基于模矢搜索和遗传算法的混合约束优化算法

近年,免梯度方法又开始引起大家的注意，由于不需要计算函数的梯度．特别适合用来求解那些无法得到梯度信息或需要花很大计算量才能得到梯度信息的问题．本文构造了一个基于模矢搜索和遗传算法的混合优化算法．在模矢搜索方法的搜索步，用一个类似于遗传算法的方法产生一个有限点集．算法是全局收敛的.     

基于平均信息差分演化算法的非线性系统参数估计

受到多种群协作思想以及平均信息PSO的信息共享机制的启发,提出了一种平均信息差分演化算法AIDE.与传统的DE相比较AIDE具有以下两方面的优势,首先,AIDE的变异算子独特,个体的变异具有全局意识;其次,为AIDE设计了三种变异模式,避免变异模式单一性.从结构看算法参数较少容易实现;从实验结果看,算法需要的迭代次数少,种群数目适中,但计算结果优于其他群智能优化算法,表明AIDE的改进方案可行而且有效,可以广泛应用于非线性系统参数估计问题.     

约束尺度和算子自适应变化的差分进化算法

由于可行域不连续和函数形式复杂使得许多算法难以有效求解约束优化问题,提出了一种约束尺度和算子自适应变化的差分进化算法.通过统计新个体中可行解和不可行解的数量以自适应调整惩罚系数,使个体能够分布在多个不连续的可行域中,从而找到最优解所在区域.同时,算法还采用了两种不同的差分算子,分别用于局部区域的快速寻优和整个可行域的全局探索.在两种算子的选择上,则根据新个体的存活情况和约束违反情况来自适应调整其选择的概率.最后通过3组标准约束优化问题在10维和30维变量下的测试结果显示:所提算法的性能整体优于对比算法,其平均最优解在10维时至少提升了4.75%.     

求解不等式约束优化的可拓遗传算法

提出了求解不等式约束优化问题的可拓遗传算法.分别考虑种群中的可行解和不可行解,建立可拓关联函数对不可行解的优劣程度进行可拓评价,然后采用精英选择策略,确保每次迭代中均有一定数量和质量的不可行解被选择,从而避免种群陷入局部最优.引入了高斯变异维持种群多样性,提高算法搜索速度.通过对两个测试问题的实验和分析,验证了可拓遗传算法的可行性和有效性.     

一种求解约束优化问题的改进差分进化算法

针对在处理约束优化问题时约束条件难以处理的问题,提出了一种求解约束优化问题的改进差分进化算法.即在每代进化前将群体分为可行个体和不可行个体两类,对不可行个体,用差量法将其逐个转化为可行个体,并保持种群规模不变,经过一序列的进化后,计算所有可行个体的适应度并找到问题的最优解.对5个经典函数进行了优化测试,测试结果表明提出的算法对求解约束优化问题是有效的.     

一个演化方程族约束系统的r-矩阵

本文给出一个演化方程约束系统的Ｌａｘ表示,ｒ－矩阵,经典Ｐｏｉｓ－ｓｏｎ结构与可积性的证明。     

求解约束优化问题的一种新的遗传算法

提出一种新的求解约束优化问题的遗传算法,算法通过重新定义可行解与不可行解的适应度函数分别对它们进行选择,有效避免了惩罚函数法引入参数所带来的困难,重新设计的交叉算子使得算法对解空间的寻优范围扩大了.数值实验结果表明算法具有较好的鲁棒性,且对最优解位于约束边界上的一类问题具有很大优势.     

非线性约束优化问题的一个新的全局收敛算法

对于非线性约束的优化问题.最近给出的各种SQP算法均采用罚函数技巧以保证算法的全局收敛性,因而都必须小心地调整惩罚参数。本文给出一个不依赖于惩罚参数、每步迭代的校正矩阵也不需正定且仍具有全局收敛性的SQP方法,而且罚函数形式简单、具有和约束函数同阶的光滑性.     

一个结构简单的约束变尺度算法

本文我们考虑具有线性约束凹函数的最优化问题，利用我们的算法和变尺度修正公式，提出了一个结构简单的组合算法，并在「２」，「３」和「４」同样的假设条件下，证明了该算法的收敛性和超线性收敛速度，从而使该算法比原有各算法更具实用性。     

求解约束优化问题的一个对偶算法

１．引言 考虑下述形式的不等式约束优化问题：其中 ＝０,１,…,ｍ,是连续可微函数．求解（１．１）的数值方法有很多,传统方法有乘子法,序列一次规划方法,等等（见 Ｂｅｒｔｓｅｋａｓ（１９８２）, Ｈａｎ（１９７６, １９７７））．近年来对求解（１．１）的原始－对偶算法的研究已成为非线性规划领域的新的热点,如ＥＩ－Ｂａｋｒｙ,Ｔａｐｉａ,Ｔｓｕｃｈｉｙａ　＆　Ｚｈａｎｇ（１９９６）,Ｙａｍａｓｈｉｔａ（１９９２,１９９６,１９９７）等;尽管这些原始－对偶算法具有好的收敛性质和计算效果,但其算法结构相对…     

A Trigonometric Mutation Operation to Differential Evolution

Previous studies have shown that differential evolution is an efficient, effective and robust evolutionary optimization method. However, the convergence rate of differential evolution in optimizing a computationally expensive objective function still does not meet all our requirements, and attempting to speed up DE is considered necessary. In this paper, a new local search operation, trigonometric mutation, is proposed and embedded into the differential evolution algorithm. This modification enables the algorithm to get a better trade-off between the convergence rate and the robustness. Thus it can be possible to increase the convergence velocity of the differential evolution algorithm and thereby obtain an acceptable solution with a lower number of objective function evaluations. Such an improvement can be advantageous in many real-world problems where the evaluation of a candidate solution is a computationally expensive operation and consequently finding the global optimum or a good sub-optimal solution with the original differential evolution algorithm is too time-consuming, or even impossible within the time available. In this article, the mechanism of the trigonometric mutation operation is presented and analyzed. The modified differential evolution algorithm is demonstrated in cases of two well-known test functions, and is further examined with two practical training problems of neural networks. The obtained numerical simulation results are providing empirical evidences on the efficiency and effectiveness of the proposed modified differential evolution algorithm.     

Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces

A new heuristic approach for minimizing possiblynonlinear and non-differentiable continuous spacefunctions is presented. By means of an extensivetestbed it is demonstrated that the new methodconverges faster and with more certainty than manyother acclaimed global optimization methods. The newmethod requires few control variables, is robust, easyto use, and lends itself very well to parallelcomputation.     

Numerical Comparison of Some Penalty-Based Constraint Handling Techniques in Genetic Algorithms

We study five penalty function-based constraint handling techniques to be used with genetic algorithms in global optimization. Three of them, the method of superiority of feasible points, the method of parameter free penalties and the method of adaptive penalties have already been considered in the literature. In addition, we introduce two new modifications of these methods. We compare all the five methods numerically in 33 test problems and report and analyze the results obtained in terms of accuracy, efficiency and reliability. The method of adaptive penalties turned out to be most efficient while the method of parameter free penalties was the most reliable.     

蜜蜂进化遗传与捕鱼策略相结合的优化算法

针对捕鱼策略优化算法未充分利用群体最优个体信息因而收敛速度较慢的缺陷,提出了将蜜蜂进化遗传算法与捕鱼策略相结合的混合优化算法.算法将蜂王具有最优遗传基因的特点引入到渔夫撒网捕鱼策略中,能较好利用群体当前最优个体的信息,提高搜索速率;并保留捕鱼策略中渔夫移动搜索策略的独立性,避免陷入不成熟收敛.通过对多个典型测试函数的测试表明:蜜蜂进化遗传算法与捕鱼策略相结合的优化算法,比简单的捕鱼策略的优化算法在寻优能力、稳定性和收敛速度等方面均有提高.     

Bakhvalov-Shishkin网格上求解边界层问题的差分进化算法

该文在Bakhvalov-Shishkin网格上求解具有左边界层或右边界层的对流扩散方程,并采用差分进化算法对Bakhvalov-Shishkin网格中的参数进行优化,获得了该网格上具有最优精度的数值解.对三个算例进行了数值模拟,数值结果表明:采用差分进化算法求解具有较高的计算精度和收敛性,特别是边界层的数值解精度明显...     

基于种群自适应调整的多目标差分进化算法

为提高已有多目标进化算法在求解复杂多目标优化问题上的收敛性和解集分布性,提出一种基于种群自适应调整的多目标差分进化算法。该算法设计一个种群扩增策略,它在决策空间生成一些新个体帮助搜索更优的非支配解;设计了一个种群收缩策略,它依据对非支配解集的贡献程度淘汰较差的个体以减少计算负荷,并预留一些空间给新的带有种群多样性的扰动个体;引入精英学习策略,防止算法陷入局部收敛。通过典型的多目标优化函数对算法进行测试验证,结果表明所提算法相对于其他算法具有明显的优势,其性能优越,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,尤其适合于高维复杂多目标优化问题的求解。     

车辆路径问题的改进遗传算法

提出一种基于遗传算法的求解车辆路径问题的新算法,避免传统遗传算法处理不可行约束条件中惩罚项系数选取不当所出现的问题.同时,通过现实例子分析该算法的优劣性,实验结果表明该算法是一种有效的算法.     

基于微分进化算法的FCM图像分割算法

为提高模糊C均值(FCM)算法的自动化程度,提出基于微分进化算法的FCM图像分割算法(DEFCM),利用微分进化算法全局性和鲁棒性的特点自动确定分类数和初始聚类中心,再将其作为模糊c均值聚类的初始聚类中心,弥补FCM算法的不足.实验表明该算法不仅能够正确地对图像分类,而且能获得较好的图像分割效果和质量.     

Stable Marriage and Genetic Algorithms: A Fertile Union

We describe a pair of genetic algorithms for solving two stable matching problems. Both stable matching problems we will consider involve a set of applicants for positions and a set of employers. Each applicant and each employer prepares a rank order list of a subset of the actors in the other set. The goal is to find an assignment of applicants to employers in which if applicant a is not assigned to employer b then either a prefers his assignment to b or b prefers its assignment toa . In other words, no applicant/employer pair can both improve their situations by dropping their current assignments in favor of each other. Our goal will be to enumerate the stable matchings. One of the problems we will consider is the well-known stable marriage problem, in which neither applicant nor employer preference lists are linked. In the other problem, we will allow pairs of applicants who form a couple to submit joint rank order lists of ordered pairs of employers.