双进化策略轮流切换差分进化算法

参考“优上劣下,轮流坐庄”比赛规则,提出双进化策略轮流切换差分进化算法。即在经典差分进化(Differential Evolution,DE)算法的基础上,增加进化效果评估管理层,采用某方面具有较好性能的双进化策略,轮流切换进化策略发挥各自算法的优势。仿真实验表明,轮流切换差分进化算法能够综合有效发挥各自算法的优势,对CEC2005提出的大多数标准测试函数都具有很强的优化搜索能力,其计算结果优于国际上最近提出JADE、CoDE等改进差分算法。更多还原     

高斯骨架差分进化算法与回声状态网络的结合应用

针对回声状态网络(ESN)对于不同时间序列的学习上无法有效地确定储备池参数的问题,提出一种新型预测模型。利用改进的高斯骨架差分进化算法(DE)来优化回声状态网络。在DE算法中引入了变异策略选择因子,并将选择因子随个体共同参与进化,使每个个体执行当前最适合的变异策略。改善了原始DE算法进化过程中的盲目性,同时选择因子的动态自适应特性保持了骨架算法近似无参数的优点,最后为避免算法早熟加入停滞扰动策略改善算法的寻优性能。为验证模型的有效性,对Mackey-Glass时间序列、赣州月平均气温数据集进行仿真实验。由实验结果可知,该模型可以提高时间序列的预测精度,且具有良好的泛化能力及实际应用价值。     

一种求解厌恶型p-中位问题的混合进化算法

厌恶型p-中位问题是一个NP-困难问题.提出了一种求解厌恶型p-中位问题的混合进化算法.首先,通过贪心随机自适应搜索方法和随机构造方法产生初始种群.然后,利用搜索过程中收集到的全局信息和局部信息构造新解,期间注意提高搜索的多样性,避免早熟.最后,针对厌恶型p-中位问题的特点,构造基于约束交换邻域的局部搜索算法,提高了算法的局部搜索能力.通过求解72个标准测试例子以检验算法的性能,发现该算法在较短时间内得到了高质量解,优于现有算法.     

Forward-backward热方程差分逼近的直接算法

通过利用区域分解技术和并行算法的思想，把原问题分解为几个完全独立的子区域上的问题，并直接并行求解，然后把这些解作适当的线性组合，得到原问题的解，给出了Forward-backward热方程差分逼近的直接算法。     

基于自主扰动变异差分视频的关键帧提取算法

针对传统的支持向量机学习算法(SVM)在对视频关键帧提取过程中普遍存在学习参数不易确定,准确度偏低的问题,提出一种自主扰动变异差分SVM算法用来对视频进行关键帧提取.首先,对差分进化算法的生物学机理进行研究,提出一种改进的自主扰动变异方式.其次,结合改进形式的自主扰动差分进化算法对SVM参数进行选取优化,设计了基于该改进差分SVM算法的视频关键帧提取算法.通过在标准测试函数及视频测试数据库中的实验表明,改进的自主扰动变异差分视频关键帧提取算法能够更加有效地优化支持向量机参数,从而有助于改善视频检索的查全(准)率两个算法性能评价标准.     

简单量子进化算法及其在数值优化中的应用

提出了一种简单量子进化算法，它仅用一个实数值表示一个量子位，并设计了特别的旋转、变异算子和评估量子染色体的方法，只用一个个体就可在很短的时间内搜索到最优解．求解数值优化问题和NiH问题的对比试验结果显示了此算法优异的性能．     

耗散结构和差分变异混合的鸡群算法

针对标准鸡群算法在求解高维优化问题时过早收敛于局部最优和收敛速度慢等问题,提出了一种耗散结构和差分变异混合的鸡群算法.该算法通过将耗散结构引入至雄鸡位置的更新公式,扩大了鸡群的搜索空间,增强了算法的全局搜索能力;同时,通过对随机选择的个体进行差分变异操作,增强了算法的收敛性能.对选取的18个标准函数进行仿真实验,结果表明,算法的收敛精度、收敛速度和稳定性均明显优于其他几种算法.     

一种基于精英云变异的差分演化算法

针对传统差分演化算法在演化过程中存在少数个体出现停滞的现象,提出一种基于精英云变异的差分演化算法.该算法在演化过程中统计出每个个体的停滞代数,当一个个体的停滞代数达到指定的阈值时,对该个体执行精英云变异操作,使其向最优个体靠近,从而加快收敛速度;同时以一定的概率对所有个体执行一般反向学习操作,以增加种群的多样性.对比实验结果表明该算法在收敛速度和求解精度上均具有一定的优势.     

基于多种群协同进化的物流配送路径优化

将PSO算法与协同进化算法结合,提出多种群协同进化算法.在解空间上均匀初始化基因个体,依据适应度排序分配种群基因的子代数量,并融入合理的遗传与变异策略.通过物流配送中的应用,以实例说明算法的有效性.     

KeeLoq和SHACAL-1算法的差分故障攻击

研究了两个非平衡Feistel结构密码KeeLoq和SHACAL-1对差分故障攻击的免疫性.采用面向比特的差分故障攻击方法对KeeLoq算法进行分析,理论分析和实验结果表明平均需要诱导11个错误就可以恢复KeeLoq的1比特密钥信息;采用面向字的差分故障攻击方法对SHACAL-1算法进行分析,实验结果显示平均需要诱导6个错误即可恢复SHACAL-1的32比特密钥信息.这表明这两个分组密码算法对差分故障攻击是不免疫的.     

基于差分演化算法的双曲型方程参数识别

差分演化算法在求解复杂优化问题时具有简单、高效的优点.本文将差分演化算法用于求解一类双曲型偏微分方程的参数识别问题,并根据所求问题的特点对算法进行了若干改进:包括基于帽子函数的参数表示和个体编码方法,用于增强算法性能的一般反向学习机制和平滑算子,以及将Tikhonov正则化和全变差正则化相结合的个体适应度计算方法.数值模拟显示,本文的算法可有效求解一维双曲型偏微分方程的参数识别问题.该算法不仅获得了高质量的近似解,而且还具有较快的收敛速度.     

基于多样变异随机搜索的差分进化算法

为解决差分进化算法(DE)易陷入局部最优、收敛速度慢等问题,提出一种基于多样变异随机搜索的差分进化算法(DMSDE),并证明算法依概率收敛.DMSDE算法在保留DE算法变异操作的同时采用变异比例因子自适应调整策略提高种群进化效率;然后利用改进的交叉算子加快算法收敛速度;此外,构造了一个新颖的多样变异算子来增强算法局部搜索能力并确保种群多样性.通过8个常用标准测试函数上的实验表明,所提出的算法在收敛精度、稳定性、收敛速度方面都优于其他5种算法,具有较高的优化性能.     

集成两变异策略的差分进化算法

在动态集成差分进化算法中,动态学习机制往往过于复杂且增加计算开销。为此,本文以传统差分进化算法框架为基础,提出集成DE/rand/1/bin和DE/best/1/bin两个优势互补的变异策略并设计动态执行机制,力求简化动态学习机制,且又能在全局搜索和局部搜索中寻找到平衡。实验结果表明:本文提出动态集成两个变异策略的差分进化算法(differential evolution algorithm integrated bi-mutation strategy,DE-BMS)缩放因子F选择为0. 9,交叉概率Cr选择为0. 1,算法具有更好的鲁棒性;与其他差分进化算法的收敛速度、成功次数解质量分别进行比较,DE-BMS在优化多峰函数问题时表现更佳。     

热方程的一个有限差分区域分解算法

本文给出了热方程的一个有限差分区域分解算法, 这个方法把原问题分解成为几个相互独立的子区域上的问题, 可以并行求解, 然后把这些解作适当的线性组合, 就得到原问题的解.数值实验证实了我们的结论.     

新的动态启发式网格任务调度算法

详细对比了传统Min-Min算法的高效特性和Max-Min算法的负载平衡特性,在原先提出以改善任务调度时间跨度性能为目标的网格任务自适应调度策略A-MM基础上,提出新的具有动态特性的启发式算法(Heuristic task scheduling algorithm based on Min-Min and Max-Min, H-MM),解决了A-MM不能动态执行的缺点.实验表明,H-MM在充分保留A-MM算法优点基础上实现了算法的动态执行特性,得到了更好的任务调度执行效果.     

用于一般函数优化的蚁群算法

蚁群算法是一种新型的模拟进化算法,初步的研究表明该算法具有许多优良的性质,利用蚁群算法求解一般函数优化,通过实验收到良好的效果。     

差分方程解对初值连续性问题

本文讨论了差分方程的解对初值的连续性问题，对较一般的方程给出了保证解对初值连续的充分条件，对线性方程（组）利用系数矩阵的特征值给出其解对初值连续的条件．     

含任意项逻辑函数布尔差分的图形化算法研究

针对包含任意项的逻辑函数,提出了一种利用该类逻辑函数K图和bj图的图形转换来实现一阶布尔差分和二阶布尔差分计算的方法．实例表明,该图形方法具有简单、直接、方便的特点．     

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.     

高级加密标准的差分特征

通过对美国高级加密标准(AES)特点的分析,引入差分特征输入差分活性盒分布图的概念,给出了一种计算AES差分特征的方法,从而使得计算AES的多轮差分特征成为可能．并且给出了用这种方法获得的AES3～12轮高概率的差分特征,其中3、4轮差分特征的概率与理论值相符．到目前为止,本文给出的3～12轮差分特征概率是所有已知的AES的多轮差分特征概率中最大的;并且首次给出了AESr(3≤r≤12)轮最大概率差分特征的差分活性盒数目范围及概率上界．