求解高维多模优化问题的自适应差分进化算法

在基变量选择方差理论分析的基础上,提出一种自适应差分进化算法(ADE).ADE算法通过设计自适应收敛因子构建自调整的权重质心变异策略,同时在交叉策略中引入发射、收缩两种单纯形操作算子,保证算法全局搜索能力的同时,能有效提高算法后期的局部增强能力.30个优化问题的数值研究结果表明ADE算法具有比DE、DERL以及DERB三种算法更快的收敛速度和可靠性,尤其适合于高维多模优化问题的求解.

一种快速多种群的粒子群多模优化算法

针对粒子群多模优化问题中存在的易早熟、收敛速度慢及寻优精度低等问题,提出了一种快速多种群的粒子群多模优化算法。首先采用动态半径及种群划分策略,避免了多种群区域重叠问题;然后引入拓扑机制,使种群内粒子在速度上保持同步,以群落为单位在解空间上飞行,加快进化速度;同时增加种群之间的交流,在多样性和快速收敛之间达到平衡;最后采用随机权重、异步变化因子及种群淘汰策略,提高算法的搜索能力和学习能力。通过几个典型测试函数的实验结果表明,该算法具有较好的多模态寻优率,在收敛速度和精度等方面均有提高。

基于区域迁移策略的测试任务调度问题多目标多模优化

基于动态时间弯曲(DTW)对测试任务调度问题的多目标多模特性进行证明,将决策空间分为互不相交的N组,分别利用多目标优化算法求解N组的Pareto前沿(PF)并进行排序和去重,计算每一组PF与标准前沿的DTW值或计算组与组PF之间的DTW值来评价彼此间的相似性。基于此,提出一种基于区域迁移策略的粒子群多目标多模优化算法(RMMOPSO)求解测试任务调度问题(TTSP)。通过引入多种群策略和区域迁移策略,N个子种群在决策空间内并行搜索,按顺序交换子种群之间的全局最优点引导每个子种群的搜索区域不断发生转移,从而使每个子种群都可以搜索到完整的决策空间,得到N个对应于目标空间同一个PF的不同PS。将该方法应用于11个具有多模特性的标准测试函数和不同规模的TTSP实例的仿真实验,对于低维问题,目标空间和决策空间在收敛性和多样性方面都表现优良,并且能找到对应于同一个PF的多个PS;对于高维问题,适当增加子种群个数和迭代次数,可以有效提高算法性能。

基于多峰优化Kriging模型与距离相关系数的高速列车动力学参数多输出灵敏度分析

高速列车动力学参数较多,有多个动力学性能的评价指标。综合考虑这些动力学指标进行参数灵敏度分析,对高速列车动力学参数的恰当匹配具有重要意义。现有的单输出灵敏度分析技术难以准确度量参数对车辆动力学综合性能的影响。为避免这一缺陷,本文引入了一种新的基于距离相关系数的多输出灵敏度分析技术。该方法通过求解单个输入与多个输出变量之间的距离相关系数,实现多输出全局灵敏度分析的目的。为提高灵敏度分析的效率,建立了多个动力学指标与输入参数的Kriging模型;为提高近似模型的精度,引入了一种新颖的多峰优化算法对Kriging模型的超参数进行全局寻优。与传统单目标智能优化算法不同,该优化算法通过引入种群差异指标,将单目标优化问题转化为双目标优化问题,从而增加了子代种群的多样性,避免了传统优化算法易于陷入局部最优解的问题。基于所提方法,以和谐号动车组动车为例,研究了多个动力学指标的多输出全局灵敏度。结果表明:由于增强了种群多样性,所提的超参数优化方法对Kriging模型精度和稳定性提升效果明显;基于距离相关系数的灵敏度分析方法能够更加合理地识别出对车辆动力学综合性能影响较大的参数,排除几乎没有影响的参数。

基于小生境基因表达式编程的多模函数优化

为了解决传统基因表达式编程(GEP)无法发现多模函数的所有最优解的问题,将小生境概念引入到基因表达式编程中。分析了传统GEP算法在多模函数优化方面的不足,提出了小生境半径的自适应调整策略AMNR,提出了基于小生境基因表达式编程的多模函数优化算法NGEP-MFO,扩展了传统GEP的应用领域。实验表明,相对于传统GEP,NGEP-MFO能大幅提高发现所有最优解的成功率和判定最优解的准确度。

多模函数优化的改进花朵授粉算法

为了探讨花朵授粉算法(FPA)在解算多模函数优化问题中存在的不足,通过定义种群多样性及差异性指标,定性分析了FPA在多模复杂函数优化中的寻优缺点。基于模拟退火思想优化全局授粉过程,并利用Nelder-Mead单纯形搜索技术对花朵局部授粉进行重构,提出一种新的花朵授粉寻优架构。仿真结果表明,相对于基本的FPA、布谷鸟算法、萤火虫算法,改进花朵授粉算法能够有效避免陷入局部最优,具备优异的全局勘探和局部开采能力,对多模优化问题具有一定优势。

噪声环境下多模态函数优化的遗传算法

针对噪声环境下多模函数的优化,本文理论上分析了噪声对多模函数优化的全局收敛性和收敛精度的影响,并通过全局区域搜索率和全局区域收敛精度分析噪声对算法的影响程度.实验结果和分析表明,增加多模函数寻优难度和噪声强度,遗传算法的全局区域搜索率都在下降,全局区域收敛精度总体变差;重采样的方法能够有效提高算法的全局区域搜索率,总体改善算法的全局区域收敛精度;确定性排挤遗传算法(Deterministic Crowding Genetic A-lgorithm,DCGA)和多种群遗传算法(Mult-i Population Genetic Algorithm,MPGA)的全局区域搜索率和全局区域收敛精度要优于杰出保留遗传算法(Elist Genetic Algorithm,EGA).

动态小生境遗传算法在多模函数优化中的应用

提出一种基于动态小生境技术的自适应遗传算法.算法的进化过程中,通过物种的辨识和保存过程确定小生境的峰值,引入个体趋向于高适应度的方向这一控制参数控制搜索的方向,采用自适应调整种群距离的方法控制搜索的范围,大大提高了搜索效率.仿真试验表明,该算法能够很好地保持解的多样性,同时具有很高的全局寻优能力和收敛速度,适合求解复杂多峰函数优化问题.

基于修正萤火虫算法的多模函数优化

萤火虫优化(glowworm swarm optimization,GSO)算法是一种计算多模函数优化问题的新型算法,该算法和蚁群优化、粒子群优化一样,都是一种群智能算法。针对GSO算法在优化多模函数时收敛速度慢、求解精度不高和发现峰值率低的缺点,首先在算法中采用变步长的运动策略,使得步长随着迭代时间自适应地逐渐减小;其次采用较小的初始决策范围值;最后添加了萤火虫的自探索机制。改进后的学习行为更符合自然界生物的学习规律,更有利于萤火虫发现问题的所有局部最优解。利用标准测试函数对修正后的萤火虫算法进行测试,仿真结果表明,修正的萤火虫算法具有良好的收敛性和计算精度,在寻找多模函数的峰值个数时显示出很大的优势。

一种面向多模函数改进的果蝇优化算法

为将果蝇优化算法有效应用在多模函数优化问题中,设计了一种优化多模函数的果蝇优化算法—基于佳点集和小生境技术的混合果蝇优化算法。首先引入数论中的佳点集概念构造初始种群,使其较均匀地分布在可行域中并且产生的模式多样性比随机分布更好,提高了算法的搜索能力及效率和稳定性;其次用小生境技术改进算法的搜索模式,更好地维持了种群的多样性使种群能快速定位较多的峰;再通过小生境熵来量化群体的多样性并选择进化方向,当小生境熵低于设定的阈值时,结合佳点搜索产生新群体给以扰动,以维持种群的多样性,否则对各个峰进行精细搜索。对七个测试函数分别进行两类仿真,结果表明,该算法不仅能够高效且高精度地找到全局极值而且能够以较高的精度定位到所有全局极值和多个次优极值,显示了较强的多峰搜索能力。

基于搜索偏好知识的复杂多模差分进化算法

针对复杂多模优化问题,提出一种基于搜索偏好知识的差分进化算法PKLSHADE。PKLSHADE将先验搜索偏好知识注入到种群的进化过程,在不同的进化阶段对种群的多样性和集约性区分考虑,进化早期重视差分扰动以增强算法的全局开发能力,进化后期更多围绕当前最优解进行局部精细搜索。同时,基于搜索偏好知识的变异策略能够实现差分进化算法全局开发和局部搜索的自适应平滑过渡,避免两搜索阶段的硬切换。在CEC2017复杂混合多模函数上的实验结果及统计分析表明,PKLSHADE在最优解的精度、算法的稳定性等方面均优于LSHADE、EBLSHADE、jSO及AMECoDEs等近年来的优秀差分进化算法。

多模态粒子群集成神经网络

提出一种基于多模态粒子群算法的神经网络集成方法,在网络训练每个迭代周期内利用改进的快速聚类算法在权值搜索空间上动态地把搜索粒子分为若干类,求得每一类的最优粒子,然后计算最优个体两两之间的输出空间相异度,合并相异度过低的两类粒子,最终形成不但权值空间相异、而且输出空间也相异的若干类粒子,每类粒子负责一个成员网络权值的搜索,其中最优粒子对应于一个成员网络,所有类的最优粒子组成神经网络集成,成员网络的个数是由算法自动确定的.算法控制网络多样性的方法更直接、更有效.与负相关神经网络集成、bagging和boosting方法比较,实验结果表明,此算法较好地提高了神经网络集成的泛化能力.

基于智能优化算法的饮用水污染源定位方法研究综述

近年来,突发性饮用水污染事件频繁发生,严重危害居民生活健康,通过在饮用水供水管网中布置传感器对水质进行监测,能快速识别污染源的位置、质量、发生时间等特征,有利于有关部门采取措施控制污染扩散,饮用水污染源定位研究具有重要的实际意义.随着智能优化算法在工程问题中的广泛应用,运用模拟–优化方法求解污染源定位问题成为当前学者们研究的热门领域.本文首先给出污染源定位问题的模型和据此抽象出的数学模型,并对模拟–优化法求解该问题的一般方法进行了描述.通过对问题的深入分析,归纳出污染源定位问题具有多模性、昂贵性和不确定性,围绕这3个特性,重点综述智能优化算法在饮用水污染源定位问题中的代表性研究成果,最后指出有待于进一步研究的若干方向和内容.

萤火虫优化算法Matlab程序设计

萤火虫优化算法(GSO)是一种计算多模函数多峰值问题的群智能算法,由模拟自然界中萤火虫发光的生物学特征发展而来。在GSO算法中,萤火虫根据自适应的感应决策范围寻找比自身荧光素高的萤火虫,并通过概率选择机制朝其运动,以实现寻优目的。简要阐述GSO算法基本原理,对算法各个参数进行分析说明,利用Matlab软件构建GSO算法在整个寻优过程中的可视化环境,并给出算法源代码。仿真实验首先实现了自适应感应决策范围更新过程,然后通过多模函数仿真示例测试了该方法的有效性,从而实现了利用萤火虫算法解决多模函数多峰值优化问题。

面向云数据中心的多业务差异化流量管理优化策略

为应对运营商云数据中心多业务差异化流量管理要求,提升网络性能和业务体验,构建符合运营商云数据中心运营要求的多业务差异化流量管理模型(MSD),针对MSD模型改进斐波那契树优化(FTO)算法,提出运营商SDN云数据中心流量管理的MSD-FTO策略。实验结果表明,该策略具备良好的全局优化能力和多模自适应特性,通过算法全局局部交替迭代寻优得到多个符合条件的差异化流量管理方案,可解决运营商云数据中心多业务差异化流量管理问题,有效提升云数据中心的网络性能和业务体验。

基于空间学习和情感追踪的多模多目标群搜索算法

为了解决多模态多目标优化问题,寻找与帕累托最优解等效的所有解,通过在基本的群搜索算法中引入社会行为,提出了一种新颖的基于空间学习机制和情感追踪行为的社会群搜索优化算法(MMO;TSGSO)。首先,建立空间学习机制,根据学习到的个体自身位置与最佳个体位置的实时信息,对种群分布状态(离散态、聚合态)进行决策。当种群处于离散态时,采用追随和游走的方式增强算法空间探索能力;随着优化过程的进行,个体彼此影响交互,空间距离逐渐减小,此时种群逐渐聚合,采用动态步长的搜索策略更新个体位置,能实时勘探最优解周围的解,加快算法的收敛速度。其次,引入了情感因子,使一定的个体沿其偏好方向进行情感追踪移动行为,防止算法陷入停滞状态,提高算法求解精度;采用特殊的拥挤距离计算方式和引导进化策略保证算法在决策空间和目标空间的双重多样性。最后,从理论上证明了该算法的收敛性。使用15个多模态多目标优化测试基准函数验证算法的性能,并将其与现有的几个多模多目标优化算法进行性能对比,实验结果验证了本文算法能够有效求解多模多目标优化问题。

基于N阶近邻分析的自适应差分进化算法

针对差分进化算法在求解多模优化问题解可靠性较低的问题,在N阶近邻理论分析及参数整定的基础上,提出一种基于N阶近邻分析的自适应差分进化算法(N--NNADE).N--NNADE算法在缺少先验知识的情况下,通过分析群体个体间的N阶最短近邻计算种群的全局分布,并利用阶跃信息自适应统计获得种群数量;同时采用K--means算法划分种群,进一步引入不同种群间的交叉变异思想以及父子代同种群则替换最差个体的选择策略实现种群间的协同进化.通过获取更多的全局最优解和部分高质量的局优解来提高算法的可靠性.20个优化问题的数值研究结果表明N--NNADE算法具有比DE(differential evolution),DERL(differential evolution algorithm withrandom localizations),ADE(adaptive differential evolution)算法更适合求解复杂的高维多模优化问题.

基于欧氏距离的黑洞寻优算法

为了提高黑洞算法的寻优精度和算法的全局搜索能力,提出了一种基于欧氏距离的改进黑洞寻优算法.通过引入欧氏距离来初始化星体群位置,增强星体群的多样性,提高其全局搜索能力;设定黑洞半径最大值,避免由于黑洞面积过大跳过全局最优解,当有星体被黑洞吸收时,要求新的星体在距离黑洞一定欧氏距离以外的位置产生,提高星体的搜索区域;通过对3个基准测试函数进行寻优测试,并与PSO、ABC、DE、BH优化算法相比,验证了基于欧氏距离的黑洞寻优算法在寻优精度和全局寻优能力方面的优越性.结果表明,该算法不仅能够搜索到参数的全局最优解,而且与其他优化算法相比有一定优势.

一种改进的小生境遗传算法

简单遗传算法(SGA)存在早熟收敛和后期收敛速度慢的弱点,基于小生境(niche)技术的改进遗传算法因其较好地保持了种群多样性,显示出更优的性能,但它存在操作复杂、比简单遗传算法更费时的缺陷,因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性,获取合适的子种群规模,从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠,易于实现。

一种新颖的串行小生境粒子群算法

提出了一种新颖的自适应串行小生境粒子群优化算法(ASNPSO),它使用多个子群能够串行发现多个最优解.在此算法中,使用了山谷函数以决定如何改变当前运行的子群中粒子的适应度函数,算法具有很强的自适应搜索能力.经使用几个标准测试函数证明了ASNPSO算法在没有任何先验知识的情况下能够有效地发现多个最优解.