一种基于搜索历史信息的粒子群算法

针对粒子群算法易过早收敛、陷入局部最优,从而导致收敛精度不足等问题,提出一种基于搜索历史信息的粒子群算法。该算法利用粒子群算法速度迭代公式产生的新速度与上一代飞行速度协同学习,以此作为新的粒子速度更新粒子个体;对历史飞行速度进行学习可以扩大粒子搜索区域,增强算法寻优能力,有效改善早熟收敛问题;构建多种策略对学习因子进行差异化选取,达到多样化搜索路径的目的。采用CEC 2014不同类型基准测试函数进行仿真试验,与其他经典粒子群算法进行对比表明,所提算法具有更稳定、更优异的综合性能。     

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.     

基本李代数的一种等价刻画

[1]提出一个问题：“如果李代数L的所有幂零子代数都是交换子代数,那么L是否在它的每个理想上可分？”并给出一个反例说明该问题—般不成立．本就是从分析该反例入手,说明问题不成立的原因,并给出该问题成立的条件,从而在—般情况下给出基本李代数的一个等价刻画。     

基于高斯分布估计的对位差分进化算法

针对差分进化算法探索能力不足、收敛慢等问题,提出一种基于高斯分布估计的对位差分进化算法.该算法在生成对位种群的同时还生成一个基于高斯分布估计的新种群,意在更充分地搜索解空间.在不满足跳转条件的情况下,算法给出一种基于高斯分布估计的种群跳转,增加了种群多样性.在选择操作时,将所有父代和子代个体混合起来择优选择,减少了部分优秀解和优秀基因的流失.最后在CEC2014标准函数中进行测试,与其他算法进行比较,验证了所提出的算法具有更好的搜索能力和收敛性.     

基于单增量和全局维度学习策略的萤火虫算法

萤火虫算法的搜索过程较依赖于最优萤火虫，而最优萤火虫并不进行有导向的寻优移动，算法易陷入局部最优.为此，提出了一种基于单增量和全局维度学习策略的萤火虫算法.在萤火虫个体移动时，该算法并不叠加萤火虫个体的当前位置，而是将累加的位置增量作为新的搜索方向，用于更新萤火虫的位置.该算法大大降低了萤火虫当前位置对搜索过程的影响，有利于算法更快的跳出当前局部最优，进行更大范围的寻优；其次，对最优萤火虫进行一定次数的单维度学习，将学习后的萤火虫引导种群进化.在基准测试函数上的实验结果表明，该算法优于其他几种改进的群智能优化算法，具有良好的跳出局部最优的能力.     

均匀邻域对位的自适应差分进化算法

针对对位差分进化算法依然存在探索能力差和早熟收敛问题,提出一种基于均匀邻域对位的自适应差分进化算法.该算法在对位点所在局部邻域作适应性的小幅均匀变异操作,用以扩大对位点的搜索区域,从而提高跳出局部陷阱的概率;在对位点均匀变异操作中,变异步长利用当前群体中所有个体在每一维度的最大最小值的差距作自适应的调节,通过实时利用群...     

基于种群分区的多策略综合粒子群优化算法

针对标准粒子群优化算法容易陷入局部最优收敛精度不高的问题,提出一种基于种群分区的多策略综合学习粒子群优化算法(MSPSO).该算法利用竞争机制将种群分为两个子种群：潜力子群与普通子群,对这两个子群实行不同的进化策略,潜力子群中的粒子主要负责全局探索,普通子群中的粒子则侧重于局部勘探.为验证算法的性能,在不同类型的基准函数上与其他粒子群算法及其他群智能算法进行对比,所提算法都能取到最优的平均结果,证明所提算法具有更优异的算法性能.