高斯动态粒子群优化算法

动态概率粒子群优化算法是没有速度更新公式的PSO算法，它采用概率的方法而非传统的轨迹方法生成新一代粒子的位置，获得了与其它出色的改进相当的效果。

在动态概率PSO算法中，高斯动态PSO算法的性能表现较好，其粒子位置更新公式如下：
阅读全文 >

又一种自适应控制参数的差分进化算法

水文工具集站点曾描述一种自适应算法参数的差分进化算法，通过增加个体维度来自适应算法控制参数，这里给出另外一种差分进化算法自适应控制参数的方式。
阅读全文 >

两阶段遗传算法

现实生活中无论是复杂优化系统还是其他领域的优化问题，对精度的研究具有很高的应用价值。

理论上，当所考虑的优化问题存在最优解时便一定能够求出精确的值，但在实际问题中，由于模型的提炼过程存在理论误差、数据的欠缺存在信息误差、认知观念的不同存在认识偏差等等，因而常常考虑的是优化问题的满意解。从直观的角度来看，优化问题变量变化范围与解的精度具有密切的联系，当优化变量的变化范围较大时，便很难求出精度较高的满意解，而当变量的变化范围很小时，则易于求出精度较高的满意解。
阅读全文 >

多进化模式协作的差分进化算法

差分进化算法存在多种进化模式(亦称为有多种变异策略)，其一般表示形式为DE/x/y/z，各种进化模式存在着性能上的差异，每一类进化模式既有各自的优势，也存在着不足，不能简单地说哪一类模式绝对地好，哪一类模式绝对的差。同时各模式还具有共性特征，即它们产生新个体的均为基准个体与差异向量的线性组合，这使得各模式可以统一处理，便于模式间的协作进化。
阅读全文 >

保持粒子活性的改进粒子群优化算法

基本粒子群优化算法的寻优能力主要依赖粒子之间的相互作用和相互影响，粒子自身没有变异能力。当单个粒子陷入局部极值时，它可以借助其它粒子来逃逸局部极值点；若大部分粒子均被相同的局部极值所限制时，整个算法就会进展缓慢，甚至出现停滞现象。因而基本PSO算法在早期具有较好的收敛速度，但在算法的后期，由于所有粒子都向局部极小或全局极小收敛，
阅读全文 >

自适应算法参数的差分进化算法

差分进化算法有两个重要的算法参数缩放因子F与交叉因子CR，这两个参数的设置对算法性能的影响很大，不恰当的参数可能导致算法的收敛与局部解或者收敛速度极慢。如何确定这两个参数是一个重要的问题，水文工具集站点也给出了通过随机算法参数改进的简化差分进化算法这样的思路。这里将给出另外一种自适应的方法对算法参数进行改进。
阅读全文 >

基于双种群的进化策略

进化策略作为一种进化算法，具有较强的局部搜索能力，且收敛迅速。针对在多极值问题而进行改进的快速进化策略(Fast Evolution Strategies,FES)用柯西变异算子代替原来的高斯变异算子，一般情况下，FES算法在求解多极值复杂问题时能取得较好的结果，但对于局部极值较少的问题，与标准算法差别不大。基于平衡ES算法的局部搜索和全局搜索能力的目的，提出了基于双种群的改进进化策略。
阅读全文 >