双向随机多策略变异的自适应差分进化算法

针对差分进化算法中局部搜索和全局搜索之间的均衡难题,设计了一个基于符号函数的多策略变异算子,进而提出一种改进的自适应差分进化算法。新算法为提高跳出局部最优和搜索到全局最优解的可能性,用正负随机数代替了原有的变异率F,实现了两个方向上的随机搜索。同时为进一步简化参数选择过程,提高算法的寻优性能和通用性,新算法还设计了交叉率CR的两区间选择策略,在进化过程中通过学习以往的成功经验,实现自适应调整。对比实验结果表明,该算法具有更快的精确寻优和跳出局部最优的能力。

基于分解和多策略变异的多目标差分进化算法

差分进化是一种有效的优化技术,已成功应用于多目标优化问题,但也存在Pareto最优集合的收敛慢和多样性差等问题。针对上述不足,提出了一种基于分解和多策略变异的多目标差分进化算法(MODE/DMSM)。该算法利用基于分解的方法将多目标优化问题分解为多个单目标优化问题;通过高效的非支配排序方法选择具有良好收敛性和多样性的解来指导差分进化过程;采用了多策略变异方法来平衡进化过程中的收敛性和多样性。在ZDT和DTLZ的10个测试函数上的仿真结果表明,所提算法在Parato最优集合的收敛性和多样性方面优于其他六种代表性多目标优化算法。

基于多策略离散差分进化的移动互联网个性化服务组合

移动互联网技术的普及使人们不再满足于单一功能的服务,而更倾向于按需定制的个性化服务或服务组合。提出了一种应用于Web服务组合的多策略离散差分进化(multi-strategy discrete differential evolution,MDDE)算法。该算法采用随机选择框架,调用具有不同特性的变异策略,是一种搜索能力和收敛速度均衡的离散差分进化算法。实验结果表明,MDDE算法在求解Web服务组合优化问题中比原始DE算法的收敛精度更高,稳定性更好。

多策略协方差矩阵学习差分进化算法

针对差分进化算法(DE)存在的早熟收敛和搜索停滞的问题,提出了多策略协方差矩阵学习的差分进化算法。通过协方差矩阵建立特征坐标系,通过在特征坐标系中执行变异和交叉操作,来充分利用当前种群的分布信息以及各变量之间的关系,保证种群能朝着全局最优解的方向进化;根据历史进化信息来选择变异策略的方式使得个体能选择当前最合适的变异策略,提高找到最优解的概率;交叉概率的自适应也一定程度上平衡算法的全局探索能力和局部探索能力。对算法的收敛性进行了证明,同时将算法在CEC2017测试集上进行了仿真实验,并将实验结果跟其他优秀的差分进化算法进行了对比,对比结果表明了该算法的有效性。

云计算中基于差分进化算法的任务调度研究

如何充分利用云中资源对任务进行高效调度,是云计算中的重要问题。提出一种基于差分进化的多策略变异差分进化任务调度算法。该算法在标准差分进化算法的基础上加入了基于正态分布的分类和多种变异策略,变异策略中差异向量个体采用基于个体相似度的轮盘赌选择,改善了标准差分算法收敛速度慢和易陷入局部最优的缺点,可有效求解组合优化问题。在仿真平台CloudSim上进行模拟测试,结果表明该算法能得到较短的任务总完成时间,提高了资源利用率。