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。     

采用复合规则约束的多种群自适应进化算法

针对种群固定的进化算法容易使个体集中分布在局部区域,不利于处理大尺度空间和多峰类型的优化问题,提出了一种多种群分布并且动态变化的种群自适应进化算法.采用Logistic模型模拟多个种群在有限资源下的竞争关系,设计了稳定性规则、熵规则和精英规则以确定不同种群的Logistic模型参数,从而控制种群数量的变化.同时,算法引入了算术内插和外插两种交叉算子,使得各个种群依据自身类型来缩小或扩展搜索空间.此外,算法还通过周期性的调整规则重新构建种群和分配资源.通过5组大尺度和多峰优化问题的测试结果表明,所提的种群自适应方法能够有效改善算法的寻优性能,在达到同等优化水平时所提算法消耗的函数调用次数为对比算法的61.08%～91.55%.     

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.     

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.     

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.     

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.     

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.     

具有生态位构建作用的种群进化动力学模型及其应用研究

依据进化动力学的理论与方法,系统探讨了生态位构建的机理与模式．通过建立生态位构建的空间模式及其适合度计算公式和具有生态位构建作用的单种群与两种群的进化动力学模型,并对其种群进化动态、种间竞争共存机制进行的理论与数值模拟分析,揭示了生物与环境资源的协同进化关系．结果表明:种群动态受其主要生态因子及资源含量的正反馈作用．生态位构建作用通过对种群适宜度的影响而产生进化响应．单种群动力系统存在种群大小的阈值效应;在两竞争种群动力系统中,生态位构建可以导致进化动力系统的多个竞争结果,从而为解释种间竞争与稳定共存提供了一种新的理论机制．     

自适应多种群回溯群居蜘蛛算法求解TSP问题

在群居蜘蛛优化算法中引入自适应决策半径,将蜘蛛种群动态地分成多个种群,种群内适应度不同的个体采取不同的更新方式.在筛选全局极值的基础上,根据进化程度执行回溯迭代更新,提出一种自适应多种群回溯群居蜘蛛优化算法,旨在提高种群样本多样性和算法全局寻优能力.函数寻优结果表明改进算法具有较快的收敛速度和较高的收敛精度.最后将其应用于TSP问题的求解.     

考虑帕累托最优解的多目标优化进化算法

大多数现有的进化算法在处理多目标优化问题(multi-objective optimization problem,MOP)时会遇到Pareto最优解稀疏的困难,特别是当决策变量的数目很大时,如旨在从大量候选特征中找出小部分特征的特征选择.为此,提出了一种求解大规模稀疏MOP的进化算法.算法考虑Pareto最优解的稀疏性,提出了一种新的种群初始化策略和遗传算子,以保证解的稀疏性.此外,还设计了一个测试套件来评估该算法在大规模稀疏MOP中的性能,实验结果和应用实例证明了该算法在处理大规模稀疏MOP问题上的优越性.