高维多峰函数的量子行为粒子群优化算法改进研究

针对群智能优化算法求解高维多峰函数难以优化粒子每一维和易陷入局部极值点问题,在分析量子行为粒子群优化(QPSO)算法机理的基础上,对QPSO算法进行改进,采取前后代粒子逐维对比优化,并构造一种新的调控收缩扩张系数函数.实验结果表明,改进算法在收敛精度和收敛速度上明显优于QPSO算法,具有很强的避免陷入局部最优的能力,非常适合求解高维、多峰优化问题.

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。

基于多元最优信息规划的微粒群优化算法

在改进型微粒群优化算法的基础上,考虑到运算初期避免陷入局部寻优的需要,将多元最优信息分布状态知识引入对微粒群的总体运动规划,构造了适于求解高维多峰函数寻优问题的微粒群算法.仿真结果显示,该方法比改进型微粒群算法具有更好的总体寻优特性.

微粒群算法优化信息的分组延迟传播模式

在改进型微粒群算法基础上,考虑对寻优空间充分搜索及算法总体收敛的需要,将信息的分组延迟传播模式应用于微粒群算法.首先对微粒群进行具体分组,然后设计了用于微粒群迭代寻优求解的分层延迟通讯模式,最后针对高维多峰函数优化问题进行了数值仿真实验.

用于连续域优化的遗传网格蚂蚁融合算法

在进行函数优化时,遗传算法具有全局搜索能力强的特点,但其存在早熟收敛和后期收敛速度慢及局部搜索能力弱的问题。网格蚂蚁算法具有局部搜索能力强、优化精度高等特点,但其全局收敛速度较慢。因此提出了用于连续优化的遗传网格蚂蚁融合算法(Genetic and Grid Based AntColony Algorithm,GGACO)。该算法将遗传算法和网格蚂蚁算法相结合,用遗传算法进行全局搜索,用网格蚂蚁算法进行局部迭代寻优,经过若干次循环迭代产生最终结果。仿真实验结果表明,该算法在解决复杂函数优化时全局收敛性能好、速度快,尤其在解决高维多峰函数优化问题时效果更显著。

基于knee points的改进多目标人工蜂群算法

传统的人工蜂群算法(Artificial Bee Colony algorithm,ABC)及其在多目标上的扩展(Multi Objective Artificial Bee Colony algorithm,MOABC)存在着在高维、多峰函数情况下收敛速度变慢、后期容易陷入局部最优以及寻优精度丢失等问题。基于knee points提高收敛性和分布性的特点,设计了一种快速识别knee point的算法并将其应用到多目标人工蜂群算法中,提出了一种基于knee points的改进多目标人工蜂群算法(Kn MOABC)。算法在迭代过程中考虑pareto支配关系的同时,优先选择knee point作为下一代个体,极大地增强了算法的收敛速度,同时,在knee point识别算法中加入自适应的策略以保持良好的分布性。实验结果表明,Kn MOABC的性能优于三个最新的多目标人工蜂群对比算法。

Rosenbrock搜索与动态惯性权重粒子群混合优化算法

为了提高复杂优化问题的优化精度和鲁棒性能,提出两种将Rosenbrock搜索与动态惯性权重粒子群(DIPSO)相结合的混合算法,即"协同"与"接力"混合算法.两种算法充分利用了Rosenbrock搜索算法强大的局部搜索能力和DIPSO算法的全局寻优能力,很好地平衡了算法的全局"探索"与局部"开发".通过4个典型基准函数的实验研究,表明了所提出的算法具有优化精度高、鲁棒性强等特点,适合于对高维多峰函数进行优化.