Improved Adaptive Differential Evolution Algorithm for the Un-Capacitated Facility Location Problem

The differential evolution algorithm is an evolutionary algorithm for global optimization and the un-capacitated facility location problem (UFL) is one of the classic NP-Hard problems. In this paper, combined with the specific characteristics of the UFL problem, we introduce the activation function to the algorithm for solving UFL problem and name it improved adaptive differential evolution algorithm (IADEA). Next, to improve the efficiency of the algorithm and to alleviate the problem of being stuck in a local optimum, an adaptive operator was added. To test the improvement of our algorithm, we compare the IADEA with the basic differential evolution algorithm by solving typical instances of UFL problem respectively. Moreover, to compare with other heuristic algorithm, we use the hybrid ant colony algorithm to solve the same instances. The computational results show that IADEA improves the performance of the basic DE and it outperforms the hybrid ant colony algorithm.

基于ADE优化的IPMSM全速域无传感器控制

为了实现内置式永磁同步电机(IPMSM)全速域的无传感器控制和切换速域的平滑过渡,提出了一种基于自适应差分进化(ADE)算法优化的复合控制方法。分别在零低速域、中高速域采用旋转高频电压注入法和滑模观测器法来对电机转速和转子位置进行估算,并在切换速域采用基于ADE算法的权重系数优化法来实现上述两种控制方法的平滑切换,从而实现IPMSM全速域无传感器控制。仿真结果表明:提出的复合控制方法能够实现电机全速域的无感控制和切换速域的平滑过渡,且具有良好的稳定性。

基于改进ADE的城轨列车运行节能优化方法

城轨列车运行环境复杂,模式多变。为准确描述列车的实际运行状态,首先基于实际线路条件建立城轨列车动力学模型和多目标优化模型。然后,基于反三角函数logistic映射的初始化改进策略和基于logistic模型的控制参数自适应策略,提出一种改进自适应差分进化(adaptive differential evolution,ADE)算法求解优化模型,可实现列车安全、准点、精确停车,节能、平稳运行。与传统高斯模型相比,通过采用钟形模型构建新的舒适度指标,能更好地改善舒适度。还针对多站间运行普遍采用固定运行策略的问题,结合专家经验和实际线路条件来自动选择站间运行策略,可缩小算法搜索范围并提高算法求解效率。最后,基于实际线路数据和车辆数据的仿真实验结果表明,所提方法有效降低了运行能耗,改善了乘客舒适性。

Chemical process dynamic optimization based on hybrid differential evolution algorithm integrated with Alopex

To solve dynamic optimization problem of chemical process (CPDOP), a hybrid differential evolution algorithm, which is integrated with Alopex and named as Alopex-DE, was proposed. In Alopex-DE, each original individual has its own symbiotic individual, which consists of control parameters. Differential evolution operator is applied for the original individuals to search the global optimization solution. Alopex algorithm is used to co-evolve the symbiotic individuals during the original individual evolution and enhance the fitness of the original individuals. Thus, control parameters are self-adaptively adjusted by Alopex to obtain the real-time optimum values for the original population. To illustrate the whole performance of Alopex-DE, several varietal DEs were applied to optimize 13 benchmark functions. The results show that the whole performance of Alopex-DE is the best. Further, Alopex-DE was applied to solve 4 typical CPDOPs, and the effect of the discrete time degree on the optimization solution was analyzed. The satisfactory result is obtained.

HCO-ADE求解单点交叉口信号配时问题

为克服信号配时问题求解中单一约束优化方法的局限性,提出混合约束优化自适应差分进化算法(HCO-ADE)。以交叉口通行效率为目标建立信号配时优化模型,依据模型中约束条件被满足程度,采用外罚函数法和可行性准则法相结合的混合约束优化策略(HCOS)对约束条件进行处理,并提出饱和度偏好准则作为自适应差分进化算法(ADE)的选择策略,构建HCO-ADE。最后,以哈尔滨市四相位交叉口高峰时段5 min采集标段交通量数据为例,验证HCO-ADE。结果表明:提出的信号配时问题求解方法可行、有效,优于基于饱和度区间可能度的罚函数约束优化自适应差分进化算法(PFCO-ADE),所得信号配时方案较实测方案平均延误减少3.32%,通行能力提高2.16%,能够更好地提高信号配时方案稳定性。

基于PCA-SaDE-ELM优化算法的煤层底板破坏深度预测及工程应用

基于煤层底板破坏深度实测结果统计分析,通过优化数据样本空间,引入自适应差分进化改进的极限学习机算法,构建了煤层底板破坏深度预测模型,与实测结果对比分析验证,并应用于云驾岭煤矿9^(#)煤层底板破坏深度预测。结果表明:模型预测的最大绝对误差不超过0.7 m,相比现有其他预测模型,该模型预测精度提高约70%;云驾岭煤矿19101、19103和19105这3个典型工作面的破坏深度分别为10.80、10.94、11.34 m,介于规范方法和滑移场理论预测结果之间,进一步反映了模型的可靠性;建议对9#煤层底板加固改造后再进行回采。相关研究成果可为我国煤层底板破坏风险管理和煤炭资源的优化回采布置提供一定的理论支撑。

A Hybrid Differential Evolution Algorithm Integrated with Particle Swarm Optimization

To implement self-adaptive control parameters,a hybrid differential evolution algorithm integrated with particle swarm optimization( PSODE) is proposed. In the PSODE, control parameters are encoded to be a symbiotic individual of original individual,and each original individual has its own symbiotic individual. Differential evolution( DE) operators are used to evolve the original population. And,particle swarm optimization( PSO) is applied to co-evolving the symbiotic population. Thus,with the evolution of the original population in PSODE, the symbiotic population is dynamically and self-adaptively adjusted and the realtime optimum control parameters are obtained. The proposed algorithm is compared with some DE variants on nine functions. The results show that the average performance of PSODE is the best.

Multi-robot mapping based on the adaptive differential evolution

Map building by multi-robot is very important to accomplish autonomous navigation,and one of the basic problems and research hotspots is how to merge the maps into a single one in the field of multi-robot map building.A novel approach is put forward based on adaptive differential evolution to map building for the multi-robot system.The multi-robot mapping-building system adopts the methods of decentralized exploration and concentrated mapping.The adaptive differential evolution algorithm is used to search in the space of possible transformation,and the iterative search is performed with the goal of maximizing overlapping regions.The map is translated and rotated so that the two maps can be overlapped and merged into a single global one successfully.This approach for map building can be realized without any knowledge of their relative positions.Experimental results show that the approach is effective and feasibile.

Covariance Matrix Learning Differential Evolution Algorithm Based on Correlation

Differential evolution algorithm based on the covariance matrix learning can adjust the coordinate system according to the characteristics of the population, which makes the search move in a more favorable direction. In order to obtain more accurate information about the function shape, this paper proposes covariance matrix learning differential evolution algorithm based on correlation (denoted as RCLDE) to improve the search efficiency of the algorithm. First, a hybrid mutation strategy is designed to balance the diversity and convergence of the population;secondly, the covariance learning matrix is constructed by selecting the individual with the less correlation;then, a comprehensive learning mechanism is comprehensively designed by two covariance matrix learning mechanisms based on the principle of probability. Finally, the algorithm is tested on the CEC2005, and the experimental results are compared with other effective differential evolution algorithms. The experimental results show that the algorithm proposed in this paper is an effective algorithm.

V2G模式下基于SaDE-BBO算法的有源配电网优化

为了解决大规模电动汽车入网难以实现个体调度以及集群调度存在“维数灾”的问题,建立基于车辆到电网(vehicle-to-grid,V2G)模式的有源配电网分层分区优化运行模型。其中,上层优化模型对电动汽车集控中心(electric vehicle agent,EVA)进行调度,优化各区域EVA的充放电功率并作为下层优化模型的输入;下层优化模型调整各调压方式。在优化算法方面,提出一种自适应差分进化-生物地理学优化(self-adaptive differential evolution-biogeography-based optimization,SaDE-BBO)算法,并在改进的IEEE 33节点配电系统中进行仿真分析。结果表明:在不同充电控制策略下,V2G模式与各调压方式的协调互动在降低各区域EVA运营成本、平抑负荷波动以及保证有源配电网的安全和经济运行方面优势显著,与其他优化算法相比,SaDE-BBO算法具有更优质的解和更好的收敛性。

基于MSADE-IT2FNN模型的软测量建模方法及应用

针对复杂工业过程某些关键参数无法有效、实时在线检测的问题,提出一种基于多策略、自适应差分进化算法(MSADE)优化的区间二型模糊神经网络(IT2FNN)软测量建模方法。首先,为了解决差分进化算法采用单一策略、固定缩放因子和交叉概率导致后期搜索能力不足的问题,提出一种多策略、自适应的差分进化算法(MSADE),该算法利用IT2FNN模型的均方根误差(RMSE)作为适应度函数,通过搜索不同规则数下的RMSE值,从而确定IT2FNN的结构(规则数)和初始参数;然后,IT2FNN模型的参数利用梯度下降法进行学习。最后,将所提模型应用到Mackey-Glass混沌时间序列的预测和酿酒过程淀粉利用率的软测量建模问题中,仿真结果验证了提出方法的有效性和优越性。

改进SADE-EKF的永磁同步电机参数辨识

针对永磁同步电机(PMSM)参数辨识中扩展卡尔曼滤波(EKF)难以确定合适的系统噪声矩阵Q和量测噪声矩阵R的问题,提出了一种改进自适应差分进化算法(SADE)-EKF的PMSM参数辨识方法。首先分析了扩展卡尔曼滤波器的工作原理,建立了双线程辨识模型;然后通过改进差分进化算法(DE)的变异策略跳出局部最优,并设计了合适的适应度函数;最后,通过SADE算法对EKF的Q和R进行优化。实验结果表明,改进的SADE-EKF在辨识电机参数时比传统的EKF具有更好的收敛速度和辨识精度。

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。

一种基于JADE改进的差分演化算法

差分演化算法有局部搜索能力不足、容易跌入局部最优等缺点,其搜索性能主要依赖于对杂交概率和缩放因子的设置。为了改善上述缺陷,对带归档的自适应差分演化算法JADE进行深入的研究与分析,提出了改进的自适应差分演化算法ZJADE。该算法采用斜帐篷混沌映射函数初始化种群,在每次迭代中为每个个体分别产生满足正态分布、柯西分布的杂交概率和满足正态分布的缩放因子,并且记录成功变异个体的杂交概率和缩放因子,引入统计杂交概率,采用两种策略自适应地更新杂交概率。在13个经典测试函数上将ZJADE算法与多种经典自适应差分演化算法进行对比,实验结果表明,ZJADE算法在解的精度与收敛速度上更优,具有更好的搜索性能。

基于邻域搜索JADE的二维Otsu多阈值图像分割

为进一步提高分割精度并加快分割速度,提出了一种基于邻域搜索可选外部存档自适应差分进行算法(简称为JADE-GL)的二维Otsu多阈值图像分割方案。首先,针对原始JADE算法精英突变策略收敛速度慢、容易陷入局部最优等问题,提出了基于邻域半径搜索的改进突变策略,以提升算法的全局探索和开发能力。然后,将所提算法与现有分割方法以及其他JADE变种算法进行二维Otsu多阈值分割对比实验。最后,通过函数收敛曲线、分割距离测度、峰值信噪比(peak signal to noise ratio,PSNR)等指标定量分析算法的性能。实验结果表明,随着阈值数增加,提出的算法无论在收敛速度、分割精度还是分割图像效果上都有显著提升。

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ADE算法优化的木材单板染色全光谱配色模型研究

采用自适应的交叉因子与变异因子在增强全局搜索能力的同时提高收敛速度,通过循环迭代取值的方法确定Stearns-Noechel模型中参数M的最优值。采用新模型对8组标准样进行染色配方预测,以CIEDE 2000色差评价标准对实验结果进行评价。结果表明:基于ADE优化模型预测染色配方得到的拟合样与标准样间ΔE00均小于3;迭代次数是遗传算法的13.04%,差分进化算法的50.00%,寻优速度更快;对于标准样1,新模型预测配方得到拟合样与标准样间ΔE00约为最小二乘法、遗传算法和差分进化算法优化模型的1/5、1/3与1/2,预测精度更高,说明了新模型在染色木材单板全光谱配色方面具有较高的使用价值。

基于ADE-WNN的水电机组振动故障诊断方法

水电机组振动特征和故障类型之间存在复杂的非线性关系,结合小波神经网络和自适应差分进化法,提出一种新型水电机组振动故障诊断方法。该算法具有进化计算和群体智能的特点,能够根据个体的状态自适应调节交叉概率因子和缩放因子;自适应差分进化算法应用于小波神经网络的参数搜索中,加快了小波神经网络的训练速度,提高了网络训练精度。实验结果表明:该方法比传统的基于BP神经网络和小波神经网络的故障诊断方法,具有更高的准确度和更快的诊断速度。