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。

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。

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.

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。

基于模糊邻域差分进化算法求解非线性方程组

讨论模糊邻域概率函数选择策略对算法寻根率和成功率的影响.实验结果表明,凸函数类型的概率选择函数较适用于求解多根和搜索空间较广问题,定值概率选择函数较适合于求解含有大量线性方程的问题.选用适当概率选择函数可以提高模糊邻域差分进化算法寻根率和成功率.

基于差分进化算法的高压配电网负荷自适应调度方法

由于传统方法在高压配电网负荷自适应调度中的应用效果不佳,不仅高压配电网消纳率比较低,而且负荷比较大,无法达到预期的负荷自适应调度效果,为此提出基于差分进化算法的高压配电网负荷自适应调度方法。以最小高压配电网运行成本、最小负荷峰谷差以及最小损耗为目标建立目标函数,设定有功负荷平衡、输电线路容量以及出力约束条件,构建调度模型,利用差分进化算法求解模型最优调度策略,以此实现基于差分进化算法的高压配电网负荷自适应调度。经实验证明,在设计方法应用下高压配电网的消纳率高于90%,负荷量比较小,具有良好的负荷自适应调度效果。

基于随机邻域策略和广义反向学习的自适应差分进化算法

全局探索和局部开发能力之间的平衡以及对控制参数的整定是影响差分进化(differential evolution,DE)算法性能的主要因素。针对这两个问题,提出一种基于随机邻域策略和广义反向学习的自适应DE算法。首先,在每一代进化过程中,算法从当前种群为每一个体随机选择相应的邻域,其中最优个体作为基向量执行变异操作,邻域中个体数量随进化动态更新。其次,采用基于历史存档的自适应参数整定方法,进化进程中根据“精英”信息动态更新算法各参数。最后,在初始化和每一代进化结束阶段,执行基于广义反向学习策略的种群初始化和种群“代跳”操作。通过基于27个标准测试函数的3组仿真实验,验证了所提算法具有寻优精度高、收敛速度快、鲁棒性强的优点。

融合自适应邻域差分进化的FastSLAM算法

机器人导航与建图中FastSLAM算法应用最广,但FastSLAM算法存在较多的问题,对算法中存在粒子集退化、重采样中丢失粒子多样性问题进行研究,研究结果表明,融合了自适应邻域差分进化算法的AMNDE-FastSLAM算法能有效改善这一问题。AMNDE-FastSLAM算法根据FastSLAM算法中的运动模型对粒子进行位姿估计更新,从建议分布中提取粒子,将FastSLAM算法中的重采样步骤替换为具有自适应能力的改进邻域差分进化算法。最后的实验结果表明,与传统的FastSLAM算法相比,AMNDE-FastSLAM算法具有更好的鲁棒性,在处理机器人被“绑架”问题上收敛速度更快、更优。

基于耦合协调种群状态评估的差分进化算法

差分进化算法是一种基于群体内个体之间差异的全局随机搜索算法,其中变异算子是差分进化算法的重要组成部分,不同的变异算子适用于不同的种群分布情况.为了有效识别种群的进化状态,文中提出基于耦合协调种群状态评估的差分进化算法,计算四个不同等级目标函数值和个体间距离的耦合协调度,评估种群在迭代过程中所处的进化状态.根据评估结果将种群状态分为搜索、平衡、收敛三种进化状态,并针对不同的进化状态构造相应的变异算子池.此外,通过自适应调节Powell方法,提升算法的收敛速度.最后,在CEC2017测试函数集上的数值实验验证文中算法的有效性.

改进高斯柯西差分进化算法求解热电联产经济调度

热电联产经济调度(combined heat and power economic dispatch,CHPED)是一类复杂的非线性约束最优化问题,智能优化算法则是近年来求解CHPED的主流方法。针对目前智能优化算法求解CHPED存在易于陷入局部最优、精度不佳等问题,提出了一种改进的差分进化算法,即高斯柯西差分进化(Gaussian-Cauchy differential evolution,GCDE)算法。GCDE算法对标准差分进化算法进行了两方面的改进:一方面采用自适应参数策略来调节算法的控制参数,提升算法的求解稳定性;另一方面采用高斯柯西变异策略来进行局部搜索,增强算法的搜索精度。将GCDE算法应用于求解7台机组和24台机组的CHPED模型,并与现有差分进化算法结果进行了对比,结果表明GCDE算法在求解CHPED问题时具有较好的求解精度和稳定性。

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法(CADE),该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。

改进自适应变空间差分进化算法

在基本差分进化算法的基础上融入自适应变空间思想,提出自适应变空间差分进化算法,在进化代数达到预设周期整数倍时,按变空间算法自动扩展或收缩搜索空间,实现了自动寻找合适搜索空间、提高收敛速度和精度的目的.此外为了进一步的加快收敛速度,对原变空间算法进行了改造,对其上下限的变化规则进行了修改和添加,提出了改进的变空间算法.仿真结果表明改进方法在收敛精度、速度上优于基本差分进化算法和基于原变空间算法的差分进化算法.最后将其应用到热连轧机精轧机组负荷分配优化计算中,为其提供了一种有效的优化手段.

带局部搜索的动态多群体自适应差分进化算法及函数优化

提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.

基于自适应混合差分进化算法的水火电力系统短期发电计划优化

针对水火电力系统发电计划优化问题,引入差分进化(differential evolution,DE)算法,提出了一种自适应混合差分进化算法(adaptive hybrid differential evolution,AHDE)。该算法在计算过程中自适应调整交叉算子,保持了种群的多样性,提高了算法的全局搜索能力,克服了DE在寻优过程中容易早熟收敛的缺点。同时针对AHDE难以处理实际工程中复杂约束条件问题,提出了一种适合AHDE的约束处理方法。将AHDE应用于求解某水火电力系统的发电计划优化问题,与其他求解方法的对比表明,AHDE求解精度高、计算速度快。