基于参数自适应布谷鸟算法的RM电路面积优化

针对固定极性RM(fixed-polarity Reed-Muller,FPRM)电路面积优化问题,提出一种基于参数自适应布谷鸟算法的FPRM电路面积优化方案。在标准布谷鸟算法基础上,通过增加进化评估机制和参数自适应机制得到参数自适应布谷鸟算法。结合FPRM电路面积优化的特点,利用所提算法实现对FPRM电路的面积优化。最后采用MCNC Benchmark电路对该方案进行测试。测试结果表明,在RM电路面积优化中,参数自适应布谷鸟算法比遗传算法最优率提高21.5%,时间节省35%;比标准布谷鸟算法最优率提升2%,时间节省32%;与已有的改进型布谷鸟算法相比,最优率相同,时间节省35%。该方案具有更高的优化效率和性能。

基于双重经验结合的自适应差分进化算法

针对传统差分进化算法在解决复杂优化问题时性能不足的问题,提出了一种双重经验结合的自适应差分进化算法,该算法提出了基于个体经验和集体经验结合的参数自适应机制.在该机制中,每个个体都有自己的缩放因子和杂交概率,并且个体同时利用自身经验和多个成功个体的集体经验来自适应地更新参数值.该机制不仅很好地利用了个体自身的演化信息,还结合了集体的有益信息,有利于生成优秀个体,提高算法性能.此外,自适应差分进化算法设计了一种新的带外部存档的变异策略,该变异策略引入了一个调整变异策略贪婪性的参数,这个参数在进化过程中随着函数评价次数的增加而动态变化,自适应地调整变异策略在不同进化阶段的贪婪性,较好地平衡了算法的勘探和开采,进而提高算法性能.在CEC2017基准集上对算法进行数值实验,并将自适应差分进化算法与多个改进的差分进化算法进行了比较.实验结果表明:自适应差分进化算法取得了较好的求解结果,并在整体上优于其他算法.