进化规划与进化策略的变异算子

进化算法是研究全局优化算法中最重要的随机算法之一,本文给出了进化规划和进化策略的变异算子的数学描述,并提出变异函数的概念,在此基础上,给出了用均匀分布的随机数构造变异算子的几种方法和若干例子.结果表明.利用本文给出的方法,不仅可以构造出目前进化策略和进化规划算法普遍采用的几种变异算子,还可以构造出新的变异算子.针对一般的变异算子,在不要求目标函数连续的情况下,证明了保持最优个体的进化规划和进化策略,迭代产生的最优个体的函数值收敛到问题的最优值的ε-邻域的概率为1.     

应急资源调度问题的改进进化规划算法研究

针对应急资源调度问题,建立一种多资源时间-成本调度模型。设计了进化规划算法的全局变异算子和局部变异算子,根据全局变异前后个体适应度值和分量值的变化趋势,实现定向变异。构建了具有惩罚系数的适应度函数,给出了改进的进化规划算法种群进化策略。计算实验表明,改进的进化规划算法具有较强的局部寻优能力,在收敛速度和求解精度方面优于比较的遗传算法、差分进化算法和进化规划算法,解决了标准进化算法的早熟收敛问题。     

遗传算法的一种改进进化策略

在现有文献研究的基础上,对传统遗传算法的进化策略又作了进一步研究,提出了一种改进的进化策略.进化策略克服了传统遗传算法中交又得到的优秀个体有可能在变异过程中遭到破坏而不能生存的不足.另外取消了遗传算法中难以确定的交叉、变异概率,使交叉产生的新个体数增多,这样可增大产生更优秀个体的可能性,因而可使遗传算法的性能得到更好的改善.通过4个测试函数的测试计算,结果表明,给出的改进进化策略比传统遗传算法进化策略的运算速度明显提高,迭代次数明显减少,从而验证了提出的改进进化策略的有效性.     

改进种群多样性的双变异差分进化算法

差分进化算法(DE)是一种基于种群的启发式随机搜索技术,对于解决连续性优化问题具有较强的鲁棒性.然而传统差分进化算法存在种群多样性和收敛速度之间的矛盾,一种改进种群多样性的双变异差分进化算法(DADE),通过引入BFS-best机制(基于排序的可行解选取递减策略)改进变异算子"DE/current-to-best",将其与DE/rand/1构成双变异策略来改善DE算法中种群多样性减少的问题.同时,每个个体的控制参数基于排序自适应更新.最后,利用多个CEC2013标准测试函数对改进算法进行测试,实验结果表明,改进后的算法能有效改善种群多样性,较好地提高了算法的全局收敛能力和收敛速度.     

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.     

基于动态自适应t分布变异的人群搜索算法

针对人群搜索算法在进化后期大量个体聚集局部最优时,易陷入局部最优,搜索精度低的缺陷,提出一种基于t分布变异的人群搜索算法.算法使用动态自适应方式确定变异步长,引入t分布变异算子以融合柯西变异和高斯变异的优点,促进算法在进化早期具备良好的全局探索能力,在进化后期收获较强的局部开发能力,增加种群的多样性;采用边界缓冲墙策略处理越界问题,避免越界个体聚集在边界值上的缺陷.实验结果表明,算法比基本人群搜索算法具有更高的寻优精度和收敛速度,是一种有效的算法.     

改进遗传算法优化非线性规划问题

针对遗传算法在处理优化问题上的独特优势,主要研究遗传算法的改进,并将其应用于优化非线性规划问题.在进化策略上,采用群体精英保留方式,将适应度值低的个体进行变异;交叉算子采用按决策变量分段交叉方式,提高进化速度;在优化有约束非线性规划问题时,引入算子修正法,对非可行个体进行改善.MATLAB仿真实验表明,方法是一种有效的、可靠的、方便的方法.     

嵌入差分进化算子的混合蜂群算法及其在VRPSDP的应用

针对人工蜂群算法进化速度慢、容易陷入搜索停滞的问题,通过嵌入差分进化算子,提出了一种混合蜂群算法(Hybrid Artificial Bee Colony algorithm, HABC).基本思想是:在迭代中嵌入差分进化算子,充分利用差分算法全局收敛性和鲁棒性强的特点,寻求全局最优蜜源;此外,在标准蜂群算方法基础上进行两点改进:在采蜜蜂阶段搜索策略中加入最优位置引导,提高搜索的效率;对超边界的个体重新进行变异,以增强种群的多样性.将混合算法应用于带同时送取货的车辆路径问题(VRPSDP),计算结果表明了混合算法的有效性.     

实数遗传算法进化策略的改进研究

在现有文献研究的基础上,对传统实数遗传算法的进化策略又作了进一步研究,提出了一种改进的进化策略.进化策略克服了传统实数遗传算法中交叉得到的优秀个体有可能在变异过程中遭到破坏而不能生存的不足,并取消了交叉概率,使交叉产生的个体数增多,这样可增大产生更优秀个体的可能性,因而可使实数遗传算法的性能得到更好的改善.另外,给出了一种计算种群中个体适应度的计算公式和计算方法.该方法不但使得遗传算法具有较强的局部搜索能力,而且具有较强的广域搜索能力和较好的种群多样性,不易陷入局部最优解,从而可快速收敛到全局最优解.5个测试函数的计算结果表明,给出的实数遗传算法的改进进化策略比传统实数遗传算法进化策略的运算速度明显提高,迭代次数明显减少,从而验证了提出的实数遗传算法改进进化策略的有效性.     

十进制整数编码的DE算法模式集定理研究

为揭示差分进化算法(Di?erential Eveolution,简称DE)的动力学机制,提出了DE算法的十进制整数编码的概念,给出选择、交叉、变异等操作算子在推动种群演化和寻优的模式集定理,即DE算法在选择、交叉、变异等操作算子作用下,具有较低模式集阶、较短模式集距、较高适应度函数值的模式集的生存数量,随种群迭代次数的增加呈现指数级增长.同时还研究了收缩因子F与变异概率的相当性特征,将收缩因子F的范围缩小至(0, 1)区间.     

单峰函数最优化问题的进化策略

１．引言 考虑无约束优化问题ｆ（ｘ）,其中ｆ（ｘ）为单峰函数．这类优化问题,不仅包含具有某种凸性的函数的极小化问题,而且包含其它许多问题,例如相容的和不相容的线性方程组的求解,也都可以归结为这类优化问题． 如果函数ｆ（ｘ）的性态良好,各类以梯度为基础的算法无疑是求解问题（Ｐ）的首选方法．假若问题（Ｐ）不可微,或者虽然可微,但 ｆ（ｘ）的 Ｈｅｓｓｉａｎ阵高度病态,则应该另辟蹊径． 近年来颇受人们重视的进化类算法,由于不使用梯度,计算过程对函数的性态依赖性较小,具有适应范围广、鲁棒性强的优点,而且特别…     

顺序相依拆卸线平衡多目标优化模型及算法研究

拆卸是产品回收过程最关键环节之一,拆卸效率直接影响再制造成本。本文在分析现有模型不足基础上,考虑最小化总拆卸时间,建立多目标顺序相依拆卸线平衡问题优化模型,并提出了一种自适应进化变邻域搜索算法。所提算法引入种群进化机制,并采用一种组合策略构建初始种群,通过锦标赛法选择个体进化;在局部搜索时,设计了邻域结构自适应选择策略,并采用基于交叉的全局学习机制加速跳出局部最优,以提高算法寻优能力。对比实验结果,证实了所提模型的合理性以及算法的高效性。     

基于种群分类排序的约束优化遗传算法

针对约束优化问题,提出了一类将种群中的个体分类排序的思想.算法的特点在于:先将种群中的解分为可行解和不可行解两类,然后分别按照不同的标准排序.由于很多约束优化问题的最优解位于可行域的边界上或附近,所以排序时并不认为可行解一定优于不可行解.基于此分类排队思想,特别设计了只允许同等级个体进行交叉的新的交叉算子,称之为同等级交叉算子,以及基于一维搜索的变异算子.算法同时采用了保证固定比例不可行解的自适应策略.4个标准测试函数的数值仿真结果验证了算法的有效性.     

基于免疫记忆克隆算法的指数化投资组合优化构建策略

本文基于克隆选择学说及基于克隆选择学说及生物免疫响应过程的相关机理,提出用于指数化投资的免疫记忆克隆算法,并将其应用于指数化投资组合优化构建模型的求解,旨在探索指数化投资的优化构建策略。文章首先提出多目标的指数化投资组合构建模型。其次,分别设计了适用于指数化投资组合构建策略的抗原、抗体、亲和度函数、克隆选择算子、免疫记忆算子和相应的进化算法。该算法有效避免了传统遗传算法所存在的计算后期解的多样性差、易早熟以及收敛速度慢等缺点。同时,提出了限制投资组合中股票数量的启发式算法。最后,使用包括上证180指数在内的6组世界主要股票市场指数及其成份股的历史数据对模型及算法进行测算,结果表明算法具有良好的求解能力和收敛速度,所建模型的合理性和有效性亦被论证,模型和算法均具有很强的实践价值;     

SM-stability of operator-difference schemes

The spectral mimetic (SM) properties of operator-difference schemes for solving the Cauchy problem for first-order evolutionary equations concern the time evolution of individual harmonics of the solution. Keeping track of the spectral characteristics makes it possible to select more appropriate approximations with respect to time. Among two-level implicit schemes of improved accuracy based on Padé approximations, SM-stability holds for schemes based on polynomial approximations if the operator in an evolutionary equation is self-adjoint and for symmetric schemes if the operator is skew-symmetric. In this paper, additive schemes (also called splitting schemes) are constructed for evolutionary equations with general operators. These schemes are based on the extraction of the self-adjoint and skew-symmetric components of the corresponding operator.     

区块链驱动下快递“最后一公里”共同配送的博弈分析

站在政府角度,分析在区块链驱动下快递企业是否共同配送的策略选择问题。分析政府补偿机制在解决区块链驱动下快递“最后一公里”共同配送的效用,通过演化博弈分析政府对于快递物流企业、社区的补贴的合理范围。通过分析可知:在无政府补偿机制下,单靠快递企业和社区的努力,较难彻底解决快递物流“最后一公里”发展的困境;政府需要对快递企业以及社区给予一定的政策支持,并且保证补贴有一定的力度,这样才能保证快递企业、社区有足够的动力构建基于区块链的最后一公里共同配送网络。     

Nonlocal time-multipoint problem for a certain class of evolutionary pseudodifferential equations with variable symbols: I

It has been proved that in generalized spaces of the type S, a pseudodifferential operator constructed based on a variable symbol can be treated as the operator of infiniteorder differentiation if the operator symbol satisfies certain conditions. The properties of the fundamental solution to a nonlocal time-multipoint problem for the evolutionary equation with this operator have been studied.     

Positive Discrete Spectrum of the Evolutionary Operator of Supercritical Branching Walks with Heavy Tails

We consider a continuous-time symmetric supercritical branching random walk on a multidimensional lattice with a finite set of the particle generation centres, i.e. branching sources. The main object of study is the evolutionary operator for the mean number of particles both at an arbitrary point and on the entire lattice. The existence of positive eigenvalues in the spectrum of an evolutionary operator results in an exponential growth of the number of particles in branching random walks, called supercritical in the such case. For supercritical branching random walks, it is shown that the amount of positive eigenvalues of the evolutionary operator, counting their multiplicity, does not exceed the amount of branching sources on the lattice, while the maximal of these eigenvalues is always simple. We demonstrate that the appearance of multiple lower eigenvalues in the spectrum of the evolutionary operator can be caused by a kind of ‘symmetry’ in the spatial configuration of branching sources. The presented results are based on Green’s function representation of transition probabilities of an underlying random walk and cover not only the case of the finite variance of jumps but also a less studied case of infinite variance of jumps.     

A quantum particle swarm optimizer with chaotic mutation operator

Particle swarm optimization (PSO) is a population-based swarm intelligence algorithm that shares many similarities with evolutionary computation techniques. However, the PSO is driven by the simulation of a social psychological metaphor motivated by collective behaviors of bird and other social organisms instead of the survival of the fittest individual. Inspired by the classical PSO method and quantum mechanics theories, this work presents a novel Quantum-behaved PSO (QPSO) using chaotic mutation operator. The application of chaotic sequences based on chaotic Zaslavskii map instead of random sequences in QPSO is a powerful strategy to diversify the QPSO population and improve the QPSO’s performance in preventing premature convergence to local minima. The simulation results demonstrate good performance of the QPSO in solving a well-studied continuous optimization problem of mechanical engineering design.     

A perturb biogeography based optimization with mutation for global numerical optimization

Biogeography based optimization (BBO) is a new evolutionary optimization algorithm based on the science of biogeography for global optimization. We propose three extensions to BBO. First, we propose a new migration operation based sinusoidal migration model called perturb migration, which is a generalization of the standard BBO migration operator. Then, the Gaussian mutation operator is integrated into perturb biogeography based optimization (PBBO) to enhance its exploration ability and to improve the diversity of population. Experiments have been conducted on 23 benchmark problems of a wide range of dimensions and diverse complexities. Simulation results and comparisons demonstrate the proposed PBBO algorithm using sinusoidal migration model is better, or at least comparable to, the RCBBO based linear model, RCBBO-G, RCBBO-L and evolutionary algorithms from literature when considering the quality of the solutions obtained.