种群熵竞争粒子群算法

为进一步提高竞争粒子群优化算法的收敛性和求解精度,提出一种种群熵竞争粒子群算法(population entropy competitive particle swarm optimization algorithm,CSOPE);提出非线性惯性权重调整策略,以均衡粒子的全局勘探能力和局部开采能力;提出一种基于熵模型的种群状态检测策略,根据种群的标准化四分位差和标准化中位数差计算种群熵,通过相邻两代种群的熵值之差监测种群状态,当种群处于收敛状态时,对赢家粒子利用灰狼搜索进行局部开采,以提高算法的收敛精度。在CEC2008和CEC2013共21个测试函数上将所提算法与其他8种优化算法进行对比,实验结果表明,CSOPE算法的求解精度和收敛性得到了显著提高。将CSOPE算法应用到无线传感器网络节点定位问题,结果表明CSOPE算法具有较高的定位精度。

种群熵启动反向学习的动态多种群粒子群算法

针对传统粒子群优化算法在求解复杂优化问题时容易陷入局部最优和停滞的问题,提出采用种群熵启动反向学习的动态多种群粒子群算法。借鉴狮群算法划分狮群的思想,采用动态多种群划分策略,将粒子划分成3个不同行为子群,对其实施不同的位置更新公式,保持粒子在搜索过程中的多样性;在迭代阶段,为避免算法早熟,构建了各维重心反向变异策略丰富变异备选个体,并结合种群熵指标进行种群状态评价适时启动变异策略,帮助粒子跳出局部最优。最后,通过8个基准测试函数与同种类6种经典和新型改进算法,在不同维度下进行测试对比。数值实验结果表明,改进策略显著提升了粒子群算法搜索能力,在搜索精度和搜索速度方面均优于其他对比算法。

基于种群熵偏移平均加权的改进量子粒子群算法

量子粒子群算法具有更好的全局搜索能力,被视为对粒子群算法极为有效的改进,然而其运行过程中仍存在种群多样性衰减问题。为进一步提升量子粒子群算法的全局寻优能力,在基于加权平均最优位置的量子粒子群算法的基础上,提出了基于种群熵偏移平均加权的改进量子粒子群算法,将种群熵与加权范围中心偏移值进行动态关联,有效增强了算法搜索空间的遍历性,避免了算法早熟收敛。应用常规测试函数,与传统粒子群算法、量子粒子群算法和加权量子粒子群算法进行了对比分析,证明了文章提出的改进算法的有效性。

一种基于种群熵的自适应粒子群算法

提出了一种基于种群熵的自适应粒子群算法,采用2个基准函数对新算法进行了测试。测试结果表明,新算法有效地均衡了算法的探测和开采能力,在解决复杂多峰函数优化问题时,与基本粒子群算法相比,具有更强的摆脱局部极值点的能力,且执行效率降低不多。

一种基于种群熵的混沌小世界优化算法

针对小世界算法在复杂函数优化中存在的停滞现象,以及低局域短连接的搜索效率问题,提出了一种基于种群熵的混沌小世界算法.根据信息熵建立了种群个体浓度,并以个体浓度和个体适应度作为评价标准进行高浓度的个体更替,从而实现了种群的自我调节和多样性保持.利用混沌变量的遍历性和随机性,通过Logistic映射生成初始种群,采用混沌扰动对短连接后的个体进行局部搜索,从而提高了小世界算法的搜索效率和搜索精度.试验结果表明,该算法不仅明显改善了小世界算法的搜索能力,而且搜索效率也得到了显著提高.

基于种群熵粒子群优化算法的上升段交会弹道优化设计

应用种群熵粒子群优化(Population Entropy based Particle Swarm Optimization,EPSO)算法研究运载火箭上升段交会弹道优化设计问题。以运载火箭和目标飞行器在交会时刻距离最小为目标函数,建立运载火箭上升段交会弹道优化模型,同时分别采用EPSO优化算法和传统粒子群优化算法进行求解。仿真结果表明,EPSO算法能够有效解决运载火箭上升段交会弹道优化问题,平均交会位置误差为8.33 m,较传统粒子群算法减少了149.37 m,平均搜索速度较传统算法提高了27%。EPSO算法收敛精度高,搜索速度快,更适用于解决上升段交会弹道优化这样的复杂约束优化问题。

基于种群熵的多粒子群协同优化

提出了一种基于种群熵的多粒子群协同优化算法,通过引入熵对种群粒子的分布性进行度量,然后利用它来引导在多种群协同演化中粒子迁徙的时间和方向,从而保持粒子在寻优过程中的多样性和快速性。通过四个典型测试函数的仿真说明了该算法具有摆脱局部极值能力和较高的收敛速度。

基于种群熵的GA-BP混合优化算法及其应用

文章通过引入种群熵的概念把遗传算法和神经网络的BP算法有机结合起来,提出了一种新的混合算法GA-BP混合优化算法,从而充分利用了遗传算法和神经网络的BP算法各自具有的优点,并把GA-BP混合优化算法应用到机器人坐标逆变换中去。实验表明,GA-BP混合优化算法能较好地实现机器手端坐标到关节角的变换。

基于种群熵的改进型遗传算法

本文针对遗传算法具有早熟或局部收敛的缺点,根据种群熵S的实际意义,设计了一种可按照当前种群熵S的大小自动切换适应度函数的自适应适应度函数。对基本遗传算法,分别采用指数适应度函数,反比例适应度函数和本文定义的自适应适应度函数,在三种常用检测函数上进行实验,结果表明采用自适应适应度函数的基本遗传算法继承了指数适应度函数和反比例适应度函数的优点,既有强劲的收敛能力,又能保持种群多样性,可以更好更快更精确地收敛到问题的最优解。

一种基于种群熵的自适应遗传算法

遗传算法中的交叉概率和变异概率是影响算法行为和性能的关键所在,直接影响算法的收敛速度,甚至影响有限进化代内的收敛性。本文通过分析交叉概率和变异概率对算法的影响,设计了一种依据种群多样性和进化代数自适应调节的交叉概率和变异概率,改善了传统遗传算法存在"早熟"现象和算法后期收敛速度慢的不足。最后,给出了三个典型函数的模拟例子,通过与传统SGA和AGA的对比结果显示,本文的改进提高了算法的性能。

基于种群熵的变步长布谷鸟搜索算法

为了进一步提高布谷鸟搜索(Cuckoo Search, CS)算法的寻优性能,将种群熵的概念引入到莱维飞行机制中,基于寻优过程中布谷鸟种群的分布情况,来构建出可以实时变化的改进步长控制因子,提出了基于种群熵的变步长布谷鸟搜索(Variable Step-size Cuckoo Search based on Population Entropy, PE-VSCS)算法。利用8个标准测试函数分别对CS算法和PE-VSCS算法进行性能测试,从仿真结果可以得知,面对单峰函数问题或多峰函数问题时,无论函数维度是低是高,PE-VSCS算法的寻优性能均超过CS算法,从而证明了改进步长控制因子的有效性。

一种基于种群熵估计的自适应遗传算法

为获得运行过程中对搜索空间勘探和开采的平衡 ,该文提出了一种基于种群熵估计的参数自适应遗传算法。该算法每一进化代的新种群由保留、繁殖和随机 3部分子种群组成 ,其数量则由相应的参数进行控制。通过引入种群熵的概念对种群内个体的多样性进行度量并使用一种简单的方法对其进行估计以确定各控制参数 ,该算法实现了参数的自适应调节。试验结果表明该算法能够有效协调勘探和开采 。

粒子群算法种群结构与种群多样性的关系研究

本文采用种群熵刻画粒子群算法中种群的多样性,并通过一组标准测试函数分析了不同的种群结构及邻城关系对粒子群算法种群多样性变化和算法性能的影响。实验结果表明,不同的种群结构具有不同的信息传递特性,对粒子群种群多样性的变化及算法的搜索效果有着较大的影响,因此对于不同的问题需根据其特点选择不同的种群结构。

动态环境下粒子分群与种群多样性的关系研究

如何构建策略解决动态优化问题一直是智能计算研究的重点。采用种群熵来刻画粒子群算法中群体的多样性,在由DF1(Dynamic Function 1)生成的动态环境下分析了4种不同粒子群方法中群体的多样性以及对动态目标点的跟踪效果。实验结果表明,动态环境下,群体多样性保持能够影响算法的跟踪效果。可以通过调整分群比例来改变群体的多样性,进而在不同的动态环境下采取不同比例的分群策略以达到较好的跟踪效果。

一种用于车间调度的基于熵的混合遗传算法

为提高车间调度算法的寻优性能,通过对模拟退火遗传算法收敛图的研究,提出了评价算法种群有序性(差异性)的种群熵.基于种群熵,提出了改进的模拟退火遗传算法.该混合算法通过种群熵动态地改变算法的交叉和变异概率,使之适应种群的变化,提高种群个体的多样性,克服算法的过早收敛,从而达到提高算法寻优性能的目的.仿真实例表明:所提出的算法的寻优性能有了显著的提高;与传统遗传算法相比,在相同的初始条件与收敛条件下,对于FT10问题,最优结果由998优化至930,偏差由9.78%减少到了1.94%;对于LA36问题,最优结果由1359优化至1278,偏差由10.29%减少到了2.97%.

基于种群多样性评价的自适应遗传算法

遗传算法是解决优化问题的一种重要而有效的方法,在很多领域中得到了广泛的应用。在实际应用过程中,"过早收敛"是遗传算法经常遇到的问题之一,其主要原因是进化过程中个别优秀个体的迅速繁殖导致种群多样性的过早丧失。针对这一问题,提出了一种基于改进种群熵的多样性评价方法,并根据种群多样性评价及个体的适应度,从宏观和微观两方面对个体操作概率进行动态调整。仿真实验表明改进算法具有良好的全局搜索能力,一定程度上避免了过早收敛。

遗传算法中保持种群多样性方法研究

"过早收敛"是遗传算法在实际应用过程中经常遇到的问题之一。针对这一问题,本文介绍了三种不同的种群多样性度量方法,分析了多种保持种群多样性的方法,并提出了具体实施步骤。文中提到的方法在一定程度上保持了种群的多样性,提高了遗传算法的寻优能力。

一种基于信息熵的自适应遗传算法

为解决传统遗传算法容易早熟及收敛速度慢的缺陷,在分析了多样性的重要性后,提出了一种新的基于信息熵的遗传策略,该策略在保留最优个体的基础上,根据当前种群个体熵与种群熵的变化自适应调整遗传算子的各项参数,将种群的内部状态与遗传操作有机地结合起来,使得种群多样性得到保证,提高算法的全局搜索能力.试验结果表明了该方法在运行过程中能避免早熟的发生,在处理复杂问题时表现出较高的性能.

基于种群多样性评价的自适应遗传算法

遗传算法是解决优化问题的一种重要而有效的方法。在实际应用过程中,"过早收敛"是遗传算法经常遇到的问题之一,其主要原因是进化过程中个别优秀个体的迅速繁殖导致种群多样性的过早丧失。针对这一问题,提出了一种基于改进种群熵的多样性评价方法,并根据种群多样性评价及个体的适应度,从宏观和微观两方面对个体操作概率进行动态调整。仿真实验表明改进算法具有良好的全局搜索能力,一定程度上避免了过早收敛。

基于信息熵的自适应遗传算法在路径规划中的应用研究

为解决应用遗传算法进行路径规划时的早熟与收敛慢的问题,设计一种基于信息熵的自适应遗传算法。该算法使用基于区域的方式进行路径类别划分并应用路径种群熵对种群多样性进行测量。在遗传操作中根据此编码方式设计了基于信息熵的选择、交叉、变异操作,保证了种群多样性,以避免早熟的发生。仿真结果证明了算法的有效性。