基于非均匀变异和多阶段扰动的粒子群优化算法

该文提出一种基于非均匀变异和多阶段扰动的粒子群优化算法,并对算法的搜索性能进行了一般性分析.首先,在算法执行的不同阶段利用对当前最优解施加大小不同的邻域扰动操作,很好地增加了群体多样性,提高了跳出局部陷阱的概率,同时加强了对当前最优解邻域内的精细搜索;其次,在粒子群优化算法中引入非均匀变异运算,并依据非均匀变异运算规律适应性地调整解向量的搜索步长.算法性能分析表明,本算法较好地兼顾了群体优化算法的多样性和精英学习强度之间的平衡问题.数值实验上,首先用12个经典测试函数,验证该文提出的几种新措施的有效性与互助性;其次,针对30维和50维的CEC2005测试函数集,所提算法NmP3PSO与经典算法wFIPS、CLPSO和OLPSO做了大量的仿真实验,结果表明该文提出的算法表现出富有竞争力的性能和稳定性.

一种基于最大最小策略和非均匀变异的萤火虫算法

针对多目标萤火虫算法勘探能力弱、求解精度差的问题,本文提出了一种基于最大最小策略和非均匀变异的萤火虫算法(HVFA-M)。该算法首先引入Maximin策略,实现对外部档案的动态调整和对精英解的随机选择;其次,精英解结合当前最好解共同引导萤火虫进行全局搜索以扩大算法的搜索范围,提高算法的勘探能力,从而增加找寻全局最优解的概率;最后,在算法全面勘探的基础上,添加非均匀变异算子使得算法融合局部搜索的思想引导种群进行局部开采,进一步增强算法的寻优能力。将HVFA-M与经典及新近多目标进化算法进行比较,实验结果表明:HVFA-M能有效提升算法的勘探能力,在解的收敛性和多样性也表现出良好的性能。

基于进化控制与非均匀变异的花授粉算法研究

针对花授粉算法(FPA)优化高维复杂性问题时存在的收敛精度低且收敛速度慢的缺陷,提出一种基于进化控制与非均匀变异的花授粉算法(ENFPA)。该算法引入以余弦函数为控制因子随机调节当前位置与最优位置进化比例,改善算法前期花粉过于聚拢于最优个体而导致进化方向不佳的可能。为一定程度抑制算法进化后期种群多样性降低而出现的优化解聚拢现象,引入非均匀变异策略对当前位置进行改变以拓展新的进化方向。经过仿真数值实验表明,改进算法在函数优化问题上具有更好性能。将改进的算法应用于神经网络优化模型的实验表明,可以一定程度降低神经网络预测的误差。

基于非均匀变异和自适应逃逸的果蝇优化算法

基本果蝇优化算法(FOA)存在嗅觉搜索随机盲目、迭代寻优只学习最优个体的问题,导致收敛精度低、易陷入局部极值,为此提出基于非均匀变异和自适应逃逸的果蝇优化算法(NAFOA)。在嗅觉搜索阶段引入非均匀变异算子,动态调整每次迭代的搜索步长。通过设置阈值将种群划分为"早熟"状态和正常状态,若处于正常状态,采用基本的FOA模式进化;若处于"早熟"状态,对全局最优果蝇进行逐维扰动,逃离局部最优,平衡果蝇探索和开发的能力。设计实验,测试6个经典函数,实验结果表明,该算法在精度和鲁棒性方面均优于基本的果蝇算法及其它几种改进算法。

基于非均匀变异算子的改进蚁群优化算法

为解决对称旅行商问题,在改进蚁群优化算法的基础上,提出一种引入非均匀变异算子的改进算法。在路径寻优时采用改进的蚁群优化算法,且在完成一次循环迭代后,运用非均匀变异算子对已完成该次任务的蚁群进行变异处理,从而加快算法收敛速度,经过N次进化直至达到满意结果。仿真结果表明,在寻最优解的能力和算法稳定性方面,该算法比基本蚁群算法和蚁群优化算法更强。

基于多点非均匀变异的多目标极值优化算法研究

多目标进化算法因其在解决含有多个矛盾目标函数的多目标优化问题中的强大处理能力,正受到越来越多的关注与研究;极值优化作为一种新型的进化算法,已在各种离散优化、连续优化测试函数以及工程优化问题中得到了较为成功的应用,但有关多目标EO算法的研究却十分有限;将采用Pareto优化的基本原理引入到极值优化算法中,提出一种求解连续多目标优化问题的基于多点非均匀变异的多目标极值优化算法;通过对6个国际公认的连续多目标优化测试函数的仿真实验结果表明:文章提出算法相比NSGA-II、PAES、SPEA和SPEA2等经典多目标优化算法在收敛性和分布性方面均具有优势。

非均匀变异的互利自适应缎蓝园丁鸟优化算法

针对缎蓝园丁鸟优化(SBO)算法求解精度不高和收敛速度慢等问题,提出一种改进的缎蓝园丁鸟优化(ISBO)算法。首先,引入非均匀变异算子,动态地调整每次迭代园丁鸟个体的搜索步长,使算法能快速高效地寻求全局最优值;其次,采用互利因子对算法的社会部分引入更多组合模式,使其不再单一围绕前一个园丁鸟附近搜索,以获取更好的最优解;最后,为了更好地平衡算法的局部与全局搜索能力,引入余弦变化的惯性权重因子来更新园丁鸟的位置公式。使用收敛速度分析、Wilcoxon检验和8个基准函数对5种算法搜索性能进行对比分析,来评估改进缎蓝园丁鸟优化算法的效率。结果表明,改进算法具有更好的全局搜索能力和求解鲁棒性,同时寻优精度和收敛速度也比原来算法有所增强。

基于交叉算子和非均匀变异算子的飞蛾扑火优化算法

针对飞蛾扑火优化算法收敛速度慢以及计算后期易收敛到局部最优解的问题,提出了一种基于遗传算法交叉算子和非均匀变异算子的改进方法。该方法在飞蛾围绕火焰飞行的计算过程中,采用交叉算子和变异算子对火焰位置进行扰动以生成新的火焰,当新火焰的适应度值优于原火焰时则替换原火焰,以提高算法的随机性,防止算法过快陷入局部最优解。测试结果表明,改进后的算法在8个常用最优化算法基准测试函数的求解问题中全局收敛能力和收敛速度均优于原算法。

基于非均匀变异算子改进遗传算法的成都市水资源优化配置研究

文章在传统遗传算法的基础上改用非均匀变异算子作为变异算子,提高寻优过程的适应性,有效避免早熟收敛。以成都市水资源分配为实例研究,在分析成都市现状供用水状态及2030年可供水量的基础上,分别采用传统遗传算法、非均匀变异算子的改进遗传算法对成都市水资源进行优化配置。配置结果显示,以总产值为目标函数,非均匀变异算子的改进遗传算法显著优于传统遗传算法,对研究区域的水资源高效利用有参考意义。

基于非均匀变异的进化算法对高维多峰函数的收敛性分析

对基于非均匀变异算子的进化算法的实验和机理分析已经证明了该算法模型的良好特性,最近基于非均匀变异算子的进化算法模型求解一维多峰函数问题的收敛性已经得到证明.基于马尔科夫过程理论,对基于非均匀变异算子的一般性进化算法模型和一般性高维多峰函数的收敛性给出证明,并基于典型算例与同类典型算法进行性能比较,数值试验表明算法模型具有很好的性能表现和应用前景.

多子群的共生非均匀高斯变异樽海鞘群算法

针对樽海鞘群算法求解精度不高和收敛速度慢等缺点,提出一种多子群的共生非均匀高斯变异樽海鞘群算法.根据不同适应度值将樽海鞘链群分为三个子种群,各个子种群分别进行领导者位置更新、追随者共生策略和链尾者非均匀高斯变异等操作.使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC 2014函数的标准差来评估改进樽海鞘群算法的效率.结果表明,改进算法具有更好的寻优精度和收敛速度.尤其在求解高维和多峰测试函数上,改进算法拥有更好性能.

非均匀演化算法及其应用

提出一种基于非均匀变异的演化算法模型;基于随机过程理论分析了该算法的自适应性,用该算法求解了实际的“油层结垢”问题;基于随机优化领域经典的高维多峰测试函数,同已有的同类算法做了对比.实验结果表明:在没有引入任何额外参数和计算的前提下,该算法具有更好的收敛性和稳定性.

采用改进遗传算法解决TDOA定位估计中的非线性优化问题

提出了当接收端在空间随机分布时 ,利用改进遗传算法解决TDOA定位估计中遇到的非线性最优化问题。采用浮点数编码遗传算法 ,引入一个非均匀变异算子 ,针对TDOA方式进行最佳坐标搜索。实验表明 ,在保证种群数量的情况下 ,该算法性能稳定 ,能找到逼近全局最优点的解 。

带双重变异算子的自适应粒子群优化算法

提出了一种双重变异自适应粒子群优化算法,该算法除了使用自适应算子来改变惯性权重外,还在搜索过程中使用非均匀变异算子对位移进行变异,扩大位移的搜索范围。当算法陷入局部收敛时,使用柯西变异算子对全局最优解进行变异,促使粒子逃离局部最优的陷阱,从而最大限度的提升算法全局搜索的性能。通过对4个标准函数的测试,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟收敛的陷阱。

基于混合变异算子的布谷鸟优化算法

针对布谷鸟寻优算法在多维优化函数搜索中存在收敛速度慢、寻优精度低的缺陷,提出了一种基于混合变异算子的布谷鸟优化算法。该算法在每次迭代后采用全局收敛引导的非均匀变异算子对鸟窝位置进行变异,再根据最优位置适应度值的变化率确定是否陷入了局部最优值;若陷入局部最优则利用高斯变异算子对鸟窝位置进行调整,从而提高了收敛速度以及寻优精度。通过6个经典测试函数的测试,实验表明改进后的布谷鸟算法具有较好的寻优精度和收敛速度。

采用多项式变异策略和分解方法的多目标进化算法

MOEA/D-M2M算法将一个多目标优化问题同时转换为若干个多目标优化子问题,分别求得这些子问题的Pareto解,最终得到原多目标优化问题的Pareto解,保证了种群的多样性,比MOEA/D具有更好的算法性能.多项式变异算子具有强化局部搜索和加强收敛的作用,但是在多目标进化算法中应用多项式变异算子的成果不多.将多项式变异算子和MOEA/D-M2M中提出的多目标优化问题的新的分解方法相结合,提出了一种新的采用多项式变异策略和分解方法的多目标进化算法(MOEA/PmD).考虑到非均匀变异算子通过动态调整步长获得自适应性的特点,尝试通过将非均匀变异算子替换MOEA/PmD中的多项式变异算子而构造采用非均匀变异算子和分解方法的多目标进化算法(MOEA/NumD).实验表明MOEA/PmD算法比MOEA/NumD算法和MOEA/D-M2M算法具有更好的性能.

基于改进遗传算法的柔性作业车间调度研究

针对柔性作业车间的多目标调度问题,文章建立以最大完工时间、能耗为目标的数学模型,提出一种多目标的改进遗传算法的求解方法。首先,在交叉算子中使用均匀交叉法,采用了基于邻域的变异算子。其次,针对交叉变异算子进行了非均匀改进,旨在增加算法搜索能力。通过动态调整非均匀交叉和非均匀变异的概率,提高搜索空间覆盖率,避免陷入局部最优解。最后,采用基准算例Kacem测试集进行测试。实验证明,该改进算法有效地解决了同时考虑最大完工时间和能耗的多目标调度问题,取得了显著的改善效果。

基于改进遗传算法的直发包装SKU归并优化方法

目的 采用直发包装SKU归并优化方法,通过减少最小存货单位(Stock Keeping Unit,SKU)的种类,来达到节省物料成本的目的。方法 综合运用k-means聚类分析和组合优化理论,建立直发包装SKU归并模型,并设计基于非均匀变异算子的遗传算法求解方法。以随机生成SKU尺寸信息及其对应的直发包装订购数量的测试数据集为例,通过对比归并前后的SKU种类数和物料成本来验证优化方法的有效性和可行性。结果 优化后,直发包装SKU归并方案中SKU种类的平均降低率为33.13%,归并可使物料成本平均下降2.84%。结论 研究成果可丰富直发包装领域的相关研究,对优化供应链结构,促进包装系列化、智能化发展具有指导意义。

基于改进免疫遗传算法的电力系统无功优化

针对无功优化问题的特点,在现有免疫遗传算法基础之上,提出一系列改进措施,形成了一种新的解决无功优化问题的改进免疫遗传算法。该算法将免疫遗传算法中常用的二进制编码改进为整、实数混合编码,提高了计算速度与精度;将通常的选择、变异操作与进化代数相联系,形成具有动态调整功能的改进Boltzmann退火选择、非均匀变异算子,提高了算法的全局收敛性,加快了计算速度;引入疫苗接种概念,有效地抑制了算法在进化过程中出现的退化现象,进一步加快了算法的收敛速度。以IEEE30节点系统为例对该改进算法的性能进行了测试,结果表明了该算法的有效性和可行性。

基于遗传粒子群优化的嵌入式系统软硬件划分算法

针对单处理器嵌入式系统软硬件划分问题,采用带权有向无环图进行建模,并将之约简,进而转换为多约束条件的0/1背包问题求解.由于基本粒子群优化算法无法求解0/1背包问题,故将遗传算法中的交叉、变异思想引入粒子群优化算法,提出了求解离散组合优化问题的遗传粒子群优化(GPSO)算法,采用两点交叉算子和非均匀变异算子对粒子的位置和速度更新方法进行了重新定义.实验结果表明,采用文中算法能有效地解决软硬件划分问题,具有良好的全局搜索能力,其寻优能力和执行时间优于遗传算法和模拟退火算法.