与标准的粒子群优化算法(PSO)一样，量子粒子群算法(QPSO)同样存在早熟的趋势。对于单个粒子来讲，失去全局搜索能力意味着它只能在一个相当小的空间中运动，这种情况总是发生在当单个粒子所经历的最佳位置pBest和群体的最佳位置gBest非常接近时。在标准的PSO中，从它的进化方程中可以看出当pBest和gBest之间的距离接近0时，粒子的速度V也将接近0。在QPSO系统中，pBest和gBest很接近意味着粒子的参数L很小，于是粒子的搜索范围也变得很小；
阅读全文 >
基于适应度分工的差分进化算法的分工方式是依据每代群体的适应度进行分组，每个分组采用相对于此分组优化特征更优异的变异策略。与下面列出的分工方式并不一样，因此可以单独列出来。CnHUP之前提到过的混合变异策略差分进化算法及其特征有这些：
阅读全文 >
本文尝试将精英多父体杂交策略引入粒子群优化算法，多父体杂交策略是像郭涛算法之类的智能算法的核心操作策略，这里借助这一策略，融合到粒子群优化算法中，期望能对标准算法有所改进。
阅读全文 >
引入差分变异算子的进化策略(DES)是将差分进化算法(DE)中独特的变异算子引入进化策略(ES)而构成的一种优化算法。DES算法具有较强的鲁棒性，既可保持进化策略快速收敛的特点，又增加了算法的全局搜索能力，提高了优化效率。DES算法的具体步骤如下：
阅读全文 >
标准粒子群优化算法的速度更新公式为V’=w*V+c1*rand(pBest-X)+c2*rand()*(gBest-X)，因V和pBest、gBest的耦合导致X更新缓慢。受人类社会行为的启发：每一个人在做一件事的过程中，有时依靠个人经验，有时依靠群体经验，有时完全依靠个人创新，而有时是综合考虑各种经验后才做出决定。每一种都有可能获得好的结果，三者是可以分开和任意组合的，因此将更新改为多步式进行。
阅读全文 >
人工鱼群算法(AFSA)是模仿鱼类行为提出的一种基于动物自治体的优化方法，是群体智能思想的一个具体应用，它解决问题时不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各智能人工鱼个体的局部寻优行为，最终使全局最优值突现(涌现)出来。
基本AFSA有一个比较严重的缺陷是后期收敛速度比较慢，解的精度不高，因此提出了引入变异算子的改进人工鱼群算法。
阅读全文 >
使用Python实现的差分进化算法，引用到Numpy和Scipy，可以支持多核与集群并行计算。使用时只需继承DESolver并定义函数def error_func(self, indiv, *args)作为目标函数即可。具体代码如下：
阅读全文 >
