一种自适应调整权重向量的多目标进化算法

基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)作为一种重要的多目标优化方法,已经成功地应用于解决各种多目标优化问题。然而,MOEA/D算法在解决具有高维目标和复杂帕累托前沿(Pareto frontier,PF)的问题时,容易陷入局部最优并难以获得可行解。本文提出一种改进的MOEA/D算法,包括3个优化策略:首先,使用拉丁超立方抽样方法代替随机方法初始化种群,得到分布均匀的初始种群,同时对权重向量关联解的策略进行优化;其次,提出一种稀疏度函数,用于计算种群中个体的稀疏度并维护外部种群;最后,提出了自适应调整权向量的方法,用于引导种群收敛到帕累托前沿,并且有效平衡种群的多样性和收敛性。将提出算法和4种对比算法在DTLZ和WFG系列问题以及多目标旅行商问题(multi-objective travel salesman problem,MOTSP)上进行对比实验,实验结果表明本文提出自适应调整权重向量的多目标进化(MOEA/D with cosine similarity adaptive weight adjustment,MOEA/D-CSAW)算法在处理具有复杂帕累托前沿和高维多目标的问题时,算法的综合性能要优于对比算法。

基于自适应多变异的差分进化算法与应用

标准差分进化算法(DE)存在局部搜索能力弱、参数敏感性高等缺点,为了提升算法的性能,设计了一种基于自适应多变异的差分进化算法(AMVDE),该算法首先在种群初始化阶段使用反向学习策略提升个体的质量,然后通过多种变异策略和自适应控制参数增加算法的探索性和鲁棒性。最后将AMVDE算法应用于解决生物信息学中超复杂度的蛋白质结构预测问题,验证了算法的有效性和可靠性。

具有多种自适应机制的差分进化算法研究

差分进化算法(DE)是一种较新的进化计算技术,具有结构简单、便于编程、求解收敛快速等优点,得到了广泛的关注和应用。为了解决经典DE计算开销大,参数设置与问题本身过于相关等缺陷,提出了一种具有多种自适应机制的改进差分进化算法(MSDE),它采用了一种自适应变异算子,可根据进化代数实时地调整变异步长,从而提高算法的求解精度,同时采用一种自适应控制参数机制,以加快算法收敛,提高算法求解成功率。通过在MATLAB仿真环境下对著名的基准测试函数分别进行求解,将改进后的算法和已有的多种优化算法进行比较,结果表明,改进的MSDE算法性能明显优于已知的算法,证明自适应是一种有效的改进思路。

基于差分进化-自适应Metropolis算法的桥梁工程研究

提出1种结合差分进化-自适应Metropolis算法(DREAM KZS)和克里金模型的多链贝叶斯模型更新框架。该框架融合敏感度分析以减少参数维度并便于参数选择。此外,利用克里金模型来节省计算成本。该框架还采用DREAM KZS算法与多采样策略,通过考虑模型参数、测量和模型输出之间的交叉协方差来增强后验分布的探索效率。通过增加样本多样性同时减少并行链的数量,实现快速准确的模型更新。结果表明通过对简支梁的数值研究,验证DREAM KZS算法的收敛速度和精度,提出的DREAM KZS贝叶斯模型更新框架在六跨铁路高架桥的模型更新应用中表现出优异的性能,由于需要重复的模型评估,高度耗时和高保真度的有限元模型阻碍有效的模型更新。

基于差分进化算法的瞬变电磁一维反演

实际采集的瞬变电磁数据包含电磁感应和激发极化效应,如何准确提取电阻率和极化率信息是电性源瞬变电磁数据处理的关键。首先,基于Cole⁃Cole复电阻率模型实现有限长电性源瞬变电磁法一维正演,在此基础上提出一种基于差分进化算法的电性源瞬变电磁一维反演方法。然后,在传统差分进化算法的基础上引入反向学习策略及控制参数自适应调节,加快反演的收敛速度,同时在目标函数中引入约束条件,构成最小构造反演,降低反演的多解性。最后,基于典型的三层地电模型和复杂多层模型进行理论模型测试,反演结果可有效恢复模型的电阻率和极化率。利用实测资料进行反演,反演得到的电阻率与OCCAM反演电阻率基本一致。在此电阻率约束的基础上,进一步反演得到极化率信息。反演结果准确地提取了实测数据中的电阻率信息,得到了地下介质的极化率分布,证明了算法的准确性和适用性。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

基于改进差分进化算法的自由曲面测量路径优化

为解决传统差分进化算法存在收敛速度慢、易陷入局部最优解以及由于个体选择的随机性导致求优稳定性差的问题,文章通过引入多重启动策略,多次运行算法并使用不同的随机种子,增加算法对空间的探索性,在一定程度上解决算法易陷入局部最优解问题;通过使用新的突变策略,在求优稳定性提高了约10%;通过引入参数自适应调节机制,动态地调整算法参数的取值,使收敛速度提高了约10%,并提高了算法的鲁棒性。

基于改进的差分进化算法求解SWMP问题

需求侧响应可以为电网带来可观的收益,计及需求响应的电力系统经济调度优化方法研究成为国内外学者的关注的课题。提出了一种可以用于解决计及需求侧响应的电力系统经济调度问题的基于随机黑洞模型的差分进化算法(sequence-based differential evolution hole,S-DEH),该算法基于原始的差分进化算法结合随机黑洞模型,对初始序列敏感性高,稳定可靠,计算量小,能够针对不同的问题选择最佳的控制参数,能够减少人为的操作失误和调整优化算法参数所需要的时间,具有很高的求解效率。同时所采用的演算模型为计及需求侧响应的求解电力系统的单时段的社会效益最大化问题(social welfare maximization problem,SWMP),以验证算法的性能,并通过求解多时段的SWMP优化调度问题验证了算法在处理高维度复杂优化问题时仍能保持高效的性能。

基于主成分分析的DBSCAN分类差分进化算法改进

差分进化算法(DE)是一类基于种群搜索最优解的全局优化算法,具有收敛速度快、算法简单易懂、参数数量少和稳定性高等特点。但DE算法的性能在很大程度上取决于参数值的设置、个体突变的方向和距离。考虑到不同的种群密度对参数的需求不同,采用主成分分析技术将30或50维的数据降到2维;再采用DBSCAN算法,依据邻域半径和最小邻域数将2维数据分类为簇,通过簇的数量判断种群整体密度和个体之间的差异度,并在不同取值范围内生成合适的变异因子和交叉因子,以此来满足不同种群的进化需求。通过基准函数测试集和多个检验方法验证,证明了所提方法的寻优能力和鲁棒性均优于另外5种先进算法。

基于非线性自适应比例因子的雪豹优化算法

针对雪豹优化算法在求解复杂优化问题时,存在全局勘探能力不足、寻优精度低等问题,提出一种改进的雪豹优化算法。首先,基于分段Logistic混沌映射初始化从而提高初始种群多样性;其次,引入非线性比例因子用于平衡算法的全局勘探能力和局部开发能力;然后,提出了一种差分变异策略,在第一次种群更新位置后,使用5个随机个体提高全局搜索能力和算法收敛能力,在第二次种群更新位置后,使用3个随机个体保证在求解过程的中后期也具有一定的全局勘探能力,尽可能避免陷入局部最优。通过在IEEE CEC2022基准函数测试集上测试,并与其他算法进行比较,结果表明所提出的算法在种群质量、求解精度以及算法稳定性上均有较大提升。最后将所提出的算法应用于工程优化,计算结果进一步证实了算法的强优化能力。

基于SSA ELM和自适应差分进化算法的拉曼放大器设计

提出了一种将樽海鞘群算法优化极限学习机与自适应差分进化算法相结合的方法,并利用该方法优化多泵浦拉曼光纤放大器的参数配置。采用极限学习机构建泵浦参数和拉曼增益之间的非线性映射,并利用樽海鞘群优化算法对极限学习机参数进行优化获得最佳模型。对比分析了上述模型与BP神经网络和传统的极限学习机模型在评价指标方面的差异,结果表明本文所提出的模型预测性能较好。为了提高增益平坦性,利用自适应差分进化算法优化泵浦参数,得到最佳的参数配置。仿真结果表明,利用该方法设计出的拉曼放大器达到了预期效果,其目标增益与预测增益的最大误差不超过05dB。该方法为今后拉曼光纤放大器的设计提供了一种新的思路方法。

改进差分进化算法求解带容量约束车辆路径问题

针对带容量约束车辆路径问题(CVRP),提出了一种改进差分进化算法(IDE)。首先,在变异、交叉操作过程中提出一种新的扰动策略,同时设计两类不同的邻域搜索算子,加快算法收敛速度;其次,设计一种多样性保护策略,以防止算法后期种群单一化;最后,基于个体、整体收敛性设计两种惩罚因子,对不可行解作出有效的惩罚。通过对三组CVRP问题实例进行仿真实验分析,并将求解结果与其他算法相比较,验证了所提算法的有效性。

基于差分进化算法的掘进机截割轨迹规划研究

针对掘进机截割轨迹规划问题,首先通过栅格法对截割断面环境进行精确编码,构建了悬臂式掘进机截割适应度函数;然后通过差分进化算法对截割轨迹进行寻优处理,并针对算法中的变异因子,设计了适应性调节策略,根据算法的运行状态和进化趋势动态调整变异因子的取值,从而确保算法能够在搜索过程中保持足够的多样性和收敛速度;最后通过试验验证,该算法在收敛速度和求解质量方面均达到了预期要求,实现了掘进机截割轨迹规划的快速有效求解。

参数自适应的精英变异差分进化算法

针对经典差分进化算法(DE)的优化性能容易受到变异策略和控制参数影响的问题,提出了一种参数自适应的精英变异差分进化算法(A parameter Adaptive Elite Mutation Eifferential Evolution algorithm,AMEDE).首先,提出一种精英变异策略的方法,其目的是为了方便获取优秀个体信息;其次,引入新的控制参数,使得算法可以在更大的搜索空间进行搜索;最后,利用自适应参数学习方法,为种群中的每个个体赋予不同的控制参数值,并根据种群多样性和精英个体的信息动态更新个体的参数,使算法避免过早的收敛并提高算法的收敛精度.对本文提出的AMEDE算法与其他6种改进差分进化算法(DE,CoDE,JaDE,JDE,SaDE,GPDE)在16个基准测试函数上进行了三组对比实验.实验结果表明,AMEDE算法在高维函数和低维函数上都具有搜索精度高、收敛速度快和鲁棒性强等优点.

基于改进差分进化算法的锂离子电池剩余使用寿命预测

锂离子电池的剩余使用寿命(RUL)预测对于电动汽车、储能系统以及便携式电子设备等领域至关重要。准确的RUL预测有助于优化电池使用策略,提高系统性能,降低维护成本。本文提出一种基于改进差分进化算法(IDEA)的锂离子电池RUL预测模型。该模型不仅考虑电池的退化机理,还通过引入自适应权重调整策略和多目标优化,提高预测的准确性和鲁棒性。通过实验验证,该模型在多个电池测试数据集上表现出色,预测精度优于现有的多数方法。

基于自适应交叉概率因子的差分进化算法及其应用

基本差分进化算法的控制参数在进化过程中是保持不变的,但是交叉概率因子的大小影响种群进化的多样性以及种群的收敛速度.本文提出一种根据种群平均适应度方差非线性改变交叉概率因子的方法.在种群多样性降低时增大该因子,使之接受更多变异个体的基因,有利于加强局部搜索和加速收敛速率;多样性增大时减小该因子,避免该个体基因结构遭到过多的破坏,促使该个体的进化,有利于保持种群的多样性和完成全局搜索.并且给出了一种新的变异方式,这种变异方式一方面能提高算法的收敛速度,另一方面能在一定程度上保持较高的种群多样性.最后将其应用到热连轧精轧机组负荷分配优化中,改进后的优化方法在性能上要优于所对比算法.

基于自适应缩放比例因子的差分进化算法

针对于差分进化算法在高维多峰函数环境下易早熟和迭代收敛速度较慢的问题,通过引入自适应的缩放比例因子的方法,提出了一个基于自适应缩放比例因子的差分进化算法。通过理论推导改进的差分进化算法可以有效提高差分进化算法对于高维多峰函数全局最优值搜索能力和差分进化算法对于高维优化问题的收敛速度,并且通过形式化证明的方法分析了其可以提高着这些性能的具体原因,实验结果表明了理论推导以及对于改进差分进化算法性质分析的正确性。

自适应调整差分进化算法在优化问题中的应用

差分进化算法在求解优化问题时,进化后期由于种群多样性急剧下降,算法全局搜索能力被削弱,极易陷入局部最优解而"早熟"收敛.针对该问题定义了算法停滞系数和个体相似系数.根据算法停滞系数自适应调整算法的缩放系数.同时,根据个体相似系数判定种群普通个体与最优个体的相似性,并以此为基础对相似个体实施基因重构操作,从而避免种群个体严重趋同造成的种群多样性下降问题.将改进算法应用于标准测试函数和车辆路径问题的优化.模拟计算结果表明:改进算法的优化结果优于标准差分进化算法,改进的差分进化算法具有更强的全局寻优能力,适于求解复杂优化问题.

基于差分进化算法的四旋翼自适应滑模控制

针对四旋翼飞行器在实际飞行中存在的模型不确定和外部干扰,设计了基于内外环结构的自适应滑模控制。首先使用牛顿欧拉法建立动力学模型,然后结合自适应方法设计了滑模控制器以实现系统模型不确定和外部干扰存在时的轨迹跟踪并证明了闭环系统的稳定。接着,以反映控制性能的指标为适应度函数,利用差分进化算法整定滑模控制器参数。最后通过仿真验证差分进化算法的性能以及自适应滑模控制器的性能,仿真结果表明,经差分进化算法整定的自适应滑模控制器在模型不确定和外部干扰的影响下具有良好的轨迹跟踪性能。

参数适应性组合差分进化算法

针对传统差分进化算法在进化后期容易出现早熟现象的问题,提出一种组合差分进化(Combined Differential Evolution,CDE)算法。该算法将多个变异策略组合,实现优势互补,并利用柯西分布适应性调整缩放因子,在维持种群多样性的同时加快收敛速度。为测试算法性能,利用12个基准测试函数将本文算法与传统差分进化算法比较。结果表明,本文算法具有较强的寻优能力。