差分进化算法研究进展

差分进化算法是一类当前较有实力的实参随机优化算法,已成功解决很多实际问题.由于算法结构简单易于执行,控制参数少且有较强的搜索能力,差分进化算法吸引了众多进化算法学者的关注.本文概述了差分进化算法的基本概念,综述了差分进化算法的主要变体,讨论它们的优缺点,并指出下一步的改进方向.     

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     

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。     

一种基于空间结构的数值优化演化算法

提出一种求解数值优化问题的演化算法－－基于空间结构的演化算法(Space GA），在这种算法中，作者将演化种群中的每个个体放在固定的位置上，杂交操作在其邻居上的几个点进行，因此不用选择遗传操作的父体，从而避免了确定选择压力的问题，同时空间结构保证了搜索的全局性，遗传操作保证了较优解在其空间中的扩展，从而达到了全局寻优的目的。文章还讨论了不同的空间结构算法的影响，此算法可以求角数学规划问题、约束函数优化问题，如果对实型变量采用取整的操作，算法还可以求解混合整数非性规划问题，数值试验的结果表明了算法在求解的速度，稳定性，质量等方面都优于一般的演化算法。     

改进的粒子群优化算法在随机需求车辆路径问题中的应用

设计了一种求解随机需求车辆路径问题的改进的粒子群优化（PSO）算法．在算法后期将变异算子引入PSO算法，克服了基本PSO算法易陷入局部最优的缺点．数值模拟结果表明改进的PSO算法提高了全局搜索能力，求解效果优于基本PSO算法和遗传算法．     

以混合态为初态实现Deutsch-Josza量子算法

给出了一种以混合态为初态实现Deutsch-Josza（D-J）量子算法的方法。根据这种方法,需要引入一个辅助量子比特,而且不必制备纯态就可以实现D-J算法,并且读出结果时只需对辅助量子比特进行测量,这样其结果的读出过程比一般的D-J量子算法的读出过程简单,因此这种方法更容易在实验上实现。     

自适应粒子群优化算法及其在注塑成型质量指标软测量中的应用

对粒子群优化算法(PSO)进行分析,提出了一种根据速度信息自适应调整参数的粒子群优化算法(APSO-VI),该算法经过大量测试函数上的模拟实验验证,并与PSO进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等大规模复杂非线性优化问题时易陷入局部最优和不收敛的     

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.     

遗传算法在热电厂生产调度 优化中的应用

本文介绍遗传算法在热电厂运行优化中的应用方法,与一般的遗传算法不同的是, 我们在设计三种 遗传算子时考虑到父代的适应值.     

混沌改进粒子群算法及其在储能电站优化调度中的应用

储能电站能够提高风电并网效益,减少弃风具有良好的发展前景。在储能电站调度策略中,粒子群算法具有较好的适应性与便捷性,但存在容易陷入局部最优的缺点。针对这一缺点,本文提出将混沌改进的粒子群算法应用到储能电站的控制之中。由于混沌具有随机性、遍历性、规律性和敏感性的特点,将混沌融入到粒子群运动过程中,可以达到粒子群稳定与混沌不断交替进行变动,从而达到全局寻优的特点。最后通过具体算例将算法改进前后进行对比,验证改进的可行性与算法的实际应用性。     

一种求解组合优化问题的演化算法

从蚁群算法中得到启示，将信息素的观点引入到求解组合优化问题的演化算法之中，提出了一种基因优化算法，该算法直接在基因的层面上进行优化，能学习劣解的基因，并用信息熵用为结束条件的判据，最后用该算法解决了两个典型的组合优化问题，取得了较好的结果。     

一种求解多峰函数优化问题的演化算法

针对演化计算产生新解无序的问题，提出了基于相似性的邻域搜索策略．利用邻域搜索，可以方便地建立自适应的新解产生机制．针对演化算法设计中存在的搜索效果和效率平衡问题，提出了利用适应值对个体进行分级的搜索策略．通过对个体的分级，可以区分个体在搜索过程中的职能：优秀的个体进行局部极小值的开采；其他的个体进行搜索空间的探索，以发现新的局部极小值．数值实验表明，新算法能有效处理低维多峰函数，能找到所有的全局最优解．对高维多峰函数．也能找到全局最优解．     

并行Pareto多目标演化算法

提出并实现了一个并行Pareto多目标演化算法(PPMEA)，PPMEA算法是一个通过演化算法来解决基于Pareto的多目标优化问题的并行计算模型。在这个算法中，采用了并行演化算法中常用的全局并行模型和粗粒度并行岛模型。构成每个岛的子群体以不同的杂交概率和变异概率各自独立的演化，但是每隔一定的代数它们要交换外部集中的个体。标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性。     

多目标子空间搜索演化算法MOSSSEA

在研究已有的求解多目标函数优化问题的演化算法的基础上,提出了一个结合Rank排名和子空间搜索的新的以杂交为主的演化算法MOSSSEA(Multi-Object Sub-Space Search Evolutionary Algorithm),将MOSSSEA应用到求解静态多目标函数优化问题中.一组测试函数的结果表明MOSSSEA表现出了优于同类算法的收敛性和多样性.     

演化仿真优化的若干问题研究

针对仿真优化这一仿真领域提出了演化仿真优化的概念及其形式化语言描述，并给出了演化仿真优化的算法实现框架、分类，指出了仿真优化与演化算法相互取长补短的策略。为了提高速度和效率提出了一种混合演化仿真优化的算法：基于拉网的仿真优化算法（MESOAs）。该算法结合仿真系统的输出信息，构造出系统的响应曲面来指导演化算法，同时又不要求系统连接、可导，因此具有通用性、鲁棒性、隐含并行性等优点，它能有效地解决不确定环境（含随机系统和定性系统）的仿真决策优化，连续时间仿真控制优化问题等。最后，给 出了两类测试演化仿真优化算法的测试实例。一类是随机函数，另一类是GI／G／S排队模型，试验的结果表明在解的质量和速度两方面MESOAs都优于曲面响应法、随机搜索法。     

演化硬件及其进展

回顾了演化硬件的历史渊源,并讨论了演化硬件涉及的主要问题,包括作为其物质基础的大规模可编程逻辑器件和应用于其上的演化算法,以及具体实现时的设计思路等．最后本文扼要介绍了演化硬件的研究及应用现状和进一步的工作．     

基于粒子群优化求解纳什均衡的演化算法

基于粒子群优化方法从群智能的角度建立了博弈的演化模型，为求解有限n人非合作博弈的纳什均衡设计了一种粒子群优化算法．通过随机初始点的可行化以及对迭代步长的控制，保证粒子群在算法的迭代过程中始终保持在博弈的可行策略空间内，避免了在随机搜索中产生无效的粒子，因此提高了粒子群优化算法求解纳什均衡的计算性能．给出了算法的数值例子并分析了该算法的计算性能，通过粒子群算法与遗传算法的比较显示了粒子群算法求解博弈纳什均衡解的高效性．     

一类推广的差异演化算法及其应用

针对差异演化算法的局部收敛性问题，从Minimax优化的角度，提出求解非线性多峰函数优化问题的一类推广的差异演化算法（EDEA），该算法利用均匀设计方法在可行域内产生初始群体，增加种群的差异性，具有大范围收敛的性质；并且动态收缩可行域，有效地抑制了粒子群优化算法易收敛到局部最优的缺陷；给出应用该方法到典型非线性优化和不稳定周期点的求解的具体步骤，通过仿真实验证明该算法是鲁棒的。