基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

混合量子差分进化算法及应用

量子进化算法基于量子旋转门更新量子比特状态影响了算法搜索性能.提出一种差分进化(DE)与和声搜索(HS)相结合更新量子比特状态的混合量子差分进化算法(HQDE).该方法采用实数量子角形式编码染色体,设计一种由差分进化计算更新量子位状态的量子差分进化算法(QDE)和一种由和声搜索更新量子位状态的量子和声搜索(QHS),并相互机制融合,采用两种不同进化策略共同作用产生种群新量子个体以克服常规算法中早熟及收敛速度慢等缺陷;在此基础上,算法还引入量子非门算子对当前最劣个体以一定概率选中的量子比特位进行变异操作增强算法跳出局部最优解能力.理论分析证明该算法收敛于全局最优解.0/1背包问题及旅行商问题实例测试结果验证了该方法有效性.

基于遗传和差分进化算法的备件库存协同控制模型

分析了基于供应成本优化的备件协同控制库存决策模型,为获得全局收敛能力强、速度快,尤其是稳定可靠的新算法,设计了基于遗传和差分进化算法的混合智能求解算法,并通过两个实例与遗传算法、标准的差分进化算法进行了性能对比,显示出了所提算法的优势。基于所设计的算法,分别对用户需求、运输成本和最晚供应到达时间等参数进行了敏感性分析,讨论了数据不确定性对库存协同控制的影响程度,进而给出了不同环境下的供应方式优化建议。

新颖的阻塞流水车间调度量子差分进化算法

针对阻塞流水车间调度问题(BFSP),提出了一种新颖的量子差分进化(NQDE)算法,用于最小化最大完工时间。该算法将量子进化算法(QEA)与差分进化(DE)相结合,设计一种新颖的量子旋转机制控制种群进化方向,增强种群多样性;采用高效的基于变邻域搜索的量子进化算法(QEA-VNS)协同进化策略增强算法的全局搜索能力,进一步提高解的质量。基于Taillard's benchmark实例仿真,结果表明,所提算法在最优解数量上明显高于目前较好的启发式算法——INEH,改进了110个实例中64个实例的当前最优解;在性能上也优于目前有效的元启发式算法——新型蛙跳算法(NMSFLA)和混合量子差分进化(HQDE),产生最优解的平均百分比偏差(ARPD)均下降约6%。NQDE算法适合大规模阻塞流水车间调度问题。

基于量子差分进化算法的分布式电源协调优化调度

针对计及需求响应计划的分布式电源系统经济运行问题,建立了一种考虑燃料费用和运行管理费用、电网交互费用、可中断负荷停运补偿费用和需求侧电费支出费用等的综合优化数学模型。同时为实现能量的有效互动,优化模型中加入了需求响应模型。提出一种量子差分进化算法对优化模型进行求解。该算法基于差分进化思想,采用量子计算中的并行、坍缩等特性,并在选择策略中考虑量子位的概率特性,具有较强的鲁棒性和全局搜索能力。通过算例分析证明文中提出的模型和算法科学、有效。

面向多峰优化问题的双层协同差分进化算法

多峰优化问题是一类存在多个全局最优解的复杂优化问题,不仅要求算法找到尽可能多的最优解,而且要求算法尽可能提高所找到的最优解的精度.演化计算方法是求解这类问题的重要手段.但是传统演化计算方法面临多样性和收敛性两个方面的挑战.针对这两个方面的挑战,提出了一种通过探索层和精炼层协同演化的双层协同差分进化算法.在探索层中,每个个体作为一个分布式搜索单元探索并定位到一个最优解.在协同过程中,探索层引入个体寿命机制,将耗尽寿命且定位到最优解的个体存入一个外部存档,然后重新初始化这些个体以找到更多的最优解.在精炼层中,首先对探索层输送过来的外部存档中的个体进行聚类,然后对每一个类使用经典的全局优化差分进化算法进一步提升所找到的最优解的精度.因此,探索层和精炼层分别针对多样性和收敛性挑战,通过协同演化使得算法不仅能够找到尽可能多的最优解,而且使得找到的最优解的精度尽可能高.使用目前最常用的CEC’2013标准测试集中的所有20个多峰优化问题对所提出算法的性能进行测试,并与13种表现突出的和最新的多峰优化算法进行比较.实验结果显示,所提出的双层协同差分进化算法的整体性能优于所比较的13种多峰优化算法.

一种融合差分进化的量子粒子群优化算法

由于量子粒子群优化算法在迭代后期易出现粒子多样性差,收敛到局部最优解等缺点。为解决上述问题,提出一种融合差分进化的量子粒子群优化算法。上述算法在量子粒子群算法的上,首先利用差分思想对粒子的速度提出一种改进策略,再对陷入局部最优的粒子进行交叉选择操作,从而较好的保持种群中粒子的多样性,避免粒子后期陷入局部最优。通过对3个测试函数进行的仿真,结果表明融合了差分进化算法的量子粒子群算法具有收敛速度快、收敛能力强等特点,解决了算法局部最优问题。

求解车辆路径问题的量子差分进化算法

基于量子差分进化算法在解决组合优化问题时表现出的计算效率及优化性能方面的优势,提出应用量子差分进化算法求解车辆路径问题,将量子比特解码为表示顾客顺序的实数量子染色体,设计了基于量子比特概率幅的差分交叉和变异算子以保持种群多样性,构建了动态量子旋转门进行变领域搜索,提出应用贪婪准则进行量子更新选择,将设计的算法应用于典型车辆路径问题,求解结果表明算法具有较好的鲁棒性,与标准CVRP算例的对比结果表明笔者算法是求解中、小型规模算例的一个有效算法。

采用量子粒子群算法耦合差分进化算法优化BP神经网络的铣床热误差预测研究

针对铣床主轴运行产生的热误差问题,采用改进BP神经网络预测模型,并对预测结果进行验证。融合量子粒子群算法和差分进化算法的各自优点,给出混合算法寻优操作流程。分析BP神经网络结构,给出改进BP神经网络优化流程图,构造铣床热误差适应度函数,采用混合算法优化BP神经网络预测模型。通过具体实例对铣床热误差进行实验验证,预测结果显示:BP神经网络预测偏差值较大,在Y轴、Z轴方向预测产生的偏差最大值分别为7.3μm和7.5μm,改进BP神经网络预测偏差值较小,在Y轴、Z轴方向预测产生的偏差最大值分别为2.8μm和2.9μm。同时,改进BP神经网络预测铣床热误差与实际偏差值波动较小。采用改进BP神经网络预测铣床热误差精度较高,可以提高主轴加工工件的精度。

基于群体信息挖掘的协同差分进化算法及其应用

为了提高差分进化算法的寻优速度和寻优效能,提出了一种基于群体信息挖掘的协同差分进化算法。该算法首先利用协同进化的思想,将种群分解成不同的子种群,每个子种群采用不同的差分策略进行独立的差分和交叉操作,再将各个子种群合并成一个种群,并根据每个个体的适应度值挑选出最优个体;为了提高差分进化算法的局部搜索能力,引入了多元回归分析和模式搜索算法,对于整个种群,利用最小二乘法求得种群的寻优方向信息,并以此来指导种群中的每一个个体进行模式搜索。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量模型参数估计中的实际应用表明:该算法的性能比传统的差分进化算法有较大的提高,取得了较好的效果。

基于多量子粒子群协同进化算法的敏捷供应链伙伴选择

针对敏捷供应链组建过程中伙伴选择的特点,提出了一种基于多种群协同进化的改进量子粒子群算法.在对该算法的设计中,首先将整个量子粒子种群分解为多个子种群,然后使各个子种群进行独立的演化,并通过周期性的共享搜索信息获得对自身信息的更新,最后通过具体的算例对该算法进行了仿真验证.研究结果表明,在算法的收敛性、最优性等方面,基于多量子粒子种群协同进化算法均达到了良好的效果.

协同差分进化算法求解负荷经济分配问题

提出了一种协同差分进化算法求解电力系统负荷经济分配问题(Economic Dispatching,ED).该算法考虑了机组的爬坡约束、出力限制区约束等非光滑费用函数曲线这样的非线性特征,并根据ED中可行域被分割为多个独立的区域的特点,采用协同进化策略处理约束条件.将种群分为保守和激进两种策略的子种群,子种群最优个体分别对另一个子种群中部分个体进行吞并和更新,以引导算法搜索新可行域.算法应用于一个6台机组的算例,与遗传算法、微粒群算法和标准差分进化算法相比较,本文算法结果质量更好并且更稳定,是求解负荷经济分配问题的一种有效方法.

基于并行协同演化的差分进化算法

针对传统差分进化算法搜索速度慢、易陷入局部最优解的缺点,引入协同演化的思想提出了一个基于并行协同演化的差分进化算法,并设计了相应的变异算子和自适应交叉算子。仿真验证结果表明:同遗传算法、标准差分进化算法相比,所提算法在搜索速度和寻优能力方面都具有一定的优势。

基于量子差分进化算法的电力系统无功优化

以系统有功网损最小为目标,建立了一种电力系统无功优化数学模型,并提出了一种基于量子差分进化算法的电力系统无功优化方法。该算法采用量子计算中的并行、坍缩等特性,增强了对解空间的遍历能力;同时在传统选择策略的基础上加入了量子计算的概率表达特性,有效地避免了算法的早熟现象。对IEEE-30节点测试系统进行仿真分析,并将优化结果与传统差分进化算法和粒子群优化算法进行对比分析,结果表明量子差分进化算法在解决系统无功优化问题上更科学、更有效。

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE-QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE-QPSO、QPSO和粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.

多算法多种群协同优化差分进化算法

研究算法融合、多种群协同进化是应用群智能算法求解复杂工程应用问题的一个方法。设计了一个基于差分进化算法的多算法多种群协同优化算法,注重多算法的选择与组合。设计了一种自适应参数差分进化算法,选择了3种各具特点的差分进化算法变体与其互补,基于4种算法的特点设计了相应的多种群协同进化策略。对算法进行了仿真设计,仿真结果表明该算法通过使4种不同特点的算法互补能得到较优结果,并获得精度、可靠性与适用性的提升,弥补工程应用中算法选择的困难。

基于差分进化的量子蚁狮算法

为了解决蚁狮算法容易出现局部最优、收敛速度慢、精度低等问题,将差分进化算法和量子计算融入蚁狮优化算法中,提出基于差分进化的量子蚁狮算法。与原始的蚁狮算法求解结果相比,该算法在一定程度上提高了蚁狮算法的全局勘探能力,具有更高的收敛速度和精度。

多种群协同进化的差分进化算法

针对差分进化算法在优化过程中容易陷入局部最优和收敛精度不高的问题,提出一种多种群协同进化的差分进化算法。首先提出双序法用于种群划分:同时使用距离系数排序和适应度值排序将种群划分为三个子种群,将离全局最优个体远且适应度值优秀的个体划分出来,可以有效的避免陷入局部最优。其次对每个子种群采用不同的变异策略和控制参数,同时对整体表现一般的种群采用概率判定机制选择变异策略,以平衡全局探测和局部搜索。最后将所提算法在CEC2017测试集上进行实验仿真,实验结果表明,所提算法在收敛精度、跳出局部最优等方面均优于其他改进DE算法。

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。

解决高维优化问题的差分进化算法

针对高维优化问题难以解决并且优化耗费时间长的问题,提出了一种解决高维优化问题的差分进化算法。将协同进化思想引入到差分进化领域,采用一种由状态观测器和随机分组策略组成的协同进化方案。其中,状态观测器根据搜索状态反馈信息适时地调用随机分组策略重新分组;随机分组策略将高维优化问题分解为若干较低维的子问题,而后分别进化。该方案有效地增强了算法解决高维优化问题的搜索速度和搜索能力。经典型的实例测试,并与其他一流差分进化算法比较,实验结果表明:所提算法能有效地求解不同类型的高维优化问题,在搜索速度方面有明显提升,尤其对可分解的高维优化问题极具竞争力。