算法演化的形式归约及其性质(英文)

使用归纳过程说明算法的演化 ,建立了一阶语言语句集和算法的关系 ,并提出了启发式的归纳规则 .还提出了算法分析的概率式研究方法 .这种方法为有效算法的设计和自动算法设计提供了工具 .

改进的差分演化算法及其在资金决策中的应用

针对传统的基本差分演化算法存在对参数设置太过于敏感,算法容易陷入早熟收敛、稳定性不强等等缺陷,提出了改进措施,采取了对称算法来保持种群多样性,通过变异个体,对称个体,个体三者进行有效竞争,增强算法的全局搜索能力;同时采用了轮盘赌的选择策略和二次变异算子保证种群个体的有效性与多样性,增加算法的全局稳定性.文中的算法应用于求解资金决策分配问题上,通过模拟仿真,该算法在稳定性、收敛速度、求解的精度方面优于其他被比较的算法.

演化算法的DQN网络参数优化方法

为了解决DQN(Deep Q Network)在早期会出现盲目搜索、勘探利用不均并导致整个算法收敛过慢的问题,从探索前期有利于算法训练的有效信息获取与利用的角度出发,以差分演化(Differential Evolution)算法为例,提出了一种基于演化算法优化DQN网络参数以加快其收敛速度的方法(DE-DQN)。首先,将DQN的网络参数编码为演化个体;其次,分别采用“运行步长”和“平均回报”两种适应度函数评价方式;利用CartPole控制问题进行仿真对比,验证了两种评价方式的有效性。最后,实验结果表明,在智能体训练5 000代时所提出的改进算法,以“运行步长”为适应度函数时,在运行步长、平均回报和累计回报上分别提高了82.7%,18.1%和25.1%,并优于改进DQN算法;以“平均回报”为适应度函数时,在运行步长、平均回报和累计回报上分别提高了74.9%,18.5%和13.3%并优于改进DQN算法。这说明了DE-DQN算法相较于传统的DQN及其改进算法前期能获得更多有用信息,加快收敛速度。

近似图引导的演化贝叶斯网络结构学习算法

贝叶斯网络结构学习是贝叶斯网络推理及应用的基础.搜索高质量的节点序是贝叶斯网络结构学习的一类重要方法.针对在节点序空间中,搜索高质量节点序存在的难以高效、准确评估解的问题,本文提出了一种近似图引导的演化贝叶斯网络结构学习算法.首先,该算法利用互信息构建无向近似图;其次,该算法通过结合节点序和无向近似图构造有向图结构,将其贝叶斯信息准则评分作为节点序的适应度来高效评估节点序,并在演化优化的框架下,使用提出的基于Kendall Tau Distance的交叉算子和基于逆度的变异算子搜索最优节点序;最后,将搜索到的最优节点序输入K2算法得到其对应的贝叶斯网络结构.在4种不同规模网络上的实验结果表明,该算法在收敛时间和准确度之间取得了较好的平衡,其评分相较于对比算法中的次优解分别提升了10.91%、12.28%、53.96%、10.87%.

一种基于差异演化算法求解折扣{0-1}背包问题的应用研究

折扣{0-1}背包问题(Discounted(0-1)Knapsack Problem,D{0-1}KP)是一个经典的组合优化问题。将差异演化算法中实数编码映射为整数编码,进一步完善约束条件,求得D{0-1}KP最优解,并使用动态规划算法对改进算法进行验证,验证结果表明,改进后的差异演化算法能够用于求解数据规模大的D{0-1}KP,并能够得到适应度最高的最优个体,即最优解。在验证之后对差异演化算法中两个重要参数进行测试取值,得出使用差异演化算法求解D{0-1}KP收敛速度快、稳定性好的参数取值范围。

一种基于协同演化的自适应约束多目标进化算法

约束多目标优化(CMOP)问题的求解旨在将有限的搜索资源合理地配置到约束条件的满足与目标函数的优化2个方面,但问题约束的日趋复杂给求解算法带来了巨大挑战。提出一种基于协同演化的自适应约束多目标进化算法,该算法同时进化2个功能互补的种群(主种群和存档种群),使算法在求解复杂约束问题时能够实现约束处理与目标优化之间的良好平衡。首先,主种群进行双重繁殖,首次繁殖过程通过动态适应度分配函数自适应地利用不可行解所携带的有价值信息,使种群在进化前期强调对目标函数的优化,后期强调可行性,二次繁殖则与存档种群进行合作,以提高种群收敛性并维护多样性。然后,提出一种基于角度的选择方案更新存档种群,在保证种群良好多样性的同时保持种群向Pareto前沿的搜索压力。最后,与5种先进的约束多目标进化算法在33个基准问题上进行对比实验,结果表明,所提出的算法在解决各类CMOP问题时与对比算法相比更具优势,其效率平均提高了约67%。

基于微分演化算法的抗滑桩优化模型

抗滑桩是滑坡灾害治理的有效手段,但目前工程领域的抗滑桩设计仍采用以试算为基础的方案型设计理念,设计效率与精度仍有提升空间。本文将群集智能算法引入到抗滑桩设计中,对抗滑桩设计中的设计变量、约束函数、目标函数进行合理选取,建立了抗滑桩优化设计的数学模型,并在此基础上通过微分演化算法来实现设计方案的全局寻优,最终建立了基于微分演化算法的抗滑桩优化模型。最后以延安市某滑坡治理工程为例,通过编制的优化计算软件,以交互式界面操作的形式,实现了最优化方案设计。通过工程实例比较验证了本文所提出方法的计算精度,说明本文所提出的方法在工程应用上的有效性及其巨大潜力。本文所提出的方法在抗滑桩设计领域具有很好的理论研究及工程应用价值,也能为其他地质灾害防治治理方法实践应用和理论创新方面提供合理参考。

一种改进的求解TSP问题的演化算法

演化算法是解决组合优化问题的高效搜索算法.该文在现有求解TSP问题的演化算法的基础上,通过引入映射算子、优化算子以及增加一些控制策略,提出了一种高效的演化搜索算法.实验表明,该算法是有效的,通过对CHN144以及国际通用的TSPLIB中不同城市规模的数据进行测试表明,其中实例CHN144得到的最短路径为30353.860997,优于吴斌等运用分段算法得到的最短路径30354.3,亦优于朱文兴等人的结果,实例st70和kroB150得到的最短路径分别与运用分段算法得到的最短路径值相同,实例pr136得到的最短路径值为96770.924122,优于TSPLIB中提供的最短路径96772,对于其它实例也均能快速地得到和TSPLIB中提供的最优路径相同或更优的路径,该算法不仅很容易收敛到问题的最优解,而且求解速度极快.

Pareto强度值演化算法求解约束优化问题

提出了一种求解约束函数优化问题的方法.它不使用传统的惩罚函数,也不区分可行解和不可行解.新的演化算法将约束优化问题转换成两个目标优化问题,其中一个为原问题的目标函数,另一个为违反约束条件的程度函数.利用多目标优化问题中的Pareto优于关系,定义个体Pareto强度值指标以便对个体进行排序选优,根据Pareto强度值排序和最小代数代沟模型设计出新的实数编码遗传算法.对常见测试函数的数值实验证实了新方法的有效性、通用性和稳健性,其性能优于现有的一些演化算法.特别是对于一些既有等式约束又有不等式约束的复杂非线性规划问题,该算法获得了更高精度的解.

基于演化算法的水果图像分割

为了满足水果采摘机器人对图像分割算法实时性和自适应性的要求,在传统演化算法的基础上,提出了一种基于蜂王交配结合精英选择、截断选择分阶段的改进演化算法对水果图像进行分割。在设计选择策略时,将迭代过程划分为前中后3个阶段,分别采用蜂王交配算法、精英选择策略和截断选择策略来进行适应值的选择,这样既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。试验结果表明,该文提出的水果图像演化分割算法无论从稳定性、分割效果,还是全局最优收敛速度上,都明显优于传统演化算法,分割的阈值稳定在3个像素之内;与Otsu算法、贝叶斯分类算法、K均值聚类算法、模糊C均值算法等其他算法相比,水果图像演化分割算法分割效果最好,对同一幅图像进行分割得到的分割识别面积参考值最大,而且运行速度最快,平均运行时间为0.08735 s,远少于其余4种算法;并能用于柑橘、荔枝、苹果等各种水果的图像分割,具有一定的通用性,达到水果采摘机器人视觉实时识别的要求,为水果图像分割及其实时获取提供了一种新的基础算法。

多目标演化算法的收敛性研究

基于群体搜索的演化算法求解多目标优化问题有独特的优势 ,多目标演化算法已有的研究大多为算法的设计和数值试验效果的比较 ,理论研究往往被忽视 .该文讨论了多目标演化算法的收敛性问题 ,针对一种网格化的简单易于实现的多目标演化算法模型定义了多目标演化算法强收敛和弱收敛等概念 ,给出了判断算法收敛性的一般性条件 ;在变异算子为高斯变异、目标函数连续的条件下 ,证明了提出的算法强收敛 .数值实验验证了算法的可行性和有效性 .

基于混合微分演化算法的配电网架结构智能规划

应用地理信息系统(GIS)和改进的微分演化(DE)算法组成混合微分演化(GDE)算法来进行配电网架结构的智能规划。该算法首先利用配电网络的地理特征,分阶段过滤明显不适合的线路,得到初步规划网络,随后利用DE算法收敛快速、鲁棒性强的特点,将其应用到优化计算中。为避免早熟,对传统DE算法进行了改进,利用解群转移策略在给定的条件下对解群进行分散处理,以跳出局部最优点,得到全局最优解。并给出了某省会城市的城区高压配电网规划算例。

差异演化算法的数值模拟研究

差异演化作为一种较新的演化算法,具有较强的寻优能力,但其优化性能受差异演化模式类型及演化控制参数取值的影响非常大。通过一组测试函数的数值模拟研究,给出了演化模式合理选取及演化参数(包括种群大小、交叉概率及缩放因子)合适取值的方法,解决了差异演化算法在应用时面临的一系列问题。此外,还基于演化能力较强的差异演化模式DE/rand/1/exp,提出了一种新的演化模式DE/rand2/1/exp,进一步提高了差异演化效率。

基于模拟差分演化算法的梯级水库优化调度图研究

差分演化算法是一种收敛快、控制参数少并且易于实现的演化算法。本文将模拟技术与差分演化算法相结合,提出了基于模拟差分演化算法制定梯级水库优化调度图的方法。通过实际算例验证了该方法的合理性与可靠性,从而为高维梯级水库优化调度图的制定提供了一条新的思路。

多QoS约束网格作业调度问题的多目标演化算法

针对网格计算中的多QoS约束网格作业调度问题,以独立作业为研究对象,将其规约为多目标组合最优化问题.通过深入剖析多目标最优化理论及其演化算法,结合网格作业调度自然特征,提出了一种解决多QoS约束网格作业调度问题的多目标演化算法.该算法求解多个QoS维度效用函数指标的非劣解集,尝试解决多管理域间网格用户、资源管理者等网格实体的多目标协同问题.仿真结果表明,在时间维度、可靠性维度、安全性维度QoS效用值等用户级QoS指标,以及丢弃作业数等系统级指标方面该算法与QoS-Min-min和QoS-Sufferage等同类算法相比具有较好的综合性能.

基于整数规划与演化优化混合的护士排班问题求解算法

护士排班问题(nurse rostering problem,NRP)是多约束条件下的NP难优化问题,目前大多数算法难以在计算时间和求解质量之间达到较好的平衡。针对此难题,提出一种基于整数规划(integer programming,IP)与演化优化(evolutionary optimization algorithm,EA)混合的一种算法机制,分两步对护士排班问题进行求解。第一步采用IP算法求解简化后的NRP,得到一个高质量的初始解;第二步则在初始解的基础上采用演化算法进一步优化而得到更优的结果。实验结果表明,以中国式护士排班问题为例,对比IP+VNS(variable neighborhood search)和hybrid EA等四类主流算法,IP+EA混合算法能求得更高质量的解。因此,在此类NP难问题的求解上,IP+EA混合算法比其他四类算法具有更明显的优势和效果。

多目标优化的演化算法

近年来 ,多目标优化问题求解已成为演化计算的一个重要研究方向 ,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点 .多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域 .该文在比较与分析多目标优化的演化算法发展的历史基础上 ,介绍基于Pareto最优概念的多目标演化算法中的一些主要技术与理论结果 ,并具体以多目标遗传算法为代表 ,详细介绍了基于偏好的个体排序、适应值赋值以及共享函数与小生境等技术 .此外 。

改进的差分演化算法及其在函数优化中的应用

提出了一种改进的差分演化算法,该算法记录下了差分演化算法在对每个个体进行变异操作时的差向量,然后以被变异的个体作为邻域的中心,以所记录的差向量作为邻域的半径,再在这个邻域内进行一次挖掘式的搜索。这一改进增强了原差分演化算法的局部搜索能力。典型多峰函数优化的仿真结果表明,改进后的算法具有比原差分演化算法更快的收敛速度,同时新算法也保持了原差分演化算法良好的全局搜索能力。

一个通用的混合非线性规划问题的演化算法

提出了一种新的求解非线性规划问题的演化算法 .它是在郭涛算法的基础上提出来的 ,新算法的主要特点是引入了变维子空间 ,加入了子空间搜索过程和规范化约束条件以及增加了处理带等式约束的实数规划、整数规划、0 - 1规划和混合整数规划问题的功能 ,使之成为一种求解非线性规划 (NL P)问题的通用算法 .数值实验表明 ,新算法不仅是一种通用的算法 ,而且与已有算法的计算结果相比 ,其解的精确度也最好 .

一种新的多目标演化算法——稳态淘汰演化算法

提出一种新的多目标演化算法 :稳态淘汰演化算法 (SteadyEliminationEvolutionaryAlgorithm ) .该算法利用稳态淘汰策略 ,能够在不需要额外计算量和存储空间的情况下 ,自发地保存精英个体 (elitist) .