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。     

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.     

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.     

差分进化算法在机组组合问题中的应用

基于差分进化算法求解机组组合问题,差分进化算法具有全局寻优能力,通过群体内个体间的合作与竞争产生的群体智能指导优化搜索。给出了10台机组算例系统优化结果,验证了该算法用于求解机组组合问题时不易陷入局部最优解,有较好的收敛性和效率。     

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。     

基于微分进化算法的防空导弹火力分配

防空导弹火力分配是防空作战中的关键环节,优化分配方案、提高分配效率都将对提升防空作战效能产生重要影响.在分析防空导弹火力分配过程的基础上,建立了基于最大杀伤效能的防空导弹火力分配模型,并引入惩罚函数,改良了原有模型;在分析微分进化算法优缺点的基础上,结合防空导弹火力分配问题的特殊性,对标准微分进化算法进行了改进,使其适用于离散问题的求解,并将其应用于防空导弹火力分配问题;结合实例对基于微分进化算法的防空导弹火力分配模型进行仿真分析.仿真结果表明,采用微分进化算法解决防空导弹火力分配问题收敛速度快、鲁棒性强、执行效率高.     

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.     

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.     

基于双种群差分进化算法的输电网规划

提出双种群结构的差分进化算法,子种群通过个体迁移实现信息共享,达到平衡算法探索与开发能力的目的。将所提双种群差分进化算法用于输电网规划的结果显示,该算法能够快速精确搜索到输电网规划全局的最优解和最优方案。     

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.     

基于微分进化算法的轮廓匹配方法

轮廓匹配是图像处理中一个重要匹配方法,针对现有匹配方法中匹配搜索耗时多的局限性,提出了一种改进的轮廓匹配方法.对模板图像和待匹配图像分别提取轮廓,计算轮廓上每一点的曲率,并选择满足阈值条件的轮廓点为候选点;以此点及其两侧若干点构造特征向量,依据欧氏距离构造相似性度量函数,使用具有全局最优性的微分进化算法求解,以保证获得全局最优解.对比实验表明,所提出的方法有较快的寻优速度和较高的配准率.