基于权重向量聚类的动态多目标进化算法

实际生活中存在许多的动态多目标优化问题(DMOP)。对于此类问题,当环境发生改变时,就要求动态多目标进化算法(DMOEA)能快速和准确地跟踪新环境下的帕累托前沿(PF)或帕累托最优解集(PS)。针对现有算法的种群预测性能差的问题,提出一种基于权重向量聚类预测的动态多目标进化算法(WVCP)。该算法首先在目标空间中生成均匀的权重向量,并对种群中的个体进行聚类,再根据聚类情况分析种群的分布性。其次,对聚类个体的中心点建立时间序列。对同一权重向量,针对不同的聚类情况采取相应的应对策略对个体进行补充,若相邻时刻均存在聚类中心,则采用差分模型预测新环境下的个体;若某一时刻不存在聚类中心,则用相邻权重向量聚类中心的质心作为该时刻的聚类中心,再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题,还可以提高预测的准确性。最后,引入个体补充策略,以充分地利用历史信息。为验证WVCP算法的性能,把它与四种代表性算法进行了仿真对比。实验结果表明,所提算法能够很好地解决DMOP。

考虑全局和局部帕累托前沿的多模态多目标优化算法

多模态多目标优化问题(Multimodal multi-objective optimization problems,MMOPs)是指具有多个全局或局部Pareto解集(Pareto solution sets,PSs)的多目标优化问题(Multi-objective optimization problems,MOPs).在这类问题中,Pareto前沿(Pareto front,PF)上相距很近的目标向量,可能对应于决策空间中相距较远的不同解.在实际应用中全局或局部最优解的缺失可能导致决策者缺乏对问题的整体认识,造成不必要的困难或经济损失.大部分多模态多目标进化算法(Multimodal multi-objective evolutionary algorithms,MMEAs)仅关注获取尽可能多的全局最优解集,而忽略了对局部最优解集的搜索.为了找到局部最优解集并提高多模态优化算法的性能,首先提出了一种局部收敛性指标(并设计了一种基于该指标和改进种群拥挤度的环境选择策略.基于此提出了一种用于获取全局和局部最优解集的多模态多目标优化算法.经实验验证,该算法在对比的代表性算法中性能较好.

电网故障诊断解析模型的改进二进制增益共享知识算法求解

针对现有智能优化算法在求解电网故障诊断解析模型时存在的易于陷入局部最优和种群质量低等问题,提出一种改进二进制增益共享知识算法(improved binary gaining-sharing knowledge-based algorithm, IBGSK)。首先,根据故障诊断规则,构建一种包含完备故障信息的完全解析模型。其次,将离散工作机制融入改进算法的种群更迭中,以避免发生空间脱节。然后,结合进化种群动力学思想(evolutionary populationdynamics, EPD),引入一种自适应交叉算子,以提高种群质量和增强算法的全局寻优能力。最后,通过特征选择和故障诊断仿真实验对算法性能进行评估。结果表明:IBGSK算法相较于其他优化算法,在特征选择问题上具有更高的计算效率、更强的全局寻优能力和泛化能力;在求解电网故障诊断解析模型上具有更优的诊断可靠性、时效性和收敛性。

一种新的求解多峰函数优化问题的动态演化算法

本文给出了一种新的求解多峰函数优化问题的定义:定位所有的极值点,包括全局的峰值点和局部的峰值点。传统的演化算法框架都是群体固定的演化迭代过程,对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小,影响了算法的效率。提出一种群体动态可调的演化方式,使得初始群体大小可任意指定,在演化过程中通过聚集和按比例引入新个体两个过程而动态变化。实验表明,该算法能尽可能多地定位峰值点。

分级变异的动态克隆选择算法

基于浮点数编码,提出一种分级变异的动态免疫克隆选择优化算法.根据抗体的亲和度将种群分解为3个子种群,分配以不同的搜索任务,实施不同的变异策略.在进化过程中动态改变种群规模、克隆规模和变异参数,从而加快了全局搜索速度,提高了局部搜索精度.对5个复杂函数的优化仿真实验表明了该算法的有效性.

一种改进的演化算法及其在求解复杂优化问题中的应用

针对传统演化算法在求解函数优化,特别是多峰函数优化问题中出现的早熟现象以及演化后期收敛速度慢等问题,提出了一种新的反序小生境演化算法。该算法采用小生境反序交叉算子,以进一步增强局部寻优的能力;引入一种并行演化算法机制,加强群体寻优能力;同时,根据定义域划分初始种群,增加初始种群的覆盖面积。通过仿真实验表明,与传统的小生境演化算法相比较,利用该算法求解复杂多峰函数优化问题能够明显提高问题的求解精度和收敛速度,而且能够得到所有的全局最优解,更好地避免了求解问题时的早熟现象,达到了较好的效果。

种群动力学优化算法

为了快速求解大规模复杂优化问题,基于种群动力学理论构造出了可全局收敛的种群动力学优化算法。在该算法中,每个种群对应着优化问题的一个试探解,种群的一个特征对应于试探解的一个变量;采用正交拉丁方原理构造出了种群初始值确定方法,以达到对搜索空间的均衡分散性和整齐可比性覆盖;将任意两种群间的竞争、互利、捕食-被食、融合、突变和选择等行为用于构造种群的进化策略,以使种群的适应度指数要么保持原状不变,要么向好的方向转移,从而确保整个算法的全局收敛性;在种群演变过程中,种群从一种状态转移到另一种状态,实现了种群对优化问题全局最优解的搜索。应用可归约随机矩阵的稳定性条件证明了本算法具有全局收敛性。测试结果表明本算法是高效的。

进化算法在大规模优化问题中的应用综述

针对大规模问题的特点,对已有的大规模进化算法进行了简单的分析,主要介绍算法的初始化方法、不分组策略、静态分组策略、动态分组策略、自适应分组策略、大规模优化算法测试函数集以及算法结果的对比等方面;侧重描述优化算法的搜索策略、更新策略、突变策略和协同进化策略,并列出大规模优化算法测试函数集的特点及优化算法的评价方法;最后,给出了目前大规模优化问题的几个研究难点.

求解多峰函数优化问题的并行免疫遗传算法

针对基本遗传算法在求解多峰函数时很难找到全部最优解的不足,提出了一种并行免疫遗传算法求解该问题.算法引入郭涛算法的多父体杂交思想,并借鉴小生境机制将算法的优化过程进行分解.算法进化初期借鉴免疫算法的抗体浓度抑制思想,通过变异算子降低大种群内较优相似个体的浓度,以增加种群多样性,扩大搜索空间,确定各峰的区域.算法后期将种群划分为若干子种群,并通过免疫记忆库,记录各子种群当前的最优解,同时对各子种群进行指导性搜索,以快速收敛到各峰,免疫记忆保留各代的精英个体保证了算法的收敛性.实验结果表明,所提出的算法在求解多峰函数优化问题中取得了满意的结果.

基于动态群体的聚集演化求解多峰函数优化问题

指出了现有的演化算法框架都是群体固定的演化迭代过程 ,对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小 ,影响了算法的效率 .提出了一种群体动态可调的演化方式 ,使得初始群体大小可任意指定 ,在演化过程中通过聚集和按比例引入新个体两个过程而动态变化 .实验表明 ,该算法能尽可能多地定位峰值点 .

具有动态惯性权重的布谷鸟搜索算法

为提高布谷鸟搜索算法的搜索能力和寻优精度,提出一种具有动态惯性权重的布谷鸟搜索算法。该算法引入动态惯性权重改进鸟窝位置的更新方式,依据动态惯性权重值保留上代鸟窝的最优位置并进行下一代位置更新,从而有效平衡种群探索能力和开发能力之间的关系。并利用特征方程对改进算法进行了收敛性分析。仿真实验结果表明,与基本布谷鸟搜索算法、粒子群算法和蚁群算法相比,改进后的布谷鸟搜索算法能显著减少迭代次数和运行时间,有效提高算法的收敛速度和收敛精度。

种群分类粒子群改进算法研究

针对粒子群算法在陷入局部最优时难于跳出的缺陷,提出一种改进的粒子群算法.该算法首先利用粒子适应值的统计规律对粒子进行分类,对属于不同类别的粒子采用不同的进化模型,对于利用完全模型进化的粒子,采用动态调整学习因子的方法,从而大大提高了算法的优化效率和优化精度.通过反复实验分析,得出学习因子随着进化推进的最优变化规律,并给出了学习因子的最佳函数表达式.仿真结果表明,利用改进的PSO算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较以往提出的PSO算法在性能上有本质的提高.

一种基于DNA计算的多模态函数求解模型

通过对DNA计算的研究,提出了一种在DNA计算的基础上引入一种基于Lokta-Volterra方程的生态竞争繁殖、家庭选择机制等的求解多模态函数的进化算法,使得群体能够保持多样性,并有效地避免了早熟收敛,通过对测试函数的求解,同时搜索到多模函数多个极值峰点,取得了令人满意的结果。

动态环境下基于预测机制的多种群进化算法

提出一种动态环境下基于预测机制的多种群进化算法,将预测机制引入到动态进化算法的研究中,对算法所得的某些信息进行记忆,根据记忆序列构建预测模型,当环境发生变化时能够通过预测模型对动态环境进行预先判断.算法采用自组织侦查的多种群策略,多个子种群对搜索子空间进行局部搜索,主种群用于确定新的搜索子空间.在子种群的自适应调整、子种群间的拥挤操作等方面进行了改进,根据子种群所跟踪的最优解位置信息构建预测模型,当环境发生变化时通过预测及子种群的进化实现对动态环境的自适应跟踪.以移动峰问题为测试对象,实验结果表明新算法具有良好的处理动态问题的能力.

基于多策略的改进花授粉算法

花授粉算法是近年来提出的一种新型的、简单高效的优化算法,已在各个领域得到广泛应用,但其搜索策略存在的不足,制约着其应用范围.为此,提出一种改进的基于多策略的花授粉算法.首先,新全局搜索策略通过利用两组随机个体差异矢量和莱维飞行机制来增加种群多样性并扩大搜索范围,使算法更易跳出局部最优,提升其开采能力;其次,在局部搜索部分引入精英变异策略,并与随机个体变异机制组合成一种新的局部授粉策略,利用精英个体对其他个体的演化方向进行引导,提高算法的搜索速度;通过随机个体变异策略来保持种群的多样性,增强算法的持续优化能力;同时,通过一种线性递减概率规则调节这两种变异策略,使其取长补短,以提高算法的优化能力;最后,对进化中没有得到改善的解,利用余弦函数搜索因子策略产生一个新解加以替换,从而提高算法解的质量.通过5类经典测试函数的仿真实验和采用统计学上的分析,证明了该算法的稳定性和有效性;与现有经典的和知名的改进算法进行了对比,实验结果表明,所提出的改进算法是一种富有竞争力的新算法.同时,利用改进算法对军事领域中的无人作战飞行器航线规划问题进行求解,测试结果表明,改进算法在解决实际工程问题时,同样具有一定的优势.

演化均匀优化算法

针对演化算法,使用随机法产生初始点带来的缺陷和均匀设计方法的优点,提出了演化均匀优化算法,进行了算法收敛性分析,并把它应用于多峰函数的数值优化计算,给出了计算示例,结果表明该方法是一种可行而且有效的优化算法.

基于量子计算模型的混合进化算法及其性能分析

提出了基于量子动力学机制的混合进化算法,该算法依据小生境机制将初始个体划分为实数编码染色体的子群,种群内部采用自适应算子搜索局域的最优解,种群之间则采用基于量子动力学机制的协同进化.混沌系统生成的初始染色体序列实际上并不完全随机,因此我们提出非对称区间产生混沌染色体序列并能生成更多的优秀个体.为解决二进制算法所不能避免的精度与效率的冲突,本文采用十进制编码染色体.利用量子动力学机制的高度分布并行性,本模型能更好的适应复杂的动态环境.我们不仅证明了算法的收敛性而且分析了提高算法性能的策略,仿真实验也验证了该算法的优越性.

基因表达式编程中的精英个体产生策略

为提高基因表达式编程(GEP)算法的进化效率,提出了一种用于产生GEP初始种群的精英个体产生策略.该策略通过逐步扩大染色体到目标值的距离,采用随机方式在较短时间内产生具有较高个体适应度的染色体,从而在初始种群中快速产生精英个体,使种群可以从一个较高的基础上开始进化,缩短了GEP算法的进化距离,从而提高了种群的进化效率.实验结果表明,在GEP算法挖掘函数的过程中,采用文中提出的策略,可以使GEP算法的进化效率提高17%.

基于年龄动力学模型的自适应种群演化算法

本文针对演化算法中的自适应动态种群问题,探讨了年龄动力学模型,给出了简化的模型框架,提出了基于该模型的自适应种群演化算法,实现了对进化种群规模的动态控制。实验表明,该算法比固定种群规模的经典算法具有更好的性能。

差分进化樽海鞘群特征选择算法

针对樽海鞘群优化算法(SSA:Salp Swarm Algorithm)在求解特征选择问题时存在易陷入局部最优、收敛速度慢的不足,基于樽海鞘群优化算法提出了新的改进算法差分进化樽海鞘群特征选择算法(DESSA:Differential Evolution Salp Swarm Algorithm)。DESSA中采用了差分进化策略替代平均算子作为新的粒子迁移方式以增强搜索能力,并加入进化种群动态机制(EPD:Evolution Population Dynamics),加强收敛能力。实验中以KNN(K-Nearest Neighbor)分类器作为基分类器,以UCI(University of California Irvine)数据库中的8组数据集作为实验数据,将DESSA与SSA同具有代表性的算法进行对比实验,实验结果表明,DESSA算法各考察指标较原算法有明显提升,较其他算法相对优越。