基于差分演化的Cesium渲染3DTiles模型参数优化

针对Cesium渲染3DTiles模型时间过长的问题,Cesium官方提供了一系列渲染参数以期解决该问题。但Cesium提供的渲染参数默认值并不是最优值,且不适合每一个3DTiles模型。文章利用差分演化算法对Cesium提供的3DTiles模型渲染参数进行优化,以此提升Cesium渲染3DTiles模型的性能。实验结果表明差分演化算法寻找的最优参数值可以有效地帮助Cesium引擎缩短3DTiles模型的渲染时间。

改进的差分演化算法及其在资金决策中的应用

针对传统的基本差分演化算法存在对参数设置太过于敏感,算法容易陷入早熟收敛、稳定性不强等等缺陷,提出了改进措施,采取了对称算法来保持种群多样性,通过变异个体,对称个体,个体三者进行有效竞争,增强算法的全局搜索能力;同时采用了轮盘赌的选择策略和二次变异算子保证种群个体的有效性与多样性,增加算法的全局稳定性.文中的算法应用于求解资金决策分配问题上,通过模拟仿真,该算法在稳定性、收敛速度、求解的精度方面优于其他被比较的算法.

双模型驱动的多偏好策略自适应差分演化算法

为增强代理模型辅助进化算法对高维昂贵优化问题的求解性能,提出了一种双模型驱动的多偏好策略自适应差分演化算法。该算法基于全局和局部两种代理建模方法,有机融合了3种具有不同寻优偏好的进化策略。每次迭代,通过利用优化过程中最优解在线更迭反馈信息,以序贯方式自适应调整不同进化策略调用频次,以高效平衡算法的全局勘探和局部开采。为促进种群内个体间优秀信息共享,设计了一种精英个体驱动的差分扰动策略,以增量潜在优解区域的最优样本先验。通过处理26个不同规模的高维基准测试问题,结果表明,所提算法的收敛性能和优化效率较4种先进的同类型算法在至少17个测试问题上绝对占优。

一类自适应的差分演化算法

介绍了差分演化算法常用的五个版本和一种自适应技术,并给出了五个自适应的差分演化算法。并试验研究了各自适应差分演化算法在欺骗问题上的表现,还分析了自适应差分演化算法的性能。

差分演化的收敛性分析与算法改进

为了分析差分演化(differential evolution,简称DE)的收敛性并改善其算法性能,首先将差分算子(differential operator,简称DO)定义为解空间到解空间的笛卡尔积的一种随机映射,利用随机泛函理论中的随机压缩映射原理证明了DE的渐近收敛性;然后,在"拟物拟人算法"的启发下,通过对DE各进化模式的共性特征与性能差异的分析,提出了一种具有多进化模式协作的差分演化算法(differential evolution with multi-strategy cooperating evolution,简称MEDE),分析了它所具有的隐含特性,并在多模式差分算子(multi-strategy differential operator,简称MDO)定义的基础上证明了它的渐进收敛性.对5个经典测试函数的仿真计算结果表明,与原始的DE,DEfirDE和DEfirSPX等算法相比,MEDE算法在求解质量、适应性和鲁棒性方面均具有较明显的优势,非常适于求解复杂高维函数的数值最优化问题.

基于模拟差分演化算法的梯级水库优化调度图研究

差分演化算法是一种收敛快、控制参数少并且易于实现的演化算法。本文将模拟技术与差分演化算法相结合,提出了基于模拟差分演化算法制定梯级水库优化调度图的方法。通过实际算例验证了该方法的合理性与可靠性,从而为高维梯级水库优化调度图的制定提供了一条新的思路。

一种具有混合编码的二进制差分演化算法

差分演化(DE)是Storn和Price于1997年提出的一种基于个体差异重组思想的演化算法,非常适用于求解连续域上的最优化问题.首先引入"差异算子"等概念,给出DE的一种简洁算法描述,并分析了它所具有的特性.然后,为了使DE能够求解离散域上的最优化问题,基于数学变换思想引入"辅助搜索空间"和"个体混合编码"等概念,通过定义一个特殊的满射变换,在辅助搜索空间的作用下将连续域上的高效差分演化搜索变换为离散域上的同步演化搜索,由此提出了第1个二进制差分演化算法:具有混合编码的二进制差分演化算法(HBDE).接着,给出了HBDE的依概率收敛和完全收敛的定义,并利用离散Markov随机理论证明了HBDE是完全收敛的.HBDE不仅完全具有DE的各种特性和所有优点,而且非常适用于求解离散域上的最优化问题,对随机生成的大规模3-SAT问题实例和典型0/1背包问题实例的数值计算表明:该算法具有很好的全局收敛性和稳定性,其性能远远超过二进制粒子群优化算法和遗传算法.

改进的差分演化算法及其在函数优化中的应用

提出了一种改进的差分演化算法,该算法记录下了差分演化算法在对每个个体进行变异操作时的差向量,然后以被变异的个体作为邻域的中心,以所记录的差向量作为邻域的半径,再在这个邻域内进行一次挖掘式的搜索。这一改进增强了原差分演化算法的局部搜索能力。典型多峰函数优化的仿真结果表明,改进后的算法具有比原差分演化算法更快的收敛速度,同时新算法也保持了原差分演化算法良好的全局搜索能力。

梯级水库联合优化调度的差分演化算法研究

差分演化算法是一种收敛快、控制参数少并且易于实现的演化算法。本文在探讨梯级水库联合优化调度的差分演化算法中,针对传统优化算法在高维梯级水库优化调度时多约束条件难以处理、计算机时长等缺陷,提出了非参数惩罚的约束条件处理机制,并对差分演化算法进行了改进。通过实际算例验证了该方法的可靠性,从而为高维梯级水库的优化调度提供了一种新的求解途径。

认知无线网状网中基于差分演化的功率控制与信道分配

信道分配对于提高认知无线网状网性能具有重要作用.考虑到节点功率对网络干扰的影响,定义了网络干扰边及潜在干扰边,通过量化通信功率控制等级,给出了联合功率控制与信道分配的网络模型.提出一种基于差分演化的功率控制与信道分配算法,设计了实数编码规则及相应的约束控制机制以保证个体的有效性,确保算法的快速收敛.一系列仿真实验表明本文算法的有效性.

求解多选择背包问题的改进差分演化算法

首先将差分演化算法(DEA)的演化机制归结为差异算子(DO)和选择算子(SO)的作用,然后基于离散域上的多选择背包问题(MCKP),通过重新定义DEA算法的差异算子中的三种基本运算,并采用个体正整数编码方法和处理非正常编码的快速微调策略,提出了一种求解MCKP问题的改进差分演化算法(MDEA),第一次将DEA用于求解组合最优化问题.对经典MCKP问题实例的计算表明:MDEA算法不但是可行的,而且是高效的.

基于小生境的混合差分演化模拟退火算法

提出了一种新的演化算法——基于小生境的混合差分演化-模拟退火算法(NDESA算法),分析了构造NDESA算法的合理性。并且结合典型多峰值测试函数——Shubert函数的求解试验,说明NDESA算法能够高效地、快速地找到具有多个全局最优值点的多峰函数的所有全局最优值点,且参数的选择不必很严格,是一种较好地求解多峰值函数的所有最优值点的方法。还通过实验说明了结合小生境,差分演化和模拟退火算法这三种策略的必要性。

一种精英反向学习的差分演化算法

为提高差分演化算法的性能,提出一种精英反向学习策略的差分演化算法.该算法以一定的概率通过反向学习生成种群中精英个体的反向解,引入一般化系数k,构造动态搜索边界下的反向群体形成反向搜索空间,之后同时评估当前种群与反向种群的解来指导算法的搜索空间向包含全局最优解的空间逼近,有利于均衡算法的勘探与开采能力.对13个典型的测试函数进行实验,将本文算法与5种代表性的差分演化算法进行对比,结果表明本文算法不仅在求解精度上更优,在收敛速度上也有非常大的优势.

差分演化算法各种更新策略的对比分析

差分演化算法(differential evolution,DE)是一种模拟生物演化过程的随机搜索方法,具有收敛速度快,鲁棒性好等优点。目前DE有多种交叉和变异策略,它们在求解各类优化问题时表现出各自不同的性能。介绍了10种差分演化算法的更新策略,并利用标准测试函数集对它们进行了全面与系统的实验比较。通过分析采用这些策略的DE算法在不同解空间及进化各阶段的收敛曲线特点,对比总结了不同版本的DE算法在各类环境下的搜索性能。该研究一方面能够为DE算法的实际应用提供技术指导,帮助学者选择合适的DE更新策略以更好地解决工程问题;另一方面能够为新型DE更新策略的开发和自适应DE算法的设计提供理论基础。

一种基于模拟退火的参数自适应差分演化算法及其应用

提出了一种改进的自适应差分演化算法,该算法对差分演化算法中控制参数的生成方式进行了改进,在算法的运行过程中保留表现较好的控制参数,通过反馈机制调整下一代控制参数的生成,使算法能够在运行的过程中自适应的调节控制参数,并且算法在选择操作中融入了模拟退火的思想,以提高算法的全局搜索能力。在17个典型的Benchmarks函数上对算法进行了测试,并将该算法与jDE、JADE、SaDE、EPSDE和CoDE等5种改进的差分演化算法进行了比较,实验结果表明,该算法的性能整体上优于其他5种算法。另外,测试了模拟退火中初始温度参数对算法性能的影响,结果表明,当初始温度参数为1 000时,算法的性能较优。最后,将该算法应用于TSP这一组合优化问题,结果表明,该算法能够有效解决TSP问题。

基于两种进化模式的双种群协作差分演化算法

提出了一种基于两种进化模式的双种群协作差分演化算法(DPDE)。在DPDE中,两个种群通过协作共同进化。首先,各种群以不同的进化模式,通过个体竞争实现自身进化;其次,种群之间基于局部信息传递和共享机制,通过随机交换个体方式相互协作、共同进化,既实现了不同进化模式间的优势互补,又可以改善种群的多样性。对于5个典型Benchmark测试函数,通过与DE和DEfirDE算法的比较表明:DPDE具有更好的全局收敛性和鲁棒性,特别适合求解高维多模态函数的最优化问题。

灰度图像二维最小类方差递推及差分演化的快速分割

为克服Otsu法阈值偏离及一维最小类方差法在含噪图像分割中性能不佳的问题,基于图像灰度级二维直方图,提出一种二维最小类方差快速阈值化方法.通过递推方式计算得到图像前景及背景在不同阈值向量上的灰度级类概率及类均值,在此基础上,应用差分演化算法搜寻使图像类方差最小的阈值向量,并用该阈值向量对图像实施分割.在合成及真实图像上的实验结果表明,采用文中方法可获得良好的分割性能,有效地克服了Otsu法及一维最小类方差法的不足;采用递推及差分演化算法使计算时间大幅降低,可满足工程应用需求.

基于差分演化算法的摄像机高精度标定

摄像机标定是机器视觉中的关键问题之一。为了提高摄像机的标定精度,提出了一种基于差分演化的摄像机标定算法。采用针孔模型和二阶畸变模型作为标定模型;用单位四元数表示世界坐标系与摄像机坐标系之间的旋转矩阵以减少需要标定的参数;采用透视不变性原理计算圆形靶标的中心,得到标定点的精确三维世界坐标;将针孔模型计算出的理想图像点与畸变模型计算出的重建图像点的位置差定义为目标函数,采用改进的差分演化算法,通过种群的遗传操作和变异操作求出摄像机的内外参数。测试结果表明,基于差分演化的摄像机标定的最大误差小于0.5 pixel,其标定精度高,标定速度快,且对初始值的依赖程度小,方法具有很强的实用性。

差分演化算法中变异策略的改进与算法的优化

自然界生物体进化现象可以形式化成一些优化算法,如差分演化算法、粒子群算法等。其中,差分演化算法在数值函数优化方面的性能要优于其它的优化算法。通过对差分演化算法的变异策略改进,使优化后的差分演化算法在函数优化方面性能得到进一步提高。通过十个基准函数的仿真测试可以验证这一结果。

参数自适应差分演化算法在面波频散曲线反演中的应用

针对传统差分演化算法在反演瑞雷波频散曲线中存在交叉概率和缩放因子选取不当导致反演结果不准确等问题,在传统差分演化算法的基础上,把控制参数直接编码到个体中,即采用参数自适应差分演化算法对高频瑞雷波频散曲线进行反演来获得近地表的横波速度结构。合成和实际数据的反演实验结果表明:参数自适应差分演化算法继承了传统差分演化算法简单、高效的特点同时,还可在频散曲线的反演中自动地选取合适的参数值并正确地进行反演迭代,无需再通过试验获得交叉概率和缩放因子两个控制参数;频散曲线反演中目标函数的收敛性好,改进算法在迭代的过程中能够快速收敛到全局最优;模型参数的概率分布高,即在大的空间搜索范围内,参数自适应差分演化算法仍然能够准确地搜索到真值范围并找到全局极小值,保证了反演的结果可靠度,使其能有效地应用于瑞雷波频散曲线的反演和解释。