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。     

基于指数分布的进化策略

典型的进化策略受自然进化过程的启发而成为求解全局优化问题的重要方法。传统的ES变异算子作为一个主要的进化技术是建立在正态分布的随机变量基础上的，本文提出了基于指数分布的进化策略由于采用了新的变异算子有效地减少了产生探试解的成本，从而优于传统的进化策略。     

基于非均匀变异的进化算法对高维多峰函数的收敛性分析

对基于非均匀变异算子的进化算法的实验和机理分析已经证明了该算法模型的良好特性,最近基于非均匀变异算子的进化算法模型求解一维多峰函数问题的收敛性已经得到证明.基于马尔科夫过程理论,对基于非均匀变异算子的一般性进化算法模型和一般性高维多峰函数的收敛性给出证明,并基于典型算例与同类典型算法进行性能比较,数值试验表明算法模型具有很好的性能表现和应用前景.     

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.     

遗传算法的一种改进进化策略

在现有文献研究的基础上,对传统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遗传算法中交又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.另外取消了遗传算法中难以确定的交叉、变异概率,使交叉产生的新个体数增多,这样可增大产生更优秀个体的可能性,因而可使遗传算法的性能得到更好的改善.通过4个测试函数的测试计算,结果表明,给出的改进进化策略比传统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,从而验证了提出的改进进化策略的有效性.     

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.     

进化泛函网络多维函数逼近理论及学习算法

提出了一种用于多维函数逼近的进化策略修正泛函网络基函数系数的新算法,并给出了其算法学习过程.利用进化策略的自适应性来确定基函数前的系数,改进了泛函网络的参数通过解方程组来得到这一传统方法.仿真结果表明,这种新的逼近算法简单可行,能够逼近给定的函数到预先给定的精度,具有较快的收敛速度和良好的逼近性能.     

蜜蜂进化遗传与捕鱼策略相结合的优化算法

针对捕鱼策略优化算法未充分利用群体最优个体信息因而收敛速度较慢的缺陷,提出了将蜜蜂进化遗传算法与捕鱼策略相结合的混合优化算法.算法将蜂王具有最优遗传基因的特点引入到渔夫撒网捕鱼策略中,能较好利用群体当前最优个体的信息,提高搜索速率;并保留捕鱼策略中渔夫移动搜索策略的独立性,避免陷入不成熟收敛.通过对多个典型测试函数的测试表明:蜜蜂进化遗传算法与捕鱼策略相结合的优化算法,比简单的捕鱼策略的优化算法在寻优能力、稳定性和收敛速度等方面均有提高.     

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.     

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.