多目标进化算法在非线性方程组中的应用

将非线性方程组问题转化为多目标函数优化问题,利用NSGA-Ⅱ的非支配集的构造方案和基于拥挤距离排序方法产生子代种群,依适应度排序选择子代个体进行下一代优化.本文将NSGA-Ⅱ中遗传算法GA替换为进化策略ES,通过非支配集的调整与拥挤距离重新排序可以进一步提升收敛速度,同时避免种群的早熟,保证初始种群个体的优良性能得以继承.仿真实验表明,本文算法可以进一步提高非线性方程组解的精确性和求解效率,从另一个角度为非线性方程求解提供了一中新的途径.     

基于修补粒子群算法的动态网格数据流优化

针对粒子群优化算法存在的早熟收敛问题,提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的修补粒子群算法.在修补更新方程中设置参数以限制粒子在搜索区域内、采用减弱速度更新的策略减少速度更新的次,如果种群多样性逐步减小下限时,种群纷纷远离该最优位置,而当种群多样性逐步增大超出上限时,种群又开始向整体最优位置靠拢,从而保持了粒子的多样性.数值实验结果表明,算法在解决问题上表现出了良好的性能.     

基于高斯变异的蚁狮算法及其在组合优化中的应用

针对蚁狮(ant lion optimizer,ALO)算法在寻优后期种群数量减少、精英蚁狮影响权重减小导致算法收敛速度较慢且易陷入局优的问题,提出基于高斯变异的蚁狮(Gaussian mutation based ALO,GALO)算法.首先引用Kent混沌对初始蚂蚁种群进行扰动,提高蚂蚁种群多样性作为蚁狮寻优的基础...     

基于量子混合协同进化的自适应多级联属性约简(英文)

针对传统生物启发式方法在决策表中属性约简求解效率不高和难以协同约简等问题,提出一种基于量子混合协同进化的自适应多级联属性约简算法. 首先设计了一种新型高效的自适应量子角旋转策略,指导参与属性约简的进化种群自适应相互演进,加速算法收敛. 然后构建了合作和竞争混合的协同进化级联模型,根据执行经验记录分割属性种群集,提高约简子种群的多样性,并产生种群精英以增强其寻优经验共享,快速找到全局最小属性约简集. 实验结果表明,与同类典型算法相比,该算法在最小属性约简效率和精度方面具有明显优势.     

基于协同进化云的属性集成多代理约简算法（英文）

为提高属性约简算法处理含噪音和不确定大数据的性能,提出了一种基于协同进化云的属性集成多代理约简算法(CCAEMR).该算法首先基于MapReduce机制设计协同进化云框架,将整个种群分解成多个具有自适应规模的协同进化子种群,通过子种群的共享奖酬来加速属性约简实现.然后,构造了一种协同精英优化的多代理集成策略,确保划分的子种群能够充分探索交叠属性子集之间的相关性和相互依赖性,且具有较强的抗噪音性能,这些代理能保持在稳定的精英地区且取得了最佳收益.实验结果表明:所提出的CCAEMR算法在解决大规模和不确定复杂噪音数据的属性约简时具有更好的效率和适用性.     

改进粒子群算法集成解决动态单元构建与布局问题（英文）

为了降低产品生命周期缩短对生产系统的影响,对动态单元构建与布局问题同时进行了优化.首先介绍了单元构建与布局问题,考虑到不同阶段的产品需求变化及机器产能限制,适当地将单元进行重新布置.然后,以最小化物料搬运费用为目标函数,建立了数学规划模型.其次,提出了基于沟通学习策略的动态多种群粒子群算法,使各种群粒子重组之前以规定策略进行位置共享,避免陷入局部最优和收敛较慢的困境.最后,在不同条件下进行了仿真对比实验,结果表明,所提出的算法具有更好的收敛稳定性以及更快的收敛速度.     

基于小生境免疫算法的阵列天线方向图零点生成技术

本文将小生境思想融入到免疫算法中,提出了一种小生境免疫算法。该算法对抗原识别后的抗体种群用小生境技术进行重构,将搜索空间划分为各自独立的小生境,并在各小生境内独立搜索,增强了抗体的多样性;引入小生境共享机制,用共享度控制抗体的促进和抑制,适当抑制高亲和度抗体的繁殖,克服了精英种群的冗余。将提出的小生境免疫算法(NDC_IA)应用于阵列天线方向图零点生成技术中,得到了较好的优化效果。     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

基于三维元胞空间的多目标元胞遗传算法

元胞遗传算法是一种将元胞自动机与遗传算法相结合的进化算法,这种算法具有遗传算法的适用性、并行性和扩展性,但是在后期的二维元胞空间扩散速度过慢。提出了一种基于三维球形元胞空间的多目标元胞遗传算法,其基本思想是：取元胞空间为三维球,根据Pareto支配关系找出种群中的非支配解并保存到精英集,根据元胞自动机中拓扑结构和邻居等机制,使精英集中的Pareto非支配解在种群中扩散。指标分析和数值实验表明,新算法的解不仅多样性和均匀性较好,而且在后期具有较快的扩散速度。     

GQPSO算法在动态环境优化问题中的应用

动态环境优化问题求解是近年来优化领域的研究热点。为了解决动态环境优化问题中种群的早熟收敛现象,寻找3种学习策略更新种群中的吸引子,提出一种基于高斯分布的量子行为粒子群优化算法（GQPSO）。在改进算法中,种群中粒子的吸引子由高斯公式产生。通过对比3种吸引子对算法的影响,确定了产生吸引子的最佳更新公式。此外,GQPSO算法中粒子的位置由概率密度函数以一定概率分散在搜索空间内,处于束缚状态,因此可以增加种群多样性以达到全局搜索,从而提高GQPSO算法在求解动态环境优化问题上的收敛能力。