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。

基于多种群牵引差分进化算法的含分布式电源配电网规划

结合分布式能源与电动汽车充电站接入配电网的大背景,提出了一种基于多种群牵引差分进化算法的含分布式电源与电动汽车充电站的配电网规划方法。首先,充分考虑了分布式光伏与负荷出力时序上的匹配性,利用聚类分析确定规划场景,使规划结果更具准确性。接着,从配电网的投资成本、运行成本、性能指标综合最小为出发点,考虑潮流约束与分布式电源约束,构建了配电网规划模型。然后,为提高收敛速度及规划结果准确性,采用多种群牵引差分进化算法对规划模型进行求解。最后,针对山东省潍坊市某实际工业园区,通过传统差分进化算法、粒子群算法与多种群牵引差分进化算法分别求解并进行对比分析,验证了所提规划方法的有效性。

基于种群自适应调整的多目标差分进化算法

为提高已有多目标进化算法在求解复杂多目标优化问题上的收敛性和解集分布性,提出一种基于种群自适应调整的多目标差分进化算法。该算法设计一个种群扩增策略,它在决策空间生成一些新个体帮助搜索更优的非支配解;设计了一个种群收缩策略,它依据对非支配解集的贡献程度淘汰较差的个体以减少计算负荷,并预留一些空间给新的带有种群多样性的扰动个体;引入精英学习策略,防止算法陷入局部收敛。通过典型的多目标优化函数对算法进行测试验证,结果表明所提算法相对于其他算法具有明显的优势,其性能优越,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,尤其适合于高维复杂多目标优化问题的求解。

双种群差分进化规划算法

标准差分进化算法(SDE)具有算法简单,控制参数少,易于实现等优点。但在难优化问题中,算法存在收敛速度较慢和容易早熟等缺陷。为克服此缺点,提出一种改进算法——双种群差分进化规划算法(BGDEP)。该算法将种群划分为两个子群独立进化,分别采用DE/rand/1/bin和DE/best/2/bin版本生成变异个体。每隔δt(取5～10)代,将两个子群合并为一个种群,再应用混沌重组算子将之划分为两个子群,以实现子群间的信息交流。在双种群协同差分进化的同时,应用非均匀变异算子对其最优个体执行进化规划操作,使得算法具有较快的收敛速度和较强的全局寻优能力。为测试BGDEP的性能,给出了4个30维benchmark函数优化问题的对比数值实验。结果表明,BGDEP的求解精度、收敛速度、鲁棒性等性能优于SDE、双种群差分进化(BGDE)和非均匀变异进化规划(NUMEP)等4种算法。

基于精英区域学习的多种群自适应的差分进化算法

为了进一步提高差分进化算法的收敛速度、算法精度和稳定性,采用多种群技术来增加算法收敛速度和降低复杂度;利用精英区域学习策略来对算法的全局搜索能力和算法精度进一步提升,引进自适应免疫搜索策略,以实现自适应修正差分算法的变异因子和交叉因子。通过五个测试函数,把本文算法与最新文献中的算法进行对比,表明算法在收敛速度、精度和高维问题寻优能力方面的优越性。

基于改进种群多样度的差分进化算法

针对差分进化算法进化后期易出现早熟收敛而陷入局部最优的缺陷,提出了一种基于改进种群多样度的差分进化算法。对进化算法种群多样度进行了研究,经过数学推导,证明了种群多样度与算法全局寻优性能的关系,提出了一种随机变异策略,更好地保持了寻优过程中种群的多样性,增强算法的全局搜索能力。典型测试函数实验表明,改进后的差分进化算法相对于标准差分进化算法具有更好的种群多样性和抑制早熟收敛的能力。

基于多种群改进差分进化算法的环境/经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。

基于多代种群进化信息改进的差分进化算法研究

差分进化算法是进化算法中一种性能较为优良的全局数值优化算法,已在人工智能、信号处理等方面取得广泛应用,但当前研究往往仅考虑进化过程中某一代种群的分布信息,而忽略进化过程中多代种群累积的分布信息,造成信息利用不充分。借助自适应协方差矩阵进化策略的思想,充分利用进化过程中累积的种群分布信息,同时,由于自适应协方差矩阵存在收敛早熟、易陷入局部最优的缺点,先后对变异和交叉操作进行相应改进,以平衡算法的全局搜索能力和局部搜索能力。首先,根据种群中个体适应度值进行排序,由余弦函数改进的概率模型计算个体参与变异操作的概率,基向量和差分向量中末端向量根据概率值降序选择,差分向量中起始向量升序选择,从而提高种群的搜索范围;然后,对协方差矩阵进行特征分解,并在由特征向量构建的坐标系中执行交叉操作,该种方式生成的实验向量更接近全局最优解。针对上述改进操作,采用IEEE CEC2014作为评估函数,实验结果表明,相比现有的差分进化改进算法,本改进算法的实验性能提升更为明显。

基于并行小种群差分进化算法的水火电力系统短期优化调度

为解决水火电力系统短期发电优化调度中存在的问题,提出基于MPI平台的并行小种群差分进化算法。该算法将进化种群分为若干个小种群(单个种群规模为3~10个),每个进化种群由不同的CPU进程独立执行差分进化算法,并在种群间引入集合、分散操作以协调各小种群的寻优过程;为降低小种群初始化和进化过程中多样性的损失,引入正交化初始化方法和种群重构技术;最后以典型案例验证了算法的有效性。结果表明,该方法在求解精度、收敛速度和求解耗时上均较有竞争力。

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法(EIDE)。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。

基于种群多样性的可变种群缩减差分进化算法

为了更有效地避免早熟收敛,提高算法的全局搜索能力,提出了基于种群多样性的可变种群缩减差分进化算法(Dapr-DE)。首先,Dapr-DE使用群体多样性指标控制种群规模缩减;然后,使用聚类将种群分为不同类簇,在类簇中根据适应度值删除个体,既维持了种群的多样性,又减少了由于存在过多相似个体而导致的局部收敛。最后在CEC14测试集的30个函数优化问题上进行了实验比较,验证了所提算法的有效性。

基于双种群两阶段变异策略的差分进化算法

针对差分进化算法差分策略优化问题上的不足,解决DE/best/1策略全局探测能力差, DE/rand/1局部搜索能力弱而带来的鲁棒性降低及陷入局部最优等问题,本文在差分策略上进行改进,并且加入邻域分治思想提高进化效率,提出一种基于双种群两阶段变异策略的差分进化算法(TPSDE).第一个阶段利用DE/best/1的优势对邻域向量划分完成的子种群区域进行局部优化,第二个阶段借鉴DE/rand/1的思想实现全局优化,最终两阶段向量加权得到最终变异个体使得算法避免了过早收敛和搜索停滞等问题的出现. 6个测试函数的仿真实验结果表明TPSDE在收敛速度、优化精度和鲁棒性方面都得到了明显改善.

基于双种群差分进化算法的输电网规划

提出双种群结构的差分进化算法,子种群通过个体迁移实现信息共享,达到平衡算法探索与开发能力的目的。将所提双种群差分进化算法用于输电网规划的结果显示,该算法能够快速精确搜索到输电网规划全局的最优解和最优方案。

基于粒子群和差分进化算法的含分布式电源配电网故障区段定位

配电网中引入分布式电源将导致传统的故障区段定位方法不再适用。通过构建新的开关函数,提出了基于二进制混合算法的配电网故障区段定位方法。该方法可动态适应分布式电源的投切,在进行多重故障定位时只需确定一次正方向,利用双种群进化策略和信息交换机制实现了粒子群和差分进化算法的混合。算例分析结果表明该方法能够对含分布式电源的配电网中的单一和多重故障进行准确定位,并且具有一定的容错性和高效性。

一种双种群差分蜂群算法

人工蜂群算法(ABC)是一种基于蜜蜂群智能搜索行为的随机优化算法.为了有效改善人工蜂群算法的性能,结合差分进化算法,提出一种新的双种群差分蜂群算法(BDABC).该算法首先通过基于反向学习的策略初始化种群,使得初始化的个体尽可能均匀分布在搜索空间,然后将种群中的个体随机分成两组,每组采用不同的优化策略同时进行寻优,并通过在两群体之间引入交互学习的思想,来提高算法的收敛速度.基于6个标准测试函数的仿真实验表明,BDABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高.

4-PRUR并联机构及其位置分析的差分进化算法

给出1移动3转动(1T3R)对称4-DOF空间4-PRUR并联机构的几何模型,应用螺旋理论分析机构实现1T3R的原理,并讨论输入选取的合理性。根据杆长约束条件,建立机构位置分析的非线性方程组。为改进差分进化算法(Differential evolution,DE)的寻优效率,提出一种基于混沌迁移、最优个体加权处理和群体逃逸策略的自适应双种群差分进化算法(Adaptive differential evolution algorithm with double subpopulations,ADEDS)。将机构位置分析中非线性方程组的求解转化为无约束优化模型,并应用ADEDS求解该问题。数值实例表明,ADEDS能求出并联机构的多组高精度位置正解,并通过位置反解验证位置正解的正确性。

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE)。该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性。同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解。仿真结果表明:在电流效率为92%时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-II的直流功耗降低了1.45%,比传统DE的直流功耗降低了1.75%。表明本文改进算法有效地提高了传统进化算法的性能。

基于双种群的多目标差分进化算法

针对约束多目标优化问题,为了提高约束多目标优化算法的收敛性和分布均匀性,本文提出一种基于双种群的多目标差分进化算法。该算法引进一种约束处理策略对非可行解进行处理的同时,也对可行解的目标函数值进行归一化处理,从而将种群所有个体目标函数向量进行修正,且新算法采用的双种群结构、基于部分计算拥挤距离的种群同步更新方式,对不同子种群采用不同变异策略,并运用变动的高斯分布对参数进行调整,最后采用一种类算术交叉操作加强扰动。为了验证算法的性能,本文选取了四个经典的约束多目标测试函数进行仿真实验,从收敛性与分布性上分析所提算法的有效性。

解决移动计算位置管理问题的差分进化算法

提出了一种解决位置管理问题的差分进化算法,给出了一种将采用浮点编码的种群个体映射为问题解的方法、基于问题特性的种群初始化启发式方法,以及早熟收敛问题的解决策略。基于随机生成的数据对算法进行了模拟实验,将该算法的结果与遗传算法、禁忌搜索算法及蚁群算法进行了对比。

一种求解带时间窗车辆路径问题的混合差分进化算法

对带时间窗的车辆路径问题进行研究,建立以最小化车辆数量和行驶路程为目标的多目标数学模型,提出一种结合改进差分进化算法和变邻域下降搜索的基于Pareto支配的混合差分进化算法。首先重新定义了个体的生成方式。其次,结合双种群策略和变邻域下降搜索技术来平衡算法的全局探索能力和局部开发能力,并在搜索过程中用随机个体替代种群中的重复个体,维持种群的多样性。然后引入Pareto支配的概念来评价个体的优劣性,并采用擂台法则构造非支配解集。最后对18个不同规模的Solomon算例的求解结果表明,算法在行驶路程和车辆数量上的求解质量比人工蜂群算法分别平均提高了2.04%和14.95%,且与已知最优解相比,在车辆数量的求解质量上平均提高了14.53%,验证了所提算法的有效性。