进化策略介绍

进化策略(Evolutionary Strategies,ES)是由德国的I.Rechenberg和H.P.Sehwefel于1963年提出的。ES作为一种求解参数优化问题的方法，模仿生物进化原理，假设不论基因发生何种变化，产生的结果(性状)总遵循零均值、某一方差的高斯分布(即正态分布:如何生成正态分布可以参阅VBA产生正态分布随机数NormalRand)。

早期ES的种群中只包含一个个体，而且只使用基于正态分布的变异操作。在每一进化代，变异后的个体与父体进行比较再选择两者之优，这种ES称为(1+1)-ES。
阅读全文 >

局部与全局搜索相结合的粒子群优化算法

粒子群优化算法初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第1个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，第2个极值是整个种群目前找到的最优解，这个极值是全局极值gBest；或者只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值lBest。

分别采用全局和局部不同极值更新粒子的迭代方程，称为全局版和局部版的PSO算法。全局版和局部版的PSO算法各有利弊，前者收敛速度快但有时会陷入局部最优值，后者收敛速度慢一点，但很容易跳出局部最优。吸取PSO算法的优点，将局部和全局搜索的PSO算法相结合，提出局部和全局搜索相结合的粒子群算法(Local and Global Combined Particle Swarm Optimization, LGCPSO)。
阅读全文 >

引入随机变异步长的改进自组织迁移算法

自组织迁移算法(SOMA)中比较重要的策略参数是PRT、PathLength以及Step这3个参数。PRT参数决定了当前个体如何向领先者移动。一般说来，随着PRT参数值的增加，SOMA的局部收敛速度加快。当PRT==1时，SOMA的行为就完全确定化。研究表明PRT参数的最优值在0.1附近。
阅读全文 >

遗传算法介绍

转载自: http://wiki.mbalib.com/wiki/遗传算法

遗传算法的概念

遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。
阅读全文 >

引入局部搜索策略的差分进化算法

局部搜索算法是从一个初始解X出发，然后不断地在X的领域内搜索比X更好的解X’。如果找到比X更好的解，就用X’代替X，继续局部搜索；否则搜索结束。

引入局部搜索策略的差分进化算法的基本原理是在每一代中用DE搜索到的最佳个体Xbest，在Xbest的附近再进行k次局部搜索，得到k个个体，找到这k个个体中适应度最佳的个体Xkbest，若Xkbest适应度比Xbest更优,则用Xkbest替代Xbest，否则直接返回。在Xbest附近进行局部搜索用公式表示如下：
阅读全文 >

自由搜索算法

自由搜索(Free Search,FS)算法是一种新的群集智能优化算法，该算法全局搜索能力好，收敛速度快。

自由搜索算法基本原理

自然环境中，群居动物个体间的相互联系支撑其觅食过程。群集智能优化算法中，个体的行为和它们之间的相互联系反映了寻优搜索的特征。自由搜索算法中，个体的嗅觉、机动性和它们相互之间的关系被抽象、建模。该模型中，个体具有各自的特征，嗅觉被定义为灵敏度，嗅觉使个体在搜索域内具有辨别能力。寻优过程中，个体不断调节其灵敏度，这一点类似于自然界中的学习和掌握知识的过程。
阅读全文 >

双种群双策略并行差分进化算法

基本差分进化算法中提供了多种变异策略，各种变异策略对智能算法的作用各异，有的探索(全局搜索)能力强，但收敛速度慢，如DE/rand/1/bin变异策略。而像DE/best/2/bin变异策略，开采(局部搜索)能力强，精度高，收敛速度快，但又会加大算法陷入局部最优点的可能性。因此提出一种采用双种群双策略并行差分进化算法。
阅读全文 >