基于择优学习策略的差分进化算法

传统的差分进化算法在个体变异方面只是利用了随机个体和最优个体的信息.由于选用个体的随机性,导致其搜索效率比较低并且有可能找不到最优解,为此,提出了基于择优学习策略的差分进化算法.该算法选择性地利用种群中比较优秀的个体的信息,克服种群进化过程中的盲目性,增强了搜索能力.通过对多个具有不同特性的标准测试函数进行测试研究,结果表明该方法可以明显减少迭代次数,提高计算效率.

择优学习多个体差分算法求解约束优化问题

提出一种择优学习的多个体差分算法用于求解约束优化问题,目的是用来提高差分算法的搜索能力。首先,将择优学习策略应用到混合变异算子中,使其快速搜索到可行解区域,然后使用克隆策略加大对最优解区域的搜索力度,增强局部搜索能力。通过对CEC2006经典Benchmark函数测试,实验结果表明本算法在求解效率和精度上都取得了较好的结果。

基于知识图谱的择优分段迭代式实体对齐方法研究

知识图谱的实体对齐问题是知识融合中的关键问题,已成为近年来的研究热点。笔者引入双向对偶关系图神经网络(RDGCN)模型对课程迭代式实体对齐模型进行改进,并设计一个择优选择迭代模型。首先,对每次的迭代结果进行分析汇总,并使用扩展性的候选置信对方法;其次,在迭代式训练中,按度数比重进行训练;最后,在初步实体对齐训练的结果上重新排序,使用POINTSEBERT模型优化实体对齐效果。实验表明,该模型方法具有一定的改进效果。

基于自适应差分进化的常压塔轻质油产量多目标优化

常压塔轻质油产量最大化是提高企业效益的重要途径之一.为了适应市场需求和价格变化,生产高需求与高价值的轻质油产品,提出一种基于自适应差分进化的常压塔轻质油产量多目标优化算法.该算法采用惩罚边界交叉法的分解方法,在种群变异阶段引入择优学习算子来改进传统变异算子随机选取个体或者单纯选取最好个体的随机性和盲目性,利用自适应策略逐渐改变交叉变异算子.将改进算法应用于3种测试函数和实际炼油厂常压塔轻质油产量优化,结果表明所提出的算法在测试函数上具有明显优势,并能有效提高常压塔轻质油产量,验证了所提算法的有效性.