混沌协方差矩阵自适应进化策略优化算法

为了改进进化策略算法的性能,提出了一种混沌协方差矩阵自适应进化策略(ChaosCMA-ES)算法,该算法在协方差矩阵自适应进化策略(CMA-ES)算法的基础上引入了混沌算子,并利用其更新种群中心的位置,使得种群具备良好的全局搜索能力。试验结果表明,本文算法对复杂多峰函数的寻优效果好于其他几种算法。最后,将本文算法用于优化网络安全态势的预测模型,预测结果的精度高于其他方法。

集成协方差矩阵自适应进化策略与差分进化的优化算法

不同智能优化算法在求解优化问题时通常表现出显著的性能差异.差分进化(DE)算法具备较好的全局搜索能力,但存在收敛慢、效率低的不足,协方差矩阵自适应进化策略(CMA–ES)局部搜索能力强,具备旋转不变性,但容易陷入局部最优,因此,DE和CMA–ES之间具有潜在的协同互补能力.针对上述问题,提出了一种集成协方差矩阵自适应进化策略与差分进化的优化算法(CMADE).在CMADE框架中,DE算法负责全局搜索,CMA–ES算法进行局部搜索.通过周期性解交换机制实现CMA–ES和DE两个算法间协同交互和反馈控制.在解交换时,从DE种群中选择优秀个体,利用CMA–ES算法在优秀个体周围进行局部搜索.同时在DE和CMA–ES的混合种群中,综合考虑解的多样性和最优性,选取一定比例的解作为DE算法的新种群进行全局搜索,实现全局搜索与局部搜索的动态平衡.将CMADE算法与CMA–ES,DE,SaDE,jDE,EPSDE,ACODE和SHADE算法在CEC2014标准测试集上进行比较实验.结果表明,CMADE整体性能显著优于其它比较算法.

基于ε-支配的多目标进化算法及自适应ε调整策略

提出了一类新的基于ε-支配关系的多目标进化算法.该算法采用配对比较选择和稳态替换策略,提高了算法的收敛速度,降低了计算时间.首先,在保持种群分布性上,采用了一种新的基于ε-支配关系的精英保留策略,避免了传统修剪策略所引起的Pareto前沿面的退化.其次,根据不同ε取值分析了算法收敛性,提出了一种自适应ε调整策略.最后,通过5个常用的双目标测试函数的计算,验证了包括该自适应调整策略的多目标进化算法在求解质量上显著强于NSGAII,SPEA2和ε-MOEA等主流多目标进化算法.

自适应协方差矩阵进化策略算法

自适应协方差矩阵进化策略(CMA-ES)算法是Nikolaus Hansen等人提出的一种新的进化算法,通过模拟自然界生物进化过程,达到寻优目的。多个测试函数结果表明,该算法具有全局性能好、寻优效率高的特点,为解决高计算代价复杂工程优化问题的求解提供了新的途径。

基于适应性均衡模型的CMAES约束优化算法

提出一种基于适应性均衡模型的协方差矩阵自适应进化策略(ATM-CMAES)用于求解约束优化问题。ATM-CMAES中的CMAES利用当前代最优子群与上一代分布均值之间的关系更新协方差矩阵来调整种群分布,将协方差矩阵秩1和秩μ2种更新机制相结合,克服了传统进化算法对种群大小的过分依赖;将ATM作为约束处理技术,针对群体不可行、半可行和可行这3种不同情形,采用不同的约束违反度与目标函数值之间的均衡机制来指导群体进化。对13个标准测试函数的实验结果表明:ATM-CMAES具有通用、稳健和高效性能。

饱和度自适应微分进化算法在电力经济调度中的应用

建立了电力系统经济调度模型,该模型以发电成本最小为目标,考虑了火电机组阀点效应和系统运行约束,并提出了求解该模型的饱和度自适应微分进化(saturation and adaptive differential evolution,SADE)算法。为避免算法搜索的盲目性,使算法既能集中于局部最优解又能兼顾全局最优解,引入了控制参数自适应调整策略和饱和度概念,该算法可避免"早熟"现象,收敛速度快。3机组、13机组和40机组算例结果验证了SADE算法的有效性。

基于CMAES算法的加速度计多位置新型标定方法

针对粒子群优化算法(PSO)和遗传算法(GA)在加速度计标定优化后期出现早熟、陷入局部最优,以及在设计与应用过程中存在的缺陷,将自适应协方差矩阵进化策略(CMAES)算法应用于加速度计的快速标定:采用具有不同函数特征的Sphere、Rastrigin和Rosen三个基准函数对比测试CMAES算法的总体性能;以模观测标定方法为基础建立加速度计标定模型,选取加速度计的24个位置进行仿真观测。实验结果表明:CMAES算法在收敛速度、收敛精度、全局搜索等方面性能优异,将加速度计的标定精度提升了12个数量级,为其它算法标定加速度计奠定了良好基础,对位移系统测量研究具有重要意义。

基于CMAES集成学习方法的地表水质分类

为了提高人民生活质量,政府部门不断加强水质管理,然而人工分类方法无法满足实时处理的需求,传统机器学习方法的分类准确率又不够高。集成学习使用多种学习算法来获得比单一学习算法更好的预测性能。首先,对集成学习进行概述,简要介绍了Bagging和Boosting算法,并提出基于协方差自适应调整的进化策略算法(CMAES)的集成学习方法。接着,介绍了数据处理方式、模型评估方法和评价指标。最后,用CMAES集成学习方法对逻辑回归、线性判别分析、支持向量机、决策树、完全随机树、朴素贝叶斯、K-邻近算法、随机森林、完全随机树林、深度级联森林十种模型进行集成。实验结果表明,CMAES集成学习方法优于所有其他模型,该方法将继续被应用到未来的研究之中。

自适应子群体米母算法及其在混凝土框架位移性能优化中的应用

结合差分进化(DE)与协方差矩阵自适应进化策略(CMAES),提出了自适应子群体米母算法(SaS-MA);为发挥SaS-MA的全局勘探和局部开发能力,设计了一个由删除机制和建立机制组成的子群体自适应策略;通过一个数值实验,将SaS-MA与DE、L-CMAES、PSO和IP-CMAES等算法进行了对比;最后对一个10层2跨的混凝土框架进行了位移性能优化,并将SaS-MA的优化结果与例题原始文献、目前广泛应用且性能可靠的DE、CMA、PSO和GA等算法的优化结果进行了对比.数值实验结果表明:子群体自适应策略通过动态删除和建立子群体,提高了算法性能;SaS-MA在统计学意义上优于其他4种算法,是一个有效、可靠的全局优化算法.位移性能优化算例结果表明:SaS-MA在混凝土框架位移优化问题上更具有效性;相比于其他4种算法,同等条件下SaS-MA能够得到最好的解,具备良好的寻优能力和收敛性.

基于混合多策略优化的粒子滤波算法

标准粒子滤波存在粒子贫化问题,在处理非线性问题时需要大量粒子才能达到所需的估计精度,降低了算法的综合性能。为此,文中提出了一种结合莱维(Levy)飞行策略、差分进化算法与成功历史策略的混合多策略优化的粒子滤波算法。该算法首先采用Levy飞行策略确定样本集的基本框架,并通过差分进化算法优化低权重的无效粒子,然后采用成功历史策略进行参数自适应调整,以动态调节算法寻优步长,将更多的粒子导向高似然区域。仿真结果表明,文中算法有效地提高了粒子多样性与滤波精度,并改善了在低测量噪声下的粒子贫化问题,降低对非线性系统估计所需的粒子数量。

一种基于禁忌策略的混合优化算法

为了提升综合学习粒子群算法(Comprehensive Learning Particle Swarm Optimization,CLPSO)的后期收敛能力,提出一种基于禁忌策略的混合优化算法,记为CLPSO+Tabu(CMA-ES)。算法以禁忌搜索算法为后续搜索操作,对综合学习粒子群算法进行改进。同时将协方差矩阵自适应进化策略(Covariance Matrix Adaptation Evolution Strategy,CMA-ES)引入禁忌搜索算法,以高斯分布为基础,以CMA-ES策略引导邻域结构的分布,构造新型自适应邻域结构,指导禁忌搜索算法中候选解的选取,从而解决综合学习粒子群算法在收敛精度低的问题,极大改善了求解效果。针对26个标准测试函数的实验结果表明,与CLPSO相比,CLPSO+Tabu(CMA-ES)算法在绝大多数函数上具有更好的收敛效果。针对其中6个优化问题,CLPSO+Tabu(CMA-ES)更是有至少一个数量级的改进。

基于进化策略有频率禁区的结构优化设计方法

有频率禁区的桁架结构优化设计是在结构保证静态强度的前提下,通过调整构件的截面或节点坐标来改变结构的动力特性,从而避开激振频率带宽。自适应协方差矩阵进化策略(CMA-ES)算法是一种寻优效率高、鲁棒性好的全局优化算法,对处理复杂的非线性多维度的优化问题有很好的适应性。在考虑工艺可行性的基础上,结合有限元分析软件,提出了基于CMA-ES算法的有频率禁区的桁架结构优化设计方法。算例研究表明,该方法是可行的,与传统优化方法、粒子群优化方法相比较,具有全局寻优性能好、效率高的优点。

桁架形状优化的自适应协方差矩阵进化策略方法

自适应协方差矩阵进化策略(CMA-ES)是在进化策略算法(ES)基础上发展起来的一种新的全局优化算法,对于处理复杂非线性多峰值优化问题具有很好的适用性.结合有限元方法,提出一种桁架形状优化的自适应协方差矩阵进化策略方法.采用空间25杆桁架和平面37杆桥形桁架两个桁架形状优化的经典算例对方法的可行性和先进性进行验证,其中,空间25杆桁架分为不考虑局部稳定约束和考虑局部稳定约束两种情况进行计算.研究结果表明,该方法是可行的,与基于遗传算法、粒子群优化算法等现代全局优化算法的桁架形状优化方法相比较,具有寻优效率高、收敛速度快、全局优化能力强的优点,在获得相同精度最优解的条件下,调用有限元分析的次数明显较少,从而有效地减少了计算耗时.

求解风力发电机布局问题的超启发式算法研究

针对大规模问题求解效率不高、结果不理想等问题,以影响参数多变的风力发电机布局问题为研究对象,设计并实现了超启发式算法策略,底层算子用差分进化(Differential Evolution,DE)算法和适应性协方差策略(Covariance Matrix Adaptation Evolution Strategy,CMA-ES)算法,高层策略用启发式调用策略选择底层算子求解在不同场景、不同风力参数等多种情况下的风力发电机布局情况。实验将权值选择策略与DE算法、CMA-ES算法和随机调度策略进行比较,最终数据表明该策略求解风力发电布局的效果远高于其他三种。

基于CMA-ES算法的支持向量机模型选择

研究模型选择对支持向量机(SVM)的泛化性能有着重要影响。针对传统梯度算法对初始值敏感及网格搜索法计算复杂的缺点,为了提高全面优化能力和分类精度,提出了一种基于协方差矩阵自适应进化策略(CMA-ES)的支持向量机(SVM)模型优化算法,通过对SVM泛化性能界(Bounds on Generalization Performance)的优化求解,实现了基于CMA-ES算法的SVM模型选择。在标准数据集上的实验结果表明:相比遗传算法和梯度算法,上述方法能够在较小计算代价下得到更优的超参数,提高支持向量机的预测精度稳定性,尤其适合大样本数据条件下的模型选择。

基于改进风驱动算法的摄像机标定优化方法

为进一步提高摄像机参数标定的准确率,提出一种基于改进风驱动算法的摄像机标定优化方法。将摄像机内参作为空气微团的位置矢量,将标定结果的重投影误差作为空气微团的适应度值,通过迭代寻找适应度值最小的解。针对基本风驱动算法中固有参数的设置问题,通过引入协方差矩阵自适应进化策略自动确定。将该方法与张正友标定法、基于粒子群算法的标定法和基于基本风驱动算法的标定法作比较,实验结果表明,改进算法优化标定的摄像机内参精度更高,具有更快的收敛速度和更好的稳定性。

基于DNN与IMPDE的武器系统效能优化

针对武器系统结构复杂,多变量多峰值的特点,难以稳定、准确地获得最佳参数组合,达到系统效能最大化的问题,建立以效能影响因素为输入、效能值为输出的深度神经网络模型,并提出一种改进多种群差分进化算法(IMPDE)。算法引入多种群协同进化策略和参数自适应调整策略,采用各具特点的差分进化算法对不同的子种群执行进化操作,增强了种群个体的多样性,保证了算法快速收敛的同时能有效地跳出局部极值点,提高了算法全局寻优的能力。仿真对比结果表明,上述算法具有更好的寻优精度和稳定性,可以高效准确地寻找到参数最佳组合。