基于精英协同的多种群分布估计算法

针对传统分布估计算法局部搜索能力弱,易陷入早熟收敛的问题,在分布估计算法的基础上引入精英策略并采用划分子种群独立进化的方式,提出一种基于精英协同的多种群分布估计算法。该算法混合了两种后代产生的策略:一种是进化过程采用精英协同操作用于进行局部搜索并开辟出新的搜索空间,另一种是采用划分子种群独立进化方式保证种群间个体的多样性。基准测试函数实验结果表明,该算法在收敛性和多样性方面均表现出明显优势。

基于量子云模型反馈的协同精英属性均衡优势集成约简

为进一步增强进化算法在最小属性约简过程中的全局求解性能,提出了一种基于量子云模型反馈的协同精英属性均衡优势集成约简算法,该算法首先设计一种基于云模型反馈的量子自适应旋转角调整策略,使量子蛙群精英在云模型定性知识和罚因子反馈指导下自适应控制属性搜索空间范围;然后构建一种有限理性区域下协同精英均衡优势属性分解框架,在动态精英演化区域内使参与属性约简的量子蛙群精英在平均权重裕度下协同化达到Nash均衡优势区域;最后量子蛙群精英采用集成化操作机制在各自均衡优势区域内协同提取属性约简子集,从而稳定取得全局最优约简特征集。实验结果表明本算法求解全局最优属性约简集效率、精度和稳定性等具有明显优势,应用到孕龄新生儿脑MRIs电子病历分割,进一步表明该算法具有较强的应用性能。

基于协同进化云的属性集成多代理约简算法（英文）

为提高属性约简算法处理含噪音和不确定大数据的性能,提出了一种基于协同进化云的属性集成多代理约简算法(CCAEMR).该算法首先基于MapReduce机制设计协同进化云框架,将整个种群分解成多个具有自适应规模的协同进化子种群,通过子种群的共享奖酬来加速属性约简实现.然后,构造了一种协同精英优化的多代理集成策略,确保划分的子种群能够充分探索交叠属性子集之间的相关性和相互依赖性,且具有较强的抗噪音性能,这些代理能保持在稳定的精英地区且取得了最佳收益.实验结果表明:所提出的CCAEMR算法在解决大规模和不确定复杂噪音数据的属性约简时具有更好的效率和适用性.

多策略融合改进的自适应被囊群算法

针对被囊群算法全局搜索不充分和易陷入局部极值等问题,提出一种多策略融合改进的自适应被囊群算法(MITSA)。首先,在种群初始化中引入佳点集理论提升种群多样性;其次,提出一种多精英协同引导机制优化被囊个体位置信息,增大对未知搜索区域的勘探可能性以增强算法全局探索能力;然后将自适应权重因子引入群体行为阶段,动态平衡算法的全局与局部搜索性能;接着,为增强算法的抗停滞能力,采用依概率小波变异策略实现个体动态微调,同时利用贪婪原则保留优异信息助推种群向食物源靠近;最后基于Markov链理论对改进算法的全局收敛性进行分析论证。通过对基准测试函数和CEC2014复杂函数进行数值仿真,实验结果与Wilcoxon秩和检验结果综合验证了MITSA具有优越的收敛精度、稳健的鲁棒性和高维可拓展性。

基于并行混沌和SFLA的风电电网无功优化模型设计

针对已有方法在解决电网无功优化时,由于系统的无功不足和电网电压的不稳定,容易过早收敛到局部最优解的缺点,设计了一种基于并行混沌和混合蛙跳算法(Shuffle Frog Leaping Algorithm,SFLA)的电网无功优化模型;首先,建立了最小化有功网损、最大化静态电压稳定裕度和最大化无功补偿单位投资收益的多目标数学优化模型,然后,对经典的SFLA进行改进,通过引入精英协同进化机制和划分种群的方式实现并行寻优,从而增加个体的多样性和加快最优解的求取速度,在不同种群中设计不同的适应度函数和个体更新进化方法;为了使得算法的初始解分布更为均匀,引入用混沌机制来对种群进行初始化,最后,对基于并行混沌和SFLA的总体算法进行了设计和分析;在Matlab环境下进行实验,实验结果表明文中方法得到的优化结果具有电网有功损耗小、单位投资收益高和静态电压稳定裕度大的优点,具有较强的可行性和适应性。