决了求解实数优化问题时存在的缺陷.实验表明,提出的算法不但比量子进化类型算法性能有较大提升,而且与其它相关的几种算法相比具有更好的求解精度和速度.     

混合性能指标优化问题的分阶段进化优化

高维混合性能指标优化问题是普遍存在的,目前尚无有效的解决方法。提出一种解决该问题的分阶段进化优化方法。该方法根据性能指标的重要程度不同,将高维性能指标优化分为多个阶段,每一阶段只优化同层的性能指标;若性能指标间不是矛盾的,采用含权单目标进化优化方法求解;若性能指标间是矛盾的,采用Pareto进化优化方法求解。该方法可有效减轻用户疲劳,提高优化解的质量。在服装进化设计系统中的应用结果验证了方法的可行性和有效性。     

供应链问题的集成化模型及其优化仿真

研究了供应链的集成化模型优化问题,在Sabri的模型基础上进行了改进,以供应链成本为目标函数建立了供应链战略层模型和作业层模型,把供应链的战略层和作业层进行集成优化,并应用进化规则算法对一家农机公司供应链进行了优化仿真.结果表明,供应链战略层和作业层的集成优化,更能够综合反映供应链的运作效率和效果,将有助于设计出具有一定柔性的供应链系统.而且,对于数据量庞大的混合整数线性模型求解,进化规划方法是适用的     

基于差分进化算法的多旅行商问题优化

针对所有旅行商路径最大值最小的多旅行商问题,提出改进的差分进化算法优化.在该优化方法中,编码采用实数编码;改进的差分进化算法采用轮盘赌选择;根据旅行商问题的特点,在差分进化算法中增加邻域搜索算子.该方法适于距离对称和非对称的多旅行商问题求解.以距离非对称的多旅行商问题的实例进行了仿真和比较,可以看出所提出的改进差分用来解决多旅行商这类离散组合优化问题是有效的.     

应用混合进化策略辨识Wiener-Hammerstein模型

提出了一种基于进化策略的多输入单输出Wiener-Hammerstein模型辨识新方法。该方法的基本思想是将模型辨识问题转化为非线性不可微函数优化问题,然后采用进化策略获得该优化问题的解。为了进一步增强进化策略辨识的性能,提出一种混合进化策略方法。混合进化策略采用如下方法以提高算法的全局寻优能力:基本排序的高斯-柯西自适应混合变异算子;策略参数的中间重组和均匀扰动;混合选择方案。仿真结果验证了上述混合进化策略辨识方法的有效性。     

递进多目标遗传算法

在现有算法研究基础上,提出了一种递进多目标遗传算法,该方法每进化一定代数后以一定策略对群体进行重构,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟.该算法采用非劣解等级优先的选择方式复制后代,降低算法的时间复杂性;通过递进层次间对部分非劣解个体执行局部搜索,加快全局非劣解集的进化.采用递进算法与现有两种典型多目标遗传算法NSGA、MOGLS算法对一些典型优化问题进行对比分析,验证了算法求解多目标函数优化问题的有效性;通过调整算法递进层次与每层进化代数的参数设置,进一步研究了参数选取对算法性能的影响.     

基于ε-约束方法的增广Lagrangian多目标协同进化算法

介绍了一种利用协同进化算法求解多目标优化问题的算法。这种算法首先采用ε- 约束方法对多目标优化问题进行处理 ,使其转化为一个单目标带约束的优化问题 ;然后 ,采用增广Lagrangian方法把这个单目标约束优化问题转化成一个存在鞍点的二人零和博弈问题 ;最后 ,利用协同进化的思想 ,用两个种群分别表示目标函数和约束这两个局中人 ,对这个二人零和博弈问题求解。进化过程中的选择、重组和变异算子均采用简单遗传算法(SGA)的机制。通过对两个实验测试问题的研究可以看出 ,这种算法比其它同类进化算法所得的结果要精确、稳定。     

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．     

A ε-indicator-based shuffled frog leaping algorithm for many-objective optimization problems

Many-objective optimization problems take challenges to multi-objective evolutionary algorithms.A number of nondominated solutions in population cause a difficult selection towards the Pareto front.To tackle this issue,a series of indicatorbased multi-objective evolutionary algorithms(MOEAs)have been proposed to guide the evolution progress and shown promising performance.This paper proposes an indicator-based manyobjective evolutionary algorithm calledε-indicator-based shuffled frog leaping algorithm(ε-MaOSFLA),which adopts the shuffled frog leaping algorithm as an evolutionary strategy and a simple and effectiveε-indicator as a fitness assignment scheme to press the population towards the Pareto front.Compared with four stateof-the-art MOEAs on several standard test problems with up to 50 objectives,the experimental results show thatε-MaOSFLA outperforms the competitors.     

Seeker optimization algorithm:a novel stochastic search algorithm for global numerical optimization

A novel heuristic search algorithm celled seeker optimization algorithm (SOA) is proposed for the real-parameter optimization.The proposed SOA is based on simulating the act of human searching.In the SOA,search direction is based on empirical gradients by evaluating the response to the position changes,while step length is based on uncertainty reasoning by using a simple fuzzy rule.The effectiveness of the SOA is evaluated by using a challenging set of typically complex functions in comparison to differential evolution (DE) and throe modified particle swarm optimization (PSO) algorithms.The simulation results show that the performance of the SOA is superior or comparable to that of the other algorithms.     

Stochastic focusing search: a novel optimization algorithm for real-parameter optimization

A novel optimization algorithm called stochastic focusing search (SFS) for the real-parameter optimization is proposed. The new algorithm is a swarm intelligence algorithm, which is based on simulating the act of human randomized searching, and the human searching behaviors. The algorithm’s performance is studied using a challenging set of typically complex functions with comparison of differential evolution (DE) and three modified particle swarm optimization (PSO) algorithms, and the simulation results show that SFS is competitive to solve most parts of the benchmark problems and will become a promising candidate of search algorithms especially when the existing algorithms have some difficulties in solving certain problems.     

用模拟退火差异进化算法进行匹配场反演

分析了模拟退火算法与差异进化算法单独应用于匹配场反演时的局限性，构造一种结合两种算法优点的混合算法。模拟退火算法对差异进化算法的种群进行扰动，保留了差异进化算法的并行特性；在差异进化算法中引入模拟退火算法的重要性抽样思想，增强其逃离局部最优的能力，差异进化算法对目标函数梯度信息的利用仍然保留。仿真研究表明，混合算法在寻优时间与效率上达到了较好的平衡。     

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。     

人群搜索和樽海鞘群的混合算法优化PID参数

为解决在优化全局时人群搜索优化算法(seeker optimization algorithm,SOA)容易过早收敛的问题,提出了一种新的基于人群搜索和樽海鞘群(salp swarm algorithm,SSA)的SOA-SSA混合算法。基于双种群进化策略,种群中的部分个体由人群搜索优化算法进化,其余个体由樽海鞘群算法进化。SOA和SSA的个体都使用信息共享机制实现协同进化,增加了种群的多样性,避免了算法过早收敛。实验结果表明：该算法在高维函数和PID参数优化方面都是可行的。与其他算法相比,SOA-SSA算法的收敛速度快、精度高、鲁棒性强,有更好的优化性能。     

自适应加速差分进化算法

差分进化算法是一种新的进化计算技术,具有良好的优化性能,但是对于高维多模态函数,算法易早熟收敛;其优化性能受差分进化模式类型及演化控制参数取值的影响较大.为此,提出自适应加速差分进化算法,该算法利用混沌的遍历性产生初始群体,以克服种群体初始化时的盲目性和随机性;其次随着搜索过程的进行随机自适应地调整缩放因子和选取差分进化模式,以减少人为因素影响,增强搜索能力.通过对多个函数进行仿真试验研究,结果表明该方法寻优效果显著,明显减少了迭代次数,提高了计算效率.