改进自适应并行花朵授粉算法

针对基本花朵授粉算法(FPA)在寻优过程中局部搜索能力弱,收敛速度慢,收敛精度不高等缺陷,提出了一种改进的自适应并行花朵授粉算法。该算法首先将并行机制引入到花朵授粉算法中,以此改善单一种群在计算中后期多样性不足的缺陷。其次采用了非线性的算法行为转换概率P及增加了非线性的莱维飞行步长比例因子,前者使算法能够根据进化时期动态地控制全局授粉和局部授粉行为;而后者使算法能够根据进化状况自适应地调节花粉个体在解空间的跳跃步长。两者相互协调,加强了算法的搜索能力及摆脱局部最优的能力。最后提出了基于拉马克优良个体交叉式学习机制,将花粉个体中的优良基因遗传到下一代个体中,进一步加强了算法的寻优能力。对测试函数的优化结果分析表明,与其他几种算法相比,该算法在全局寻优的最优解和收敛速度等方面都有了较大的改进和提高。     

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。