基于目标相关性的一种高维目标演化算法

针对高维目标问题中非支配解数量随目标数量增加而剧增的问题,提出一种基于目标相关性信息的降维方法.该方法利用非支配解的目标值分析目标之间的相关性,对正相关较强的目标进行合并,从而降低目标数量,使部分非支配解之间产生支配关系,达到减少非支配解数量的目的.该方法可与基于Pareto支配的演化算法结合.实验结果表明,结合该目标降维方法的演化算法可以取得收敛性更好的结果.     

应用精英反向学习策略的混合差分演化算法

针对传统差分演化算法在演化后期收敛速度变慢的问题,利用精英个体的良好信息,在一般反向学习方法的基础上,提出精英反向学习策略,并融合降低参数敏感性和变异策略敏感性的机制,设计了一种基于精英反向学习策略的混合差分演化算法(EOCoDE),从理论上证明了该算法的全局收敛性.新算法使用精英反向策略初始化种群,在进化过程中,如果满足预设定的学习概率,就执行精英反向算子,否则,随机组合参数知识库和策略知识库中的知识来产生差分演化种群.对比实验结果表明,精英反向学习策略比一般反向学习策略具有更强的搜索能力,EOCoDE算法的性能具有明显优势.     

采用渐变与突变机制的反向人工蜂群算法

为克服人工蜂群算法容易陷入局部最优且后期收敛速度较慢的缺点,提出一种基于渐变与突变机制的反向人工蜂群算法并用于特征选择.采用反向学习策略,为每个初始解产生对应的反向解,并从所有解中选择最优的解构成初始种群,加快了收敛速度.引入渐变与突变机制,将个体按适应度大小分为渐变个体和突变个体,对它们采用不同的邻域搜索方法,避免了陷入局部最优.对比实验表明,新算法比其他特征选择算法能够得到更好的特征子集且具有更快的收敛速度.