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。     

基于动态多种群的自适应混合灰狼差分进化算法

目的 解决灰狼算法初始种群生成方式导致其存在多样性差的问题。方法 结合差分算法改进灰狼算法,生成基于动态多种群策略的混合灰狼差分算法,算法采用动态多种群策略,利用3种差分算法变异策略,增强初始种群解的多样性,并将其作为灰狼算法的初始种群,采用局部搜索策略增强算法的探索能力,最后采用改进的种群大小线性递减策略来降低算法的时间复杂度,提高算法的收敛速度。结果与结论对CEC2014测试集4类15个基准测试函数进行仿真实验,并与经典DE,GWO及其变体算法进行比较,验证了所提出算法的有效性,最后应用该算法求解经典工程领域焊接梁设计优化问题,证明了所提出算法的优越性。     

基于自适应差分进化算法的优化

差分进化算法已经应用于许多领域,但是不同变种的差分进化算法中其相关的参数影响其最终的解。如何设置最优参数来求解问题需要进一步研究。文章提出一种新的自适应差分进化算法,并选择一些标准多维多峰函数进行测试,并与其他相关的算法并行比较。实验结果表明,特别是对于标准测试函数Generalised Rosenbrock,当pcr=0.2,F=1.5时,本文提出的SinDE算法最优解的均值为32.57,相对于其他算法StdDE、DDE和JDE最优解的均值分别为62.89、219.14和254.42,显著接近最优值。     

基于差分进化的数字图像水印优化算法

以平衡数字水印算法的鲁棒性和不可见性为主要目标,提出一种基于差分进化的DWT-SVD优化水印算法.首先,宿主图像和水印图像均经离散小波变换后生成4个不同频带子图.其次,由于人眼对4个子带变化的敏感程度不同,采用差分进化算法经变异、交叉、选择三步操作后分别获得适应各个频带子图的最优嵌入强度.之后,将混沌加密后的水印信息嵌入到宿主图像对应的奇异值中,完成水印嵌入.实验结果表明,经过一般的信号处理操作和几何攻击后,嵌入的水印图像能被完整的提取和检测,算法鲁棒性和不可见性都得到明显提高.     

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。     

融合多种搜索策略的差分进化大规模优化算法

多峰、高维的大规模优化问题是当前优化领域的研究热点.文中以协同进化算法为框架,提出了一种融合多种搜索策略的差分进化大规模优化算法.基于分解的思想,该算法首先利用自适应差分进化算子对子问题进行局部优化求解;然后引入基于模拟退火的随机搜索机制提高算法的全局搜索能力,并结合局部搜索链对解空间进行深度搜索.采用大规模优化标准函数对算法进行测试,结果表明,文中所提出的算法相比现有算法在平均值和最优解上均取得了更好的优化结果.     

鹰策略结合差分进化的可靠性冗余优化算法

将鹰策略和差分进化结合用于解决可靠性冗余优化问题.优化过程分为两个阶段:第一阶段使用Lévy飞行在解空间中进行全局搜索,第二阶段使用差分进化算法在前阶段得到的有前途解的周围进行快速的局部搜索.同时,修改了差分进化算法的变异算子和交叉算子以提高局部搜索的性能.该算法较好地实现了全局搜索和局部搜索的平衡,既有利于跳出局部最优,又可以加快局部收敛.通过对可靠性冗余优化的两个基本问题的实验表明,所提出的算法在解决可靠性冗余优化问题上是有效的.     

基于多准则寻优策略的差分进化算法

在差分进化算法的基础上,提出一种基于多准则寻优策略的改进差分进化算法。该算法可以动态调整变异因子和交叉概率,基于文中提出的多准则寻优策略,通过个体适应度、个体间距离等评价指标判断个体的优劣程度,并且可以降低种群的高密度程度,增强种群多样性。这种判断机制可以有效避免种群过早收敛,易陷入局部最优的风险。通过具体的测试函数对算法进行测试,并与标准差分进化算法进行比较,结果显示算法寻优效果较好,可以较快地得到全局最优解。     

基于并行优进策略的差分进化算法

差分进化算法是一种新颖的进化计算技术,为减少用户选择算法控制参数的盲目性和提高算法收敛速度,设计了一种基于并行优进策略的差分进化算法（DEPES算法）．算法随着搜索过程的进行随机动态调整缩放因子和选取差分进化模式;在进行差分操作的并行运算过程中,利用当前代最优个体产生新的试验向量参与竞争选择过程．几个复杂函数的数值实验结果表明,DEPES算法寻优效率高、收敛速度快、对初值具有很强的鲁棒性、对维数具有较好的适应性,尤其是具有避免局部极小的能力,其优化性能优于标准DE算法．     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

基于差分进化算法的智能化预制厂房设备资源配置优化

优化设备资源配置,有利于提高设备利用率,减少智能化预制厂房建造成本,进而提高企业效益。本文以大型混凝土构件智能化预制厂房为研究对象,基于智能优化算法,根据预制构件生产流程特点,考虑工人的工作时间及各工序的连续性,构建设备资源配置最优化模型,并在双变异策略的基础上结合自适应变异算子的差分进化算法对模型进行求解,从而得到混凝土构件智能化预制厂房设备资源配置的最佳方案。     

基于差分进化算子变异的中心引力优化算法

针对中心引力优化算法易陷入局部最优这一不足,加强算法的全局寻优能力,提出一种改进的中心引力优化算法,根据差分算法本身的固有特性,通过引入差分进化算子对当前粒子位置的分量进行变异,促使算法摆脱局部最优,增强算法的全局收敛性.最后选取5个经典函数对算法进行测试,并与其他算法进行比较分析,结果证明算法的精度得到了明显提高,从而验证了该算法的有效性和可行性.     

基于差分进化算法的单阶段投资组合优化

在建立的单阶段资产投资组合数学模型的基础上,给出一种基于风险控制的差分进化算法的求解方法．实验结果表明,该算法在此类组合优化中是高效可靠的,且易于实现．     

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.     

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。     

基于差分进化算法的收敛性分析

基于差分进化算法的基本原理,采用马尔可夫链分析了该算法的收敛性,论证了该算法能以概率1收敛到全局最优解.利用该算法对3个经典函数进行了数值仿真,结果表明,该算法能够快而有效地收敛到问题的最优解,说明了文章所得结论的正确性.     

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。     

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.     

基于差分进化算法的分布式能源系统 多目标优化

为了避免传统分布式冷热电三联供系统设计中偏离实际工况、负荷率偏低、效率低下等问题,本文以某商务区为对象,将分布式能源系统设备容量的最优化问题转化为以年总成本和年排放量综合最低的多目标数学模型,在对比多种常见智能算法后,选择具有强大全局巡优能力的差分进化算法进行求解,获得优化配置方案。分布式能源系统设备类型较多,且影响因素繁杂,各种设备的容量配置是整个系统运行效益好坏的关键。计算结果表明,与冷热电分供能系统进行对比,通过差分进化算法进行最优化配置后的分布式能源系统具有显著的优越性和可行性,系统结构设计、能源价格,均会对系统最优化结果产生影响。