基于子种群保留的可逆电路合成混合算法

为了进一步降低4bit以上中小规模可逆逻辑电路的量子代价,提出一种基于子种群保留的变长染色体编码混合算法.该算法在已有变长染色体编码混合算法的基础上,将子种群保留策略用于变长编码种群的进化,以保持种群多样性,避免陷入局部最优解;定义了变长编码染色体的近似度,以此作为种子提取和子种群划分的基础;提出了子种群重新启动策略和新的启发式子种群更新操作,克服变长编码种群进化过程中的遗传漂移,从而提高可行解率和解的质量.对4bit以上常用标准可逆函数测试结果表明该算法能大大降低合成可逆电路的量子代价.     

基于粒子群算法的重油热解模型参数估计

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出了一种根据种群多样性测度动态改变惯性权重系数的自适应粒子群算法,该算法能够平衡算法的全局探索和局部开发能力,不仅有效地避免早熟,而且具有较快的收敛速度.两个经典的测试函数的仿真结果表明了算法的有效性.将改进的粒子群算法应用于重油热解模型参数估计中,效果明显.     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性 ,难以稳定地收敛到最优解的问题 ,从种群多样性和适应度均值变化的角度 ,分析了进化停滞或退化的原因 .以种群适应度均值和多样性作为概率调整依据 ,提出了一种新的基于种群代沟信息的自适应遗传算法 .利用相邻两代群体间的适应度差异和多样性差异信息 ,设计了遗传概率的自适应调整策略 ,使算法维持较好的多样性 ,有效避免了早熟 .并证明了算法收敛性 .仿真结果表明该算法能够使种群保持良好的可进化性和收敛性 .     

基于反向学习的人工蜂群算法

提出基于反向学习的人工蜂群算法(简称OABC算法).在人工蜂群算法的跟随蜂阶段,种群依概率进行反向学习代替跟随蜂搜索方案.保留标准人工蜂群算法中雇佣蜂和侦察蜂阶段以保证种群的探索能力以及种群的多样性,增设参数控制一般的反向学习过程中对位搜索范围,充分利用种群信息和个体信息优化种群,提高对位点的有效性,从而提高反向学习的成功率.仿真实验结果表明,OABC算法有效提升了算法寻优速度和收敛精度.     

一种新的基于小生境模拟退火的遗传算法

针对模拟退火遗传算法中不合理替代方式以及孤立的比较机制,提出一种新的基于小生境模拟退火的遗传算法.通过温度的逐步降温,可以在进化早期增强种群多样性,而在进化末期加速算法的收敛过程,有效克服了遗传算法容易早熟、局部搜索能力差的缺点.同时算法还使用了最优保留策略替代了轮盘赌选择算子,从而有效地减少了适应度相对高的个体在种群中快速扩散的可能性.研究结果表明:与常见的模拟退火遗传算法相比,新方法能够有效提高遗传算法的收敛性能.     

改进ST-GA遗传算法在多目标运输问题中的应用

在解决多目标运输优化问题的基于生成树的遗传算法（st-GA）中融入了NSGA-Ⅱ算法,提出了一种新的生成树遗传算法（NSST-GA）,新算法利用NSGA-Ⅱ中的策略来保持解群体的分布性和多样性,采用精英保留和擂台法来进行遗传选择,算例结果表明新算法提高了收敛速度,防止了早熟收敛,较好的保持了种群多样性和算法的稳定性．     

改进的粒子群算法及在结构优化中的应用

粒子群算法（PSO）是一种有效的演化算法。将免疫算法中浓度的概念引入粒子群算法中，提出了一种基于浓度概念的竞争排挤粒子群算法；并提出了基于样本方差的种群多样性指标，用以定量的描述种群多样性。这种改进的粒子群算法增加了粒子群的种群多样性，提高了算法的全局搜索能力。最后将本文的算法应用于梁结构和桁架结构优化设计，验证了算法的有效性。     

数字电路设计的改进遗传算法

针对传统遗传算法应用于数字电路设计时出现的未成熟收敛和收敛速度慢等问题,提出了一种新的改进遗传算法,该算法对每次迭代产生的种群进行适应度分布和个体差异度的统计,并根据统计结果进行种群规划.实验结果表明,该算法使种群具备更好的多样性,从而显著地提高了电路的正确率和算法的收敛速度.     

改进的NSGA2算法在航空活塞发动机装配中的应用

针对复杂机械产品零部件选择装配中个体重复现象,提出一种新的解集评价指标：种群均匀度。基于种群均匀度和拥挤度相结合的子代精英保留策略,改进了多目标优化NSGA2 (non-dominated sorting genetic algorithm-2)算法。以装配合格率和装配精度为质量评价指标,建立选择装配多目标优化模型。引进近邻搜索算子,克服NSGA2算法局部搜索能力的不足。以某型号航空活塞发动机装配为例,优化结果以Pareto边界集表示,结果表明算法改进之后非支配解集的多样性和收敛性均得到了提高。     

天目山自然保护区生物多样性的熵值测度研究

说明了生态系统是典型的热力学开放系统,并具有耗散结构的特征,阐述了生物多样性的热力学熵机理.在此基础上提出了生物多样性的两个熵值测度指标,并分析了各指标的含义、两指标间的相互关系及其与传统测度指标机理上的对应性.用天目山自然保护区典型样地调查数据进行了验证,验证结果与生物多样性的熵值分析机理相一致.通过对比分析,笔者认为传统生物多样性测度指标没有考虑群落中各种群在个体数量上的绝对差异对生物多样性的影响,从而提出了生物多样性的熵值改进方法,并分析了与熵值测度指标密切相关的几个关键性问题及影响天目山群落生物多样性的主要原因.     

Electromagnetism-Like Mechanism Algorithm with New Charge Formula for Optimization

The electromagnetism-like(EM) algorithm is a meta-heuristic optimization algorithm, which uses a novel searching mechanism called attraction-repulsion between charged particles. It is worth pointing out that there are two potential problems in the calculation of particle charge by the original EM algorithm. One of the problems is that the information utilization rate of the population is not high, and the other problem is the decline of population diversity when the population size is much greater than the dimension of the problem. In contrast, it is more fully to exploit the useful search information based on the proposed new quadratic formula for charge calculation in this paper. Furthermore, the population size was introduced as a new multiplier term to improve the population diversity. In the end, numerical experiments were used to verify the performance of the proposed method, including a comparison with the original EM algorithm and other well-known methods such as artificial bee colony(ABC), and particle swarm optimization(PSO). The results showed the effectiveness of the proposed algorithm.     

改善微粒群算法多样性的多子群动态聚合

针对微粒群算法的群体多样性问题,将无标度网络形成过程中的择优连接机制引入微粒群算法的群体构造过程中,提出了一种多子群动态聚合的微粒群算法．依据算法搜索的状态,当某个子群面临搜索困境时,择优选择优秀子群建立连接,随着搜索的不断推进,微粒群体由多个独立的子群逐步聚合为一个类无标度群体网络．通过仿真实验发现,该算法通过调整微粒的邻域规模和连接方式平衡了算法的勘探和开发的能力,获得了较好的收敛性能．     

基于差异演化的粒子群优化算法

针对粒子群优化算法由于缺乏种群多样性而导致早熟收敛的不利因素.提出了一种把差异演化算法中的后代产生机制引入粒子群优化算法的更新规则中以保持粒子群的种群多样性和加快收敛速度的算法.这种思想能有效改善摆脱极值点的能力.基于几个高维测试函数的试验结果显示,该算法在收敛速度快和精度方面都优于粒子群优化算法.     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

采用多样性引导粒子群算法的干式空心电抗器优化设计

针对粒子群优化(PSO)算法易于早熟收敛的问题,提出了采用多样性引导的吸引-排斥粒子群优化(DGARPSO)算法,并应用于干式空心电抗器的优化设计中.该算法在吸引-排斥粒子群优化(ARPSO)算法中引入变异操作,即当进化群体多样性或个体极值群体多样性小于下限值时,以一定概率对粒子的位置进行变异,从而使得粒子在群体多样性很低时飞离群体的聚集位置,有效减少了PSO算法的早熟收敛现象,同时还比较了均匀变异、高斯变异和柯西变异对优化结果的影响.对50 kV·A干式空心电抗器的仿真结果表明,DGARPSO算法提高了全局搜索能力,比GA算法、PSO算法和ARPSO算法具有更好的寻优性能.     

一种整合粒子群优化和K-均值的数据聚类算法

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.     

基于双决策和快速分层的多目标粒子群算法

针对粒子群算法在求解多目标优化问题时存在的收敛性不足和多样性缺失等问题,提出一种基于双决策和快速分层的新型多目标粒子群算法(DDFSMOPSO);在该算法中,采用外部存档对迭代产生的非劣解进行存储,并利用拥挤距离和绝对距离相结合的双决策策略对外部存档规模进行维护,使得优秀粒子在随后的进化过程中易于保留和发展;同时,采用...     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明:新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

一种结合多样性策略的自适应粒子群优化算法

提出一种结合多样性策略的自适应粒子群优化算法,该算法在粒子群的全局优化过程中,使用根据种群搜索状态自适应调整邻域空间的局部搜索算法加强算法的局部搜索能力,并允许非优粒子具有引导种群搜索方向的可能性.在著名基准函数上的对比实验结果表明,这种混合粒子群优化算法能获得更高的搜索成功率和质量更好的解,特别在高维多峰函数优化上表现出较强的竞争力.