混合整数优化问题的差分进化算法研究

为求解混合整数优化问题,提出了混合整数差分进化算法(Mixed Integer Differential Evolution,MIDE)。该算法结合整数变量的特点,为整数类型变量设计了专用的变异算子,使整数变量可以在差分进化算法中直接进化;为了维持种群多样性,采用了灾变策略;采用双编码方式,使整数变量与连续变量并行进化,进而提出了混合整数差分进化算法。通过与其它混合整数优化算法的比较,证明该算法具有较好的收敛速度、全局收敛性及算法稳定性等优点。

基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。

基于差分进化算法和遗传算法的混合优化算法及其在阵列天线方向图综合中的应用

阵列天线方向图综合作为智能天线的一项重要技术对于复杂系统的优化问题提出了更高的要求 .本文结合差分进化的基本思想和遗传算法的基因交叉和变异方法构建了一种新的混合优化方法 .该算法使用差分进化算子作为主要优化手段 ,结合遗传算法优胜劣汰的基本思想以及其中的交叉和变异方法 ,通过融合两种优化方法各自的优点 ,可以显著改善多参数、高度非线性问题的优化结果、提高计算效率 .计算机仿真结果表明 ,与现有算法相比 ,该算法用于天线方向图综合具有收敛速度快、优化能力强。

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE.该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由差分操作进化而来.此外,通过采用一种信息分享机制,在算法执行过程中两个种群中的个体可以实现协同进化.为了进一步提高PSODE算法的性能,摆脱陷入局部最优点,还采用了一种变异机制.通过4个标准测试函数的测试并与PSO和DE算法进行比较,证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.

混合差分进化-和声搜索算法在结构工程中的应用

为了增强HS算法跳出局部最优的能力,将差分进化算法(DE)的变异和交叉引入到了HS算法中.这种改进的HS算法被称为混合差分进化-和声搜索(HDEHS),它既具有很强的收敛性,又能有效地防止自身陷入局部最优.实验结果表明,与文献中算法比较,HDEHS算法在解决结构工程优化问题中能够找到更好的解,它是解决结构工程优化问题的一个有效的选择.

基于混合差分进化算法的地球物理线性反演

地球物理反问题线性化处理之后,各种反演算法归结为对病态线性方程组的求解.为了快速准确地计算出地球物理参数,本文提出了一种全新的基于LSQR算法的混合差分进化算法(Hybrid Differential EvolutionAlgorithm,HDE).该算法利用LSQR算法给出DE算法的初始种群,提高DE算法的计算速度和稳定性.在不同噪声水平下,对四种正则化方法Tikhonov、TSVD、LSQR和HDE的反演结果进行详细比较.理论模型和实际数据反演的结果都表明:改进的HDE算法应用于地球物理反问题的求解是成功的:反演结果与原设定模型具有较高的相关性,在稳定性和准确性上较常规的反演算法都具有一定的优势;而且不需要给定正则化参数,具有更强的实用性.

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA)。该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索。在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛。通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点。

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO。引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力。8个单峰和多峰基准函数优化求解的测试结果表明,CODEGWO算法可以有效提升寻优精度和收敛速度。

求解混合整数非线性规划问题的改进差分进化算法

针对混合整数非线性规划问题的特点,在差分进化算法的变异操作中加入取整运算,提出了一种适合于求解各种混合整数非线性规划问题的改进差分进化算法.同时,采用时变交叉概率因子的方法以提高算法的全局搜索能力和收敛速率.用四个典型测试函数进行了实验研究,实验结果表明,改进的差分进化算法用于求解混合整数非线性规划问题时收敛速度快,精度高,鲁棒性强.

一种蛙跳和差分进化混合算法

混洗蛙跳算法(SFLA)具有算法简单、控制参数少、易于实现等优点,但在高维难优化问题中算法容易早熟收敛且求解精度不高。导致该缺陷的主要原因是在进化后期种群多样性迅速下降,且缺乏局部细化搜索能力。借鉴差分进化算法(DE)中DE/best/1/bin版本具有全局搜索能力较强、种群多样性较好的优点,将SFLA与DE有机融合,形成混合优化算法(SFL-DE),以克服SFLA容易早熟收敛的缺陷。给出了6个30维benchmark问题数值对比实验,结果表明,在给定的较小进化代数内,SFL-DE的寻优效率、计算精度、鲁棒性等性能优于SFLA和基本DE(DE/best/1/bin和DE/rand/1/bin),不足之处是其耗时更长。

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法(PSO)和差分进化算法(DE)进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。

差分进化混合粒子群算法求解项目调度问题

针对求解资源受限项目调度问题(RCPSP),提出了基于差分进化(DE)的混合粒子群算法(PSODE)。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。

基于混合变异策略的改进差分进化算法及函数优化

针对差分进化算法DE传统变异策略不能有效平衡全局搜索和局部搜索,并且算子固定,导致算法早收敛、搜索效率较低。基于DE变异策略性能,提出一种混合变异策略,力图平衡算法探索和开发能力,使得前期增强全局搜索,保持种群多样性;后期偏重局部搜索,尽快收敛到全局最优值。同时操作算子采用随机正态缩放因子F和时变交叉概率因子CR,进一步改善算法性能。几个典型Benchmarks测试函数实验表明:该改进型差分进化算法能有效避免早收敛,较好地提高算法的全局收敛能力和搜索效率。

人工萤火虫与差分进化混合优化算法

人工萤火虫优化算法在寻找函数全局最优值时存在着收敛速度慢、易陷入局部最优、收敛成功率和计算精度低等缺点,为此,文中将人工鱼群算法的觅食行为嵌入到人工萤火虫算法,并与差分进化算法融合,提出一种基于人工萤火虫与差分进化的混合优化算法.最后,通过4个典型测试函数和1个应用实例进行测试,结果表明所提出的混合算法收敛速度快,计算精度高,其整体逼近性能比基本人工萤火虫和差分进化算法更优.

基于极值优化的混合差分进化算法

针对标准差分进化算法在求解复杂优化问题时易陷入局部最优的问题,提出了一种基于极值动力学机制的混合差分进化算法。该算法的核心在于,当种群聚集度较高时,利用极值优化算法强大的波动性,通过引入基于种群的极值优化算法来提高种群多样性,从而协助差分进化算法跳出局部最优。仿真实验表明,该混合算法具有较好的全局收敛性,能有效避免早熟收敛。

批量流水线调度问题的混合差分进化算法

针对ET指标的批量流水线调度问题,提出了差分进化调度算法。该算法采用基于实数的编码方式,利用最优目标个体的扰动产生变异个体,通过变异个体与目标个体的交叉产生试验个体,提高了最优目标个体信息共享,并结合模拟退火算法给出了两种混合求解策略。仿真试验表明了所得算法的可行性和高效性。

非线性混合整数规划问题的改进差分进化算法

针对非线性混合整数规划问题,本文采用非固定多段映射罚函数法处理约束条件、用混合整数编码技术处理连续变量和整数变量,并在基本差分进化算法中加入一种新型的凸组合变异算子和一种指数递增交叉算子,由此构造出了一种求解非线性混合整数规划问题的改进差分进化算法。实验表明,所提出的算法全局收敛速度快,精度高,鲁棒性强。

分析抽水试验数据的单纯形差分进化混合算法

分别以无限含水层和有直线隔水边界含水层情况下的解析解为基础,应用提出的单纯形差分进化混合优化算法求解分析2种条件下的抽水试验数据,确定含水层参数的函数优化问题。将具有全局搜索能力强、原理简单、受控参数少、而局部搜索能力弱等特点的差分进化算法与具有局部搜索能力强、运算速度快、而对参数初值的选取依赖性较强和易于陷入局部极值等特点的单纯形优化算法进行结合,构成了一种混合优化算法,即单纯形差分混合优化算法。这种混合算法同时具有确定性运算和随机性搜索所具有的共同优点,能够较好地平衡全局搜索能力和局部搜索能力。数值实验结果表明,单纯形差分混合优化算法能够有效地应用于分析抽水试验数据,识别含水层参数;与其他方法相比较,其具有运算速度快、效率高和计算结果精度高等优点。