单纯形-差分进化算法及其在软测量建模上的应用

针对差分进化算法(Differential Evolution Algorithm,DEA)容易陷入局部最优值且搜索效率不高的缺点,提出一种单纯形-差分进化算法(SM-DEA)。该算法在DEA中引入计算量小、搜索速度快且局部搜索能力很强的单纯形方法(Simplex Method,SM),在迭代过程中交叉使用DEA和SM。对标准函数的测试表明,该算法具有很强的全局搜索能力和很高的搜索效率。将算法应用于乙炔加氢反应器出口乙炔浓度的软测量建模,结果表明该算法能提高模型的精确度,降低预测误差,具有较高的实用价值。

基于差分进化-自适应Metropolis算法的桥梁工程研究

提出1种结合差分进化-自适应Metropolis算法(DREAM KZS)和克里金模型的多链贝叶斯模型更新框架。该框架融合敏感度分析以减少参数维度并便于参数选择。此外,利用克里金模型来节省计算成本。该框架还采用DREAM KZS算法与多采样策略,通过考虑模型参数、测量和模型输出之间的交叉协方差来增强后验分布的探索效率。通过增加样本多样性同时减少并行链的数量,实现快速准确的模型更新。结果表明通过对简支梁的数值研究,验证DREAM KZS算法的收敛速度和精度,提出的DREAM KZS贝叶斯模型更新框架在六跨铁路高架桥的模型更新应用中表现出优异的性能,由于需要重复的模型评估,高度耗时和高保真度的有限元模型阻碍有效的模型更新。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

分析抽水试验数据的单纯形差分进化混合算法

分别以无限含水层和有直线隔水边界含水层情况下的解析解为基础,应用提出的单纯形差分进化混合优化算法求解分析2种条件下的抽水试验数据,确定含水层参数的函数优化问题。将具有全局搜索能力强、原理简单、受控参数少、而局部搜索能力弱等特点的差分进化算法与具有局部搜索能力强、运算速度快、而对参数初值的选取依赖性较强和易于陷入局部极值等特点的单纯形优化算法进行结合,构成了一种混合优化算法,即单纯形差分混合优化算法。这种混合算法同时具有确定性运算和随机性搜索所具有的共同优点,能够较好地平衡全局搜索能力和局部搜索能力。数值实验结果表明,单纯形差分混合优化算法能够有效地应用于分析抽水试验数据,识别含水层参数;与其他方法相比较,其具有运算速度快、效率高和计算结果精度高等优点。

基于单纯形算子的混合差分进化算法

针对DE/rand/1/bin方案收敛速度慢的缺点,提出一种将单纯形确定性算法和差分进化随机搜索算法相结合的混合优化算法。利用差分进化算法搜索范围广、全局搜索能力强和单纯形算法局部搜索能力强、收敛速度快的特性,较大地提高了差分进化算法的收敛速度和搜索精度。典型Benchmarks复杂函数优化实验表明,该算法优化效率高、优化性能好、对初值具有较强的鲁棒性,性能优于单一的优化方法。

基于差分进化—单纯形混合算法求解绝对值方程

绝对值方程Ax-|x|=b是一个不可微的NP-hard问题。在假设矩阵A的奇异值大于1(这里矩阵A的奇异值定义为矩阵ATA特征值的非负平方根)时,给出了一种求解绝对值方程的新方法:差分进化—单纯形混合算法。该混合算法充分发挥了差分进化算法的群体搜索性和单纯形算法的局部细致搜索性,同时也克服了差分进化算法后期搜索效率降低和单纯形算法对初始点敏感的缺陷。数值实验表明所设计的混合算法是有效的。

混合差分进化-和声搜索算法在结构工程中的应用

为了增强HS算法跳出局部最优的能力,将差分进化算法(DE)的变异和交叉引入到了HS算法中.这种改进的HS算法被称为混合差分进化-和声搜索(HDEHS),它既具有很强的收敛性,又能有效地防止自身陷入局部最优.实验结果表明,与文献中算法比较,HDEHS算法在解决结构工程优化问题中能够找到更好的解,它是解决结构工程优化问题的一个有效的选择.

0-1非线性规划问题的改进差分进化算法

针对0-1非线性规划问题的特点,提出了一种适合于求解0-1非线性规划问题的改进差分进化算法。这个算法把差分进化算法和罚函数方法有机结合起来,在变异操作中加入0-1取整运算,在交叉操作中使用了指数递增交叉概率因子以提高算法的全局搜索能力和收敛速率。用8个例子进行了实验研究,结果表明这个改进的差分进化算法在收敛性、精度、鲁棒性强方面都比较好。

求解高维动态0-1背包问题的修补二进制差分进化算法

针对已有的动态优化算法求解高维动态背包问题(DKP)难以获得高质量的可行解,且跟踪环境速度慢,提出了一种修补二进制差分进化算法(BDE/R)用于求解高维DKP。在BDE/R设计中,一种随机压缩变异策略直接根据个体间的差异在离散域内对个体进行突变;提出了一种贪婪的修补策略,提高了所获可行解的质量和算法的收敛速度;设计了一种对偶变换算子,提高种群的多样性,加速了算法跟踪环境的能力。数值实验以平均环境跟踪精确度(Av-Acc)和平均环境跟踪适应度(Av-Ada)为性能评价指标,通过四种DKP测试BDE/R跟踪动态最优值的能力,并将BDE/R与其他五种著名的优化算法进行了比较。结果表明:BDE/R所获的Av-Acc和Av-Ada指标优越于其他算法;由平均适应度跟踪曲线比较获知,BDE/R跟踪环境速度快于其他算法。

差分—单纯形算法计算各向异性含水层参数

将全局搜索能力强的差分进化算法与局部搜索能力强的单纯形算法结合起来,构成差分—单纯形算法。并将其应用于分析各向异性含水层抽水试验数据,确定各向异性条件下的含水层参数。数值试验结果表明,差分—单纯形算法能够有效地应用于求解各向异性含水层的抽水试验数据,确定各向异性含水层参数的函数优化问题。与其他方法相比较,具有计算精度高、运算速度快与实测数据拟合效果好等优点。

基于测距修正的差分进化的DV-Hop定位算法

设计精确的定位算法是无线传感网络(wireless sensor networks, WSNs)的研究热点。针对距离向量-跳距(distance vector-Hop, DV-Hop)定位算法的定位精度不高问题,提出基于测距修正的差分进化的节点定位算法(RDEL)算法,提高节点定位精度。首先,RDEL算法利用接收信号强度值对跳数值进行修正,然后,通过构建测距误差代价函数,并利用无偏估计对跳距进行校正。最后,通过差分进化算法估计未知节点的位置。仿真结果表明,相比于传统的DV-Hop算法,提出的RDEL算法降低了平均定位误差,提高了定位精度。

改进的差分进化算法求解炼钢-连铸动态调度问题

为了求解炼钢-连铸动态调度问题,提出了一种将拉格朗日插值算法与差分进化算法相融合得到的改进的差分进化算法;改进后的差分进化算法通过自适应调整进化参数,动态的调整差分进化的方向,并结合拉格朗日插值来优化差分进化算法的局部搜索能力,引入权重系数对全局搜索和局部搜索加以平衡;针对国内某大型钢厂的实际生产数据建立实验模型,以最小化总完工时间、最小化总断浇时间、最小化炉次间总等待时间和最小化总偏差量时间为目标,将改进的差分进化算法应用于求解炼钢-连铸转炉出现故障的动态扰动事件调度问题;实验结果表明,改进的差分进化算法应用在炼钢-连铸动态调度问题上,有效地缩短了炉次加工总完工时间、炉次间总等待时间和总断浇时间,在合理范围内,有效控制了新生产的调度计划与原始调度计划的时间偏差量,避免了因扰动事件的发生而引起连铸机断浇。

差分进化帝王蝶优化算法求解折扣{0-1}背包问题

帝王蝶优化算法(Monarch Butterfly Optimization,MBO)是一种新颖的群体智能算法,自从提出就在实际优化问题上表现出很好的性能.但是,帝王蝶优化算法的迁移算子采用随机选择两个个体来生成新个体,并没有记忆整个种群的最优解,容易造成全局最优帝王蝶搜索经验的丢失.根据MBO寻优过程的内在机制以及差分进化算法的变异算子能够利用个体间的差异信息,将MBO分别与目前性能最优、应用范围最广的7种差分进化(Differential Evolution,DE)变异策略相结合,实验验证了7种不同算法的性能.基于性能最优的DE/best/2/bin变异模式,提出了一种差分进化帝王蝶优化算法(Monarch Butterfly Optimization Algorithm with Differential Evolution,DEMBO),使得算法能够记忆种群最优解并实现种群内部信息的充分共享,达到既加快收敛速度又提高解的精度的目的.在30个典型折扣{0-1}背包问题(D{0-1}KP)实例上进行了一系列实验,实验结果表明:(1)DEMBO能够在时间复杂度不变的条件下,显著提高算法的求解精度和收敛速度;(2)DEMBO在求解所有D{0-1}KP实例时,均能够获得一个近似比非常接近1的近似解.

最小-最大模糊神经网络差分进化算法研究

该文利用二维正弦函数对DE算法和最小-最大模糊神经网络(MMFNN)结构优化策略进行测试,用MATLAB编程。在DE算法测试中,方差为0.0085,实验误差0.0078,实验结果表明:DE算法具有高效性与精准性。在MMFNN算法测试中,错误兼容率为0.0097,小于设定的错误兼容率0.01,验证了MMFNN结构的准确性。将2种算法的实验结果进行比较,DE算法比MMFNN算法优化效果好,有效性和精准性高,为将来人工智能和计算机电子信息等领域解决优化问题提供理论依据。

改进自适应差分进化算法求解大规模整数任务分配

针对0-1任务规划模型存在维数灾维的问题,提出一种基于改进自适应差分进化(SADE)算法的大规模整数任务分配算法。首先,将任务分配的0-1规划模型转化整数规划模型,不仅大幅减少了优化变量的维数,还减少了整式约束条件;然后,将常用的变异算子DE/rand/1/bin和DE/best/2/bin结合起来组成新的自适应变异算子,使得自适应差分进化算法既有较快的收敛速度,又降低了变异算子对具体问题的依赖;并用改进自适应差分进化算法求解整数规划。最后,通过典型的任务分配实例验证了算法在优化大规模任务分配的有效性和快速性。

基于差分进化算法的四旋翼PID参数优化设计

针对四旋翼无人机PID控制器参数人工整定困难且难以获得最优控制效果的问题,提出一种基于改进差分进化算法的四旋翼PID控制器参数优化方法。方法首先利用变异、交叉、选择等操作调整PID参数,得出最优的个体;然后引入定向搜索策略,在下次变异操作前,根据上次适应度值比较的结果,决定变异的方向,提高算法的精确度。将改进差分进化算法应用于四旋翼无人机仿真模型,其中串级PID控制器的参数作为差分进化种群进行迭代寻优。仿真结果表明,对比粒子群算法和传统差分进化算法,改进后的差分进化算法能够使控制器稳态误差更小、调节方法更快。

V2G模式下基于SaDE-BBO算法的有源配电网优化

为了解决大规模电动汽车入网难以实现个体调度以及集群调度存在“维数灾”的问题,建立基于车辆到电网(vehicle-to-grid,V2G)模式的有源配电网分层分区优化运行模型。其中,上层优化模型对电动汽车集控中心(electric vehicle agent,EVA)进行调度,优化各区域EVA的充放电功率并作为下层优化模型的输入;下层优化模型调整各调压方式。在优化算法方面,提出一种自适应差分进化-生物地理学优化(self-adaptive differential evolution-biogeography-based optimization,SaDE-BBO)算法,并在改进的IEEE 33节点配电系统中进行仿真分析。结果表明:在不同充电控制策略下,V2G模式与各调压方式的协调互动在降低各区域EVA运营成本、平抑负荷波动以及保证有源配电网的安全和经济运行方面优势显著,与其他优化算法相比,SaDE-BBO算法具有更优质的解和更好的收敛性。

基于差分进化的混合蛙跳算法

为高效处理3D视线跟踪技术中的非线性优化问题,使系统满足实时准确及稳定性需求,以差分进化(differential evolution,DE)为核心,结合混合蛙跳算法(shuffled frog-leaping algorithm,SFLA)及Nelder-Mead单纯形法算法思想,提出了一种新型混合算法,即DE-SFL-NM混合算法。利用无穷乘积的性质对DE-SFL-NM进行了收敛性分析,并得出依概率收敛结论。使用包含单、多模态的10个基准测试函数的数值实验结果进行比较,验证了该算法在收敛速度、求解精度及鲁棒性能方面的有效性和进步性。同时,应用DE-SFL-NM快速且精准地求解了3D视线跟踪系统中的角膜曲率中心。

差分进化变异策略rand/3/bin求解0-1背包问题

0-1背包问题是背包问题中的基础也是最为经典的一大分支,其组合优化模型被广泛的应用于社会生产生活的各个领域,对NP完全问题的求解有重要价值。传统的启发式算法如遗传算法、基本差分进化算法、粒子群算法,在解决相同0-1背包问题时,差分进化算法在解决离散型0-1背包问题时收敛更快,但存在早熟问题。论文从启发式算法角度出发,结合差分进化算法中变异策略的特点,提出一种新的变异策略rand/3/bin求解方法,与遗传算法、粒子群算法、采取两种变异策略的差分进化进行性能对比实验(实验测试数据已公开在Github),结果表明:该算法实现了相对于原有实验收敛更快和结果更优的结果,具有良好的应用价值。

识别河流水质模型参数的单纯形-差分进化混合算法

应用文中构造的单纯形-差分进化混合算法,分析了一维河流纵向离散和二维河流横向扩散两种情况下的水团示踪试验数据,识别了河流水质参数。这种混合算法是将具有局部搜索能力强、收敛速度快,而对初始值的选取依赖性较强等特点的单纯形算法与具有全局搜索能力强、受控参数少、而局部搜索能力弱等特点的差分算法进行混合。使其同时具有随机性搜索与确定性运算所具有的共同优点,能够较好地平衡局部搜索能力和全局搜索能力。数值实验结果表明:该算法可有效地应用于河流纵向离散和横向扩散两种情况下的水团示踪试验数据分析与水质参数识别,并且运算速度快、收敛性好,具有重要的应用价值。