融合差分进化和倒序变异扩展蚁群算法

为了克服扩展蚁群优化(ACO)容易出现早熟现象,提出在扩展蚁群每次进化后引入倒序变异和差分进化对新种群进行二次变异。通过倒序变异和差分进化(DE)算法计算的信息来影响扩展蚁群的进化进程,以保持群体的活性,实现全局优化的目的。数值试验结果表明新算法精度较高、鲁棒性较强。

融合Pareto邻域交叉算子的多目标分布估计算法

将分布估计算法用于多目标优化问题,提出一种融合Pareto邻域交叉算子的多目标分布估计算法(MEDAP)。与一般分布估计算法只通过采样方法产生新种群不同,MEDAP算法利用采样和交叉相结合的方法产生新种群,并通过模拟退火技术在线调节尺度因子,以此来控制采样和交叉的贡献量,根据NSGA-II的选择策略选出下一代进化种群。数值实验分为两组,一组选取8个常用测试函数并与NSGA-II、SPEA2、MOPSO三个多目标算法进行比较,数值实验结果表明了MEDAP算法的有效性。另一组与不加Pareto邻域交叉算子的多目标分布估计算法进行比较,数值实验结果验证了Pareto邻域交叉算子的加入提高了算法的性能。

和声搜索—分布估计混合算法求解多目标优化问题

针对和声搜索算法不能很好地求解多目标优化问题的缺陷,提出一种多目标和声搜索—分布估计混合算法(MHS-EDA)。该算法一方面利用分布估计的采样操作对和声记忆库内进行搜索,拓宽了和声记忆库内空间;另一方面对和声记忆库外进行外部档案搜索,实现群体间信息交换,从而提高了多目标和声算法的全局搜索能力。数值实验选取六个常用测试函数,并与多目标遗传算法、多目标分布估计算法、多目标和声搜索算法进行比较,测试结果表明提出的混合算法能够有效地解决多目标优化问题。

基于细菌觅食行为的多目标分布估计算法

为增强多目标分布估计算法(MEDA)的局部搜索能力,将细菌的觅食(BF)行为引入到多目标分布估计算法中,提出一种基于细菌觅食行为的多目标分布估计算法(MEDA-BF)。数值实验选取四个常用测试函数,并与NSGA-Ⅱ、MEDA两个多目标算法进行比较,结果表明MEDA-BF算法在收敛性和多样性两方面都有较好的性能。

改进的多目标和声搜索算法

针对和声搜索算法不能很好求解多目标优化问题的缺陷,引入邻域搜索算子,对和声记忆库内搜索到的分量进行扰动,对和声记忆库外进行Pareto邻域搜索,实现群体间信息交换,提高算法的全局搜索能力。数值实验选取4个常用测试函数并与NSGA-II、SPEA2、MOPSO 3个多目标算法进行比较,测试结果验证了改进算法的有效性。

一种新局部搜索策略的差分进化算法

为增强差分进化算法的局部搜索能力,一种新局部搜索策略引入到差分进化算法中,从而提出一种新局部搜索策略的差分进化算法。该算法用局部搜索得到新个体替换较劣个体,使其跳出局部最优,以此增强种群的多样性。数值实验选取4个测试函数,并与差分进化算法进行比较,结果表明算法的有效性。

多目标云分布估计算法

为增强多目标分布估计算法(MEDA)的局部搜索能力,将云模型引入到多目标分布估计算法中,提出一种多目标云分布估计算法(CMEDA).该算法一方面利用分布估计的采样操作对进化种群进行搜索,另一方面利用云滴具有随机性、稳定倾向性等特点,进行外部档案搜索,实现群体间信息交换,从而提高多目标分布估计算法的全局搜索能力.数值实验选取6个常用测试函数,并与NSGA-Ⅱ和MEDA算法进行比较,结果表明,CMEDA算法在收敛性和多样性两方面都有较好的性能.

基于Pareto邻域交叉算子的多目标粒子群优化算法

针对粒子群优化(PSO)算法局部搜索能力不足的问题,提出一种基于Pareto邻域交叉算子的多目标粒子群优化算法(MPSOP)。该算法利用粒子群优化算法和Pareto邻域交叉算子相结合的策略产生新种群,并利用尺度因子在线调节粒子群优化算法和Pareto邻域交叉算子的贡献量。数值实验选取6个常用测试函数并对NSGA-Ⅱ、SPEA2、MOPSO三个多目标算法进行比较,数值实验结果表明MPSOP算法的有效性。

多个邻域CNN融合粒子群算法的边缘检测

受Bastürk算法思想的启发,考虑多个邻域元素的影响,并采用完全稳定的细胞神经网络克隆模板设计方法,把1邻域扩展到2邻域和3邻域,将粒子群优化算法应用于模板学习。仿真实验表明,本算法不仅比经典的边缘检测算法更具优越性,而且比基于遗传算法和克隆选择算法的边缘检测效果更为有效,具有良好的应用前景。

基于差分进化算法确定SOR超松弛因子

SOR迭代方法中的最佳超松弛因子的确定,一直是数值代数中的一个理论难题.本研究利用差分进化算法构造出近似确定SOR超松弛因子的自适应进化算法.数值算例表明,算法是实用和有效的.

带有倒位变异的差分进化算法

针对高维复杂函数的优化问题,提出一种带有倒位变异的差分进化算法。当个体适应度值连续几代不变时,对前一代的最优个体进行倒位变异,以增强种群的多样性,使其跳出局部最优。数值实验结果表明:该算法全局搜索能力强,收敛速度快,且鲁棒性好。

基于教与学优化的可变卷积自编码器的医学图像分类方法

针对传统手工方法优化卷积神经网络(CNN)参数时存在耗时长、不准确,以及参数设置影响算法性能等问题,提出一种基于教与学优化(TLBO)的可变卷积自编码器(CAE)算法。该算法设计了可变长度的个体编码策略,从而快速构建CAE结构,并堆叠CAE为一个CNN;此外,充分利用优秀个体的结构信息来引导算法朝着更有希望的区域搜索,从而提高算法性能。实验结果表明,所提算法在解决医学图像分类问题时,分类精度达到89.84%,高于传统CNN和同类型神经网络。该算法通过优化CAE结构和堆叠CNN解决医学图像分类问题,有效提高了医学图像分类性能。

基于“慕课+”的螺旋渐进教学模式

分析传统教学模式的不足,提出将慕课、翻转课堂与传统教学相结合,引入团队学习模式,构建"慕课+翻转课堂多元化教学+团队学习"的螺旋渐进教学模式,介绍该模式在C语言程序设计课程教学中的应用,并说明教学效果。

基于多目标的竞争粒子群优化算法的研究

针对竞争粒子群优化算法较易陷入局部最优及对全局搜索能力有限等问题,本文提出基于多目标的竞争粒子群优化算法(MOCSO)。首先,为提高算法的多样性,建立多目标模型,在二元锦标竞争机制下分别以适应度值与多样性作为粒子优劣的评判目标,将粒子划分到不同的非支配层中;其次,为有效兼顾粒子的探索与开发,引入概率随机选择策略,有效保留种群内的优秀基因,引导种群的进化方向。实验结果表明,在CEC2008基准测试函数集上与其他6种算法进行性能与计算效率的比较,本算法具有一定的优势。

基于特征筛选的VMD-MIC-SSA-Informer短期负荷预测

对短期负荷进行准确、快速的预测有利于电力系统的安全稳定运行,故提出一种基于特征筛选的Informer短期负荷预测模型.针对短期负荷序列波动性大、随机性强的特点,利用变分模态分解(Variational Mode Decomposition,VMD)将原始负荷序列分解为不同频率的本征模函数(Intrinsic Model Function,IMF);考虑气象、地理、电价等影响因素,采用最大信息系数(Maximal Information Coefficient,MIC)对各IMF进行特征筛选;针对传统深度学习模型无法并行化、预测精度低的问题,应用了前沿的Informer模型进行短期负荷预测,同时利用了新颖的麻雀搜索算法(Sparrow Search Algorithm,SSA)进行模型参数优化.以西班牙区域级负荷数据为实例,同多层感知机(Multilayer Perceptron,MLP)、长短时记忆神经网络(Long Short-term Memory Neural Network,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)进行横向与纵向实验对比,结果表明,提出的模型预测精度更高,平均绝对百分比误差低于1%.

多因子进化算法研究进展

多因子优化是一类新的优化问题。多因子进化算法受到多因子遗传模型的启发,利用进化个体的单一种群,能够同时求解跨域的多个优化问题。它属于一种文化基因算法,是智能计算领域新近涌现的研究热点。介绍了多因子进化算法的生物学基础、算法流程,以及文化基因算法的基本概念。然后从工作机理、算法改进、典型应用领域等角度,系统总结了前人的理论和应用成果。最后,指出了将来研究所面临的若干挑战和机遇,以推动学科发展。