基于双档案种群大小自适应方法的改进差分进化算法

针对现有差分进化(DE)算法在处理种群多样性降低和局部最优问题时,种群大小改进方法的性能不足,提出一种基于双档案种群大小自适应方法(APSA)的差分进化算法(APDE)。首先,构建2个档案分别用于记录在先前进化中丢弃的个体和实验个体;其次,根据种群分布状态变化衡量多样性变化,并在多样性下降时从档案中选择个体加入种群,从而提升种群的多样性并增强跳出局部最优的能力;最后,基于APSA方法,提出一种改进的DE算法——APDE。在CEC2017测试集和兰纳-琼斯势问题上的广泛测试结果表明,APDE算法在30个测试函数上的基于Friedman test的平均排名中优于其他5种DE算法,并在至少20%的测试函数上取得了显著提升;同时,APDE算法在解决势能最小化上也取得了最佳性能。

自适应双模式差分进化算法

为解决无约束全局最优问题,提出自适应双变异模式差分进化算法。该算法的变异规则结合差分进化算法中的两种基本变异模式,通过采用自适应缩放因子和交叉概率,来改善种群的多样性,平衡全局搜索和局部寻优能力。对高维benchmark典型函数进行数值仿真,与另外5种算法进行比较,比较结果表明,该算法具有较高的搜索精度、收敛速度以及较强的跳出局部最优解的能力。

基于双变异策略的自适应骨架差分进化算法

骨架差分进化算法能够较好规避差分进化算法控制参数和变异策略选择问题。针对基于双变异策略的经典骨架差分算法(MGBDE)没有根据个体进化差异选择适合的变异策略和考虑早熟收敛的问题,提出一种改进算法。该算法引入变异策略选择因子,并借鉴自适应差分进化算法的设计思想,将选择因子随个体共同参与进化,使个体执行当前最为适合的变异策略,克服原始算法进化过程的盲目性,同时选择因子的动态自适应特性保持了骨架算法近似无参数的优点;该算法加入停滞扰动策略,降低陷入局部最优的风险。采用18个标准测试函数进行实验,结果表明,新算法在收敛精度、收敛速度和顽健性上整体优于多种同类骨架算法以及知名的差分进化算法。

基于自适应多变异的差分进化算法与应用

标准差分进化算法(DE)存在局部搜索能力弱、参数敏感性高等缺点,为了提升算法的性能,设计了一种基于自适应多变异的差分进化算法(AMVDE),该算法首先在种群初始化阶段使用反向学习策略提升个体的质量,然后通过多种变异策略和自适应控制参数增加算法的探索性和鲁棒性。最后将AMVDE算法应用于解决生物信息学中超复杂度的蛋白质结构预测问题,验证了算法的有效性和可靠性。

具有多种自适应机制的差分进化算法研究

差分进化算法(DE)是一种较新的进化计算技术,具有结构简单、便于编程、求解收敛快速等优点,得到了广泛的关注和应用。为了解决经典DE计算开销大,参数设置与问题本身过于相关等缺陷,提出了一种具有多种自适应机制的改进差分进化算法(MSDE),它采用了一种自适应变异算子,可根据进化代数实时地调整变异步长,从而提高算法的求解精度,同时采用一种自适应控制参数机制,以加快算法收敛,提高算法求解成功率。通过在MATLAB仿真环境下对著名的基准测试函数分别进行求解,将改进后的算法和已有的多种优化算法进行比较,结果表明,改进的MSDE算法性能明显优于已知的算法,证明自适应是一种有效的改进思路。

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。

采用双变异策略的自适应差分进化算法及应用

为了克服差分进化算法早熟收敛和寻优精度低的缺点,提出一种采用双变异策略的自适应差分进化算法(Adaptive Differential Evolution Algorithm using Double mutation strategies,DADE)。DADE引入基于种群相似度和中心解的双变异策略,有效平衡了算法的全局搜索和局部搜索;自适应交叉概率使种群个体向更新成功的个体学习,有利于后续种群的进化。在7个测试函数和3个电力系统动态经济调度(Dynamic Economic Dispatch,DED)问题上的优化结果表明,DADE算法与其他4种DE算法相比具有更强的全局寻优能力,且对电力系统动态经济调度问题的优化结果优于文献中所报道的结果。

双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法(CADE),该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。

改进自适应变空间差分进化算法

在基本差分进化算法的基础上融入自适应变空间思想,提出自适应变空间差分进化算法,在进化代数达到预设周期整数倍时,按变空间算法自动扩展或收缩搜索空间,实现了自动寻找合适搜索空间、提高收敛速度和精度的目的.此外为了进一步的加快收敛速度,对原变空间算法进行了改造,对其上下限的变化规则进行了修改和添加,提出了改进的变空间算法.仿真结果表明改进方法在收敛精度、速度上优于基本差分进化算法和基于原变空间算法的差分进化算法.最后将其应用到热连轧机精轧机组负荷分配优化计算中,为其提供了一种有效的优化手段.

带局部搜索的动态多群体自适应差分进化算法及函数优化

提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.

基于自适应混合差分进化算法的水火电力系统短期发电计划优化

针对水火电力系统发电计划优化问题,引入差分进化(differential evolution,DE)算法,提出了一种自适应混合差分进化算法(adaptive hybrid differential evolution,AHDE)。该算法在计算过程中自适应调整交叉算子,保持了种群的多样性,提高了算法的全局搜索能力,克服了DE在寻优过程中容易早熟收敛的缺点。同时针对AHDE难以处理实际工程中复杂约束条件问题,提出了一种适合AHDE的约束处理方法。将AHDE应用于求解某水火电力系统的发电计划优化问题,与其他求解方法的对比表明,AHDE求解精度高、计算速度快。

一种求解约束优化问题的自适应差分进化算法

自适应算子选择方式已被用于差分进化算法求解全局优化问题及多目标优化问题,然而在求解约束优化时难于为自适应算子选择方式找到一种方式来恰当分配信用.为此,本文提出了一种基于混合种群的自适应适应值方式来对约束优化问题中变异策略进行信用分配并采用概率匹配方法自适应选择差分变异策略,同时对算法变异缩放因子与交叉率进行自适应设置提高算法的成功率.实验结果表明算法在求解约束优化问题相比于CODEA/OED,ATMES,εBBO-dm,COMDE以及εDE算法有较高的收敛精度及收敛速度,同时验证了自适应方式的有效性.该算法可用于预报、质量控制、会计过程等科学和工程应用领域.

多种群并行的自适应差分进化算法

为了提高搜索速度,同时克服传统算法过早陷入局部最优值的不足,提出了一种改进自适应差分进化算法.改进算法在充分分析经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并相应地引入与之匹配的变异算子,转换成一个多种群并行的优化问题,保证在加快算法收敛速度的同时有效跳出局部极值点,从而实现全局优化.同时对参数值实行自适应调整,使算法达到全局搜索能力与局部搜索能力的平衡.针对8个标准测试函数的仿真实验结果表明,所提出的算法与其他算法相比具有较好的效果.

自适应变异差分进化算法估计软测量参数

提出一种自适应变异差分进化算法(ADE),能根据搜索进展情况自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟:在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率．与传统的差分进化算法(DE)相比较,ADE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低．本文将ADE算法应用于对苯二甲酸中对羧基苯甲醛含量软测量模型的参数估计,获得了满意的结果．

基于自适应变异差分进化算法的电弧时域模型

随着电弧炉功率不断增大,电弧炉对供电网络的负面影响越来越受到关注。主要的负面影响是引起谐波、电网电压波动和闪变。因此,建立精确的电弧模型,对于研究上述问题有着重要的意义。新的电弧时域模型以能量守恒定律为基础,用非线性微分方程描述电弧电导与电流之间的函数关系,并且利用现场检测到的数据,采用自适应变异差分进化算法对参数进行辨识。通过调整参数,模型完全可以模拟电弧炉冶炼过程的电弧特性。仿真结果表明,模型输出的电压、电流与现场实测数据一致,验证了模型的正确性。

一种自适应多策略差分进化算法及其应用

针对差分进化算法由于固定参数设置而易早熟或陷入局部最优的问题,提出了一种自适应多策略差分进化算法(SMDE)。该方法以基本差分进化为框架,首先引入一个变异策略候选集合,一个缩放因子候选集合和一个交叉参数候选集合,然后在搜索过程中,以过去的搜索信息为基础,自适应地为下一时刻进化群体中的每个个体从候选集合中选择一组合适的变异策略和控制参数,以便在不同的进化时刻设置合适的变异策略和控制参数。对10个常用的标准测试函数进行优化计算,并与其他算法的结果进行了比较,实验结果表明,SMDE具有较好的搜索精度和更快的收敛速度。将SMDE用于化工过程动态系统不确定参数估计问题,实验结果表明该算法能较好地处理实际工程优化问题。

自适应差分进化算法及其在参数估计中的应用

为解决动力学参数估计的问题,提出一种控制参数自适应和策略自适应的差分进化算法(DE-CPASA)。在该算法中,采用差分进化对优化问题进行寻优,控制参数以正态分布的方式实现自适应,通过对适应度函数值的评价,实现变异策略的自适应。测试仿真结果表明,DE-CPASA算法具有较高的求解精度和较快的收敛速度。将DE-CPASA算法应用于Hg氧化动力学参数估计,可得到较好的优化结果。

基于新自适应差分进化算法的Magic Formula轮胎模型参数辨识方法

针对传统差分进化法固定的控制参数设置与进化策略难以适应复杂多变的问题的状况,提出一种新的自适应差分进化方法,并将其应用于魔术公式(Magic formula,MF)轮胎模型的参数辨识中以解决其参数辨识难的问题。该方法结合基于成功进化个体的控制参数选择策略以及基于双审判矢量的进化策略,实现控制参数的有效自适应。通过对纯侧偏工况下轮胎数据的侧向力和回正力矩参数辨识,证明该方法比另外两种先进的自适应差分进化算法IOA和SspDE具备更好的全局优化与快速收敛能力,也比传统的数值优化Levenberg-Marquardt方法识别精度更高,是辨识MF轮胎模型参数的一种有效手段。

工程约束优化的自适应罚函数混合离散差分进化算法

将离散约束优化问题转化为非负整数约束规划问题,开发求解该问题的离散差分进化算法。该算法采用基于混沌映射的种群初始化、双版本变异和带随机扰动项的取整运算等新策略。针对非线性约束条件,给出惩罚基数的计算方法和连续映射基函数的表达式,在此基础上设计处理非线性约束的自适应惩罚因子。提出一种刻画种群多样性的新测度——种群二次平均基因距离及基于新测度的依概率混沌移民算子。将自适应罚函数法、依概率混沌移民操作与离散差分进化算法有机融合,构造面向工程约束优化的混合离散差分进化算法。对3个离散约束优化实例进行验证,结果表明,混合算法具有良好的鲁棒性且优于离散粒子群算法。应用混合算法求解斜齿圆柱齿轮传动优化设计问题,结果优于遗传算法及其改进算法、离散粒子群算法,目标函数值较遗传算法及其改进算法分别下降41%和10%。