克隆选择单变量边缘分布算法

针对单变量边缘分布算法(UMDA)求解复杂优化问题的局限性,将人工免疫系统引入分布估计算法(EDAs)领域,提出了一种基于克隆选择原理的单变量边缘分布算法.该算法在进化过程中的每一代执行若干次克隆选择算法(CLONALG),利用克隆选择过程中的高频变异操作提高混合算法的局部搜索能力.通过对2种不同旅行商问题(TSP)的仿真实验表明,与UMDA、CLONALG以及UMDA和2-opt局部搜索算法的混合算法(UM-DA2-opt)相比,克隆选择单变量边缘分布算法具有更高的优化性能.

结合启发式算子的单变量边缘分布算法求解SAT问题

单变量边缘分布算法(UMDA)是一种新的进化算法,是求解复杂问题的一种有效算法。根据SAT问题的特点,本文提出了一种求解SAT问题的改进单变量边缘分布算法(HeUMDASAT),该算法结合SAT问题本身固有的结构信息与当前群体的优秀解所提供的全局信息,构造了一个新的启发算子,并将此算子结合到单变量边缘分布算法中。此算子不同于随机搜索算子,由其产生的个体可以使得算法跳出局部最优并探索新的潜在区域,并且加快算法的收敛速度。用SATLIB库中的标准SAT问题对HeUMDASAT算法进行测试,实验结果表明该算法在求解速度和成功率方面都有明显的改善。

单变量边缘分布算法与蚁群算法的混合算法收敛性分析

智能混杂算法是当前智能优化算法的研究热点,可以融合多种优化算法的优势,提高算法的性能。单变量边缘分布算法具有大范围快速全局搜索能力,但不能很好地利用系统中的反馈信息;蚁群算法是一种并行的分布式正反馈系统算法,但其初期信息素匮乏,求解速度慢。将单变量边缘分布算法与蚁群算法相结合,可以优势互补。基于上述思想,提出一种基于单变量边缘分布算法与蚁群算法混合的算法,并运用马尔科夫随机过程理论对该算法的收敛性进行了分析,结果表明了该算法的优化解满意值序列是单调不增的和收敛的。

混合单变量边缘分布算法及其仿真应用

针对单变量边缘分布算法(UMDA)容易陷入局部最优解且搜索效率较低等缺点,提出一种混合单变量边缘分布算法(HUMDA).该算法采用两阶段参数动态控制策略来控制算法的均值与方差参数,在搜索初期保持群体的多样性,在算法后期提高了算法的局部搜索能力,并引入混沌搜索机制有效提高了算法的搜索精度和效率.采用多峰高维标准测试函数进行测试,测试结果表明HUMDA具有更优的全局搜索能力且搜索精度较高.将其应用于求解水库优化调度问题,亦得到较好的结果.

基于分布估计的二进制人工蜂群算法

为了充分利用种群的全局统计信息,将分布估计算法引入二进制人工蜂群算法,提出一种基于分布估计的二进制人工蜂群算法。该算法利用分布估计算法获得的全局统计信息引导候选解的产生,提高了全局探索能力;采用直接针对离散域的多维邻域更新策略,加快了收敛速度,降低了计算复杂度。仿真结果表明,与传统二进制人工蜂群算法相比,改进算法在优化精度、收敛速度和鲁棒性方面均有明显改善。

基于自适应学习搜索框架的混合分布估计算法

在元启发式算法自适应学习搜索框架下对分布估计算法和模拟退火算法的学习能力、深度搜索和广度搜索强度进行分析,针对分布估计算法广度搜索性能方面存在的问题,提出了一种将模拟退火算法融入分布估计算法的混合优化策略;以旅行商问题为例进行了仿真实验。实验结果表明,混合算法比分布估计算法和模拟退火算法具有更高的优化质量。

改进分布估计算法解决多约束集装箱装载问题

集装箱装载是一个空间优化分解的布局问题,其约束条件多,属于典型的NP完全问题,求解难度大。在考虑实际应用中的约束条件下,使用三空间分割的布局方法,并结合分布估计算法(EDA)求解多约束装箱问题。同时对所使用的单变量边缘分布算法(UMDA)进行改进,采用了精英种群的策略并且加入遗传算法中的变异操作,这样能够使算法跳出局部最优解,加快算法收敛速度。实验结果表明该算法在求解速度和成功率方面都有明显的改善。

求解带硬时间窗车辆路径问题的改进UMDA算法

针对带硬时间窗的车辆路径问题(VRPHTW)求解,提出了一种混合单变量边缘分布算法(hybrid UDMA,h UDMA),改进了基本UMDA的概率模型.统计节点按路径分布的概率,使其能够在解空间上找到节点—路径的分布关系,提高了UMDA的全局搜索能力.采用两阶段插入法进行最佳节点搜索和路径分配完成UMDA采样操作,通过种群进化来获取最优解.计算Solomon 100客户的6类问题56个算例的实验结果表明:在最优解的取得方面,C类算例能够全部取得最优解,R、RC类算例能以50%左右概率取得最优解;在平均误差方面,C类算例计算结果与已知最优解一致,R、RC类算例计算误差率与已知最优解比较接近,平均误差率为1.03%.

一种按基因重要度收敛的进化算法

提出基因重要度的概念,通过实验证明基因重要度对于单变量边缘分布算法(Unvaried Marginal Distribution Algo-rithm,UMDA)收敛的重要性.由此提出一种基于基因重要度的进化算法.该算法首先对组成染色体的各基因进行重要度排序,随后对重要度大的基因先进行收敛操作,每次收敛当前重要度最大的基因,直到所有基因全部收敛.实验数据表明,本算法的收敛速度更快,而且更容易求出满意解.

求解动态优化问题的自组织进化算法

为在环境发生变化后跟踪最优解的变化,提出一种自组织单变量边缘分布算法(SOUMDA)来求解动态优化问题.自组织策略包含扩散和惯性速度模型,扩散模型利用当前环境的局部信息使群体向外扩散,惯性速度模型利用最优解的历史信息进行预测.将自组织策略与单变量边缘分布算法(UMDA)结合,使得算法在环境变化后自适应地增加种群多样性,提高算法适应能力,快速跟踪最优解.利用动态sphere函数对所提出的算法进行测试,并与iUMDA和MUMDA算法进行比较,结果表明所设计的算法能快速适应环境的变化,跟踪最优解.

求解动态优化问题的多群体UMDA

提出一种求解动态优化问题的多群体单变量边缘分布算法(MUMDA).首先,利用多个概率模型(对应多个群体)将搜索空间分成几个部分,通过对不同区域的搜索或探索将好解进行迁移,扩大搜索空间,增加种群多样性,跟踪最优解的变化;然后,利用对UMDA收敛性的证明分析了所提出算法的有效性;最后,对两个动态优化问题进行仿真计算,并与传统UMDA和基于随机迁移的UMDA(iUMDA)进行了比较,结果表明,MUMDA能快速适应环境的变化,跟踪最优解.