耦合横纵向个体更新策略的改进MVO算法

为提高多元宇宙优化算法(MVO)的全局探索和局部开采性能,提出一种耦合横纵向个体更新策略的改进MVO算法(IMVO).横向更新策略是建立在宇宙种群层级的一种水平迁移进化机制,通过引入加权学习因子保证子代个体同时向多个父代宇宙继承位置信息,以改善种群的个体多样性和算法全局探索性能,适定性修正虫洞存在概率表达以保证种群个体间的充分信息交互;纵向更新策略是基于宇宙个体层级的一种纵向自我学习进化机制,根据最优宇宙历史信息,通过模拟认知的历史遗忘记忆特性实现记忆均值邻域的再开采,以增强算法局部开采性能.最后通过数值实验验证不同加权学习因子函数对算法性能的差异性影响,改进算法的优化性能和算法稳健性等.

求解约束优化问题的加速CMODE算法

为了加快CMODE(多目标与差分进化结合)算法的收敛速度,提出一种基于适应排序的分组选择方法将种群分为精英组与普通组,对精英组个体使用随机选择方式,对普通组个体使用适应排序选择方式,通过分组选择系数控制种群的选择压力.引入一种个体更新辅助策略对于淘汰个体给予一次机会与相似个体比较并保留优胜个体,提高优秀个体的生存几率并进一步加快收敛速度.改进后的算法在cec2006的测试函数上进行了测试,结果表明该算法使大多数函数的收敛速度明显提高.

采用落后个体更新策略的换热网络优化方法

针对强制进化随机游走算法(RWCE)优化换热网络的过程中存在部分个体优化质量长期处于落后状态的现象,提出了一种落后个体更新策略的RWCE算法。通过周期性考察所有个体性能变化,并实时计算当前所有个体的平均性能,建立了一种落后个体识别机制。对落后个体采取强制更新策略,强制改变其原先的优化路径,增强了种群活力,提高了算法的全局搜索能力。将该算法应用于无分流换热网络的20股流和16股流实例中,年综合费用较改进前的最优结果分别下降了1 005和19 084$/a,表明该策略的有效性,由此证明改进后的算法能有效改善因落后个体所导致的优化质量下降的问题。