混合进化策略算法及其在函数优化中的应用

自适应进化策略中高斯变异算子容易使进化过程陷入局部最优,出现进化早熟.文中针对上述缺点,引入柯西变异算子和子代距离率方法.在进化前期采用柯西的变异,保证个体能够快速地向全局最优的方向移动;在进化后期采用高斯变异,当个体聚集在全局最优解附近时,以较小的变异步长驱动个体向全局最优解方向移动.子代距离率系数进行调整变异算子.通过对单峰与多峰函数仿真试验,验证了算法的有效性.     

基于函数变化率的自适应变异蛙跳算法

针对蛙跳算法进化后期种群多样性下降、易陷于局部最优解的缺陷,提出一种自适应变异蛙跳算法。其基本思想是：根据函数变化率建立一种自适应变异选择机制,当函数变化率较大时,采用高斯变异提高算法的局部收敛能力;当函数变化率较小,即算法可能陷入局部收敛时,采用柯西变异促使算法跳出局部最优。数值实验结果表明,该自适应变异选择机制不仅提高了蛙跳算法的局部收敛性,而且能在很大程度上避免早熟现象。     

无约束优化问题的一种混合进化规划算法

传统的进化规划算法解决无约束优化问题时只依赖于单纯的高斯变异,使得这种算法具有一定的局限性．本文在分析高斯变异、柯西变异的优缺点的基础上提出了混合进化规划算法,给出了算法步骤,用两个经典的数值例子比较说明了所给算法的有效性．     

一种求解多峰函数优化问题的全局与局部搜索相结合的演化算法

搜索多极值点问题是遗传算法研究领域内的一个新的方向，本在郭涛算法^[1]的基础上引入梯度算子、单亲繁殖、小生境分离和全局与局部演化相结合的混合演化算法．实例测试表明，该算法能够快速求出多峰函数的所有全局最优解，得到令人满意的结果．     

一种新型自适应遗传算法在多峰函数优化中的应用

为解决传统遗传算法在一维多峰函数优化中容易陷入局部极值、收敛概率低、稳定性不理想等问题,提出了一种新型的自适应遗传算法。结合自适应差分进化算法流程,提出了一种基于种群适应度变化程度而变化的非线性交叉算子和变异算子,使算法跳出局部极值,寻找到全局最优解,提升最优值迭代效率。函数测试实验表明,在一维多峰函数优化中,该算法在函数收敛概率、最优值迭代效率以及稳定性上比已有算法均有提高。     

基于距离度量的差分进化算法

针对差分进化算法求解函数优化问题存在过早收敛和不稳定等缺陷,提出一种基于距离度量的差分进化算法.该算法考虑各粒子的差异,利用欧式距离计算粒子与已知最优粒子的距离,然后根据差异自适应调整自身的交叉概率因子,同时增加柯西变异算子对部分个体进行变异操作,以提高种群多样性,增强算法跳出局部最优解的能力.用三种经典函数检验说明,新算法在收敛精度、速度上优于基本差分进化算法.     

一种改进的非线性优化问题的进化规划算法

在进化规划算法其突变过程中,我们可以把可行域内的点看成是不同体积大小的个体。根据函数值定义其体积,函数值越小其体积越大,然后基于聚类思想,提出一种改进的进化规划算法。在把可行域内的个体看成不同体积大小的星体,通过定义星体的膨胀度E,增加新的搜索方向,从而沿着函数值可能下降的方向进行再以一定的概率P接收这种方法,以概率1-P接收高斯变异算子的搜索方法,来保证算法的随机性和全局性,最后应用几个典型的数值例子,来说明算法的可行性和有效性。     

一种改进的全局优化进化算法

提出了一种改进的全局优化进化算法.该算法采用实数编码,通过对可行域量子化用正交设计产生初始种群,用正交设计和因素分析设计杂交算子.在进行杂交之前,根据两个个体变量之间的距离恰当地应用高斯变异,平衡了算法的局部搜索能力和全局搜索能力,从而提高了算法的效率.最后的数值结果显示了该算法的有效性.     

求解TSP问题一种混合进化算法

进化算法是解决优化问题的一种新型方法.与现存的优化算法相比,这种方法有几个优点:它不仅能用于非线性函数,还通常能以概率收敛到全局最优解.基于一种新的变异算子和局部搜索技术,提出了一个求解旅行商问题的的新的进化算法.新的进化算子可以保证约束条件自动满足,局部搜索技术简单易行.另外,对迭代方法做了收敛性分析,给出了收敛的必要条件和充分条件.并进行了计算机模拟.结果表明本文算法是有效的,是一种适用于很多类型组合优化问题的有效方法.     

一个新的求解多峰函数的遗传算法

有用邻域罚函数及变异方法，将全局搜索和局部搜索结合起来，设计了一种新的遗传算法，有效地解决了一类具有多解的多峰函数的求解问题。