面向多目标优化的一种混合进化算法

针对多目标优化问题,设计一种基于量子计算和非支配排序遗传算法相结合的智能算法进行求解,综合量子算法和非支配排序遗传算法的优点,在局部搜索和全局搜索之间进行权衡。混合算法采用量子比特对问题的解进行编码,基于量子旋转门算子、分散交叉算子以及高斯变异算子对种群进行更新。进行局部深入搜索时,用一个解在目标空间中跟理想点的距离来评价该解的优劣;进行全局搜索时,基于非支配排序遗传算法中的有效前沿的划分和解之间的拥挤距离来评价某个解。最后,在经典的测试函数ZDT5上对所提混合算法进行了测试。通过对比分析若干项针对有效解集的评价指标,该混合算法在跟最优有效前沿的逼近程度以及有效解集分布的均匀程度上均优于目前得到广泛应用的非支配排序遗传算法。     

一种基于DE算法和NSGA-Ⅱ的多目标混合进化算法

设计了一种新颖的基于差分进化算法和NSGA-Ⅱ的混合进化算法用来解决多目标优化问题。在此算法中,根据算法的搜索情况设计相应的自适应变异算子,以便在突变操作中找到Pareto解。同时,选择操作将基于NSGA-Ⅱ快速非优超排序和拥挤机制将父代与子代的双种群进行截短,确保最优解不会丢失并保证解的多样性。三个经典测试函数的仿真结果表明,文中算法在实现多目标优化问题的两个目标(获得收敛于真实Pareto前沿的解和解沿着前沿均匀扩展)方面表现出良好的综合性能。     

求解柔性作业车间调度的动态群智能优化算法

针对柔性作业车间调度问题,提出一种新型两阶段动态混合群智能优化算法.算法初始阶段采用动态邻域的协同粒子群进行粗搜索,第二阶段提出了基于混沌算子的蜂群进行细搜索,既增强了种群多样性,又提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.针对柔性作业车间调度问题特点,采用独特的编码方式和位置更新策略来避免不合法解的产生.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了算法的有效性和优越性.     

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.     

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%.     

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。     

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.     

基于精英区域学习的多种群自适应的差分进化算法

为了进一步提高差分进化算法的收敛速度、算法精度和稳定性,采用多种群技术来增加算法收敛速度和降低复杂度;利用精英区域学习策略来对算法的全局搜索能力和算法精度进一步提升,引进自适应免疫搜索策略,以实现自适应修正差分算法的变异因子和交叉因子。通过五个测试函数,把本文算法与最新文献中的算法进行对比,表明算法在收敛速度、精度和高维问题寻优能力方面的优越性。     

正则参数求解的微分进化算法

研究了正则化方法中正则参数的求解问题,提出了利用微分进化算法获取正则参数.微分进化算法属于全局最优化算法,具有鲁棒性强、收敛速度快、计算精度高的优点.把正则参数的求解问题转化为非线性优化问题,通过保持在解空间不同区域中各个点的搜索,以最大的概率找到问题的全局最优解,同时还利用数值模拟将此方法与广义交叉原理、L-曲线准则、逆最优准则等进行了对比,数值模拟结果表明该方法具有一定的可行性和有效性.