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 >
Archive for '博客'
引入高斯变异算子的混合蛙跳算法
在基本混合蛙跳算法中，如果算法执行前两种更新策略失败后，是直接采用随机更新子群最差个体来产生新的个体，这样并不利于个体对可行域进行有效搜索，在处理复杂函数优化问题时容易陷入局部最优、收敛速度不佳。因此引入高斯变异算子对混合蛙跳算法中的更新策略进行一些修正，利用高斯变异算子良好的局部搜索能力，
阅读全文 >
水文预报方法研究现状与展望
水文预报是对水文现象的未来状态作出事先的估计。水文预报从经验公式、集总模型走到分布式模型，已取得丰硕成果。准确及时的水文预报在防洪抢险、保证工农业安全生产，充分利用水资源以及发挥水利措施的作用方面都有很大的作用。因此，开展这方面的研究具有重要的理论价值及现实意义。
阅读全文 >
基于模糊聚类的粒子群优化算法
基于模糊聚类的粒子群优化算法通过把模糊聚类引入标准粒子群优化算法，可有效提高PSO算法的精度和效率。
基于模糊C-均值聚类算法的粒子群优化算法首先根据FCM算法把粒子群分为若干“子群”，求出每一“子群”的最优位置SPi(i=1,…,K)(K为聚类区的个数)，然后粒子群中的粒子根据其个体极值和每个“子群”中的最优位置SPi更新自己的速度和位置。
设G为nPop个粒子组成的数据集，被分为K个聚类区Ci(i=1,…,K),SPi(i=1,…,K)记为每个聚类区Ci中的粒子迄今为止搜索到的最优位置。粒子根据以下公式来更新其速度和位置：
阅读全文 >
基于耗散结构的粒子群优化算法
粒子群优化算法可以看作是一个模拟的自组织系统，在初期，通常群体为混沌无序的混乱状态，远离平衡态。“认知”部分代表着对个体本身的历史成功经验的依赖，而“社会”部分则意味着对群体历史成功经验的模仿，它们对信息的非线性反馈使用群体经验逐渐变为有序状态结构。然而，由于缺乏负熵的输入，在PSO演化的事项，个体的历史经验趋向于一致，社会差别趋向于消失，进入准平衡态。一旦这个系统演化到一定的成熟程序时，将陷入停滞状态。与其它演化算法的比较可知PSO更快地得到相当有质量的解，但当进化代数增加时并不能进行更精确的搜索，因此构造一个基于耗散结构的粒子群优化算法(Dissipative PSO,DPSO)。
阅读全文 >
随机全局最优个体的粒子群优化算法
在基本粒子群优化算法中，群体中生成的gBest完全取决于最优适应度。随机全局最优个体的粒子群优化算法里进行的改进是gBest的选择不完全取决于最优适应度，而是个体适应度越高，其被选择作gBest的概率就越大。实际选择方式很多，可采用与适应度成比例的概率进行选择的方式，即通过pSelect=Fi/sum(F)作为第i个粒子被选作gBest的选择概率。也可以用轮盘赌方式的方式来决定哪个粒子被选作gBest。在算法中有超常个体，应降低超常粒子的适应度。在算法收敛的情况下应提高粒子间适应度的差异。
混合变异策略的差分进化算法
差分进化算法中有许多变异策略(综合为X/Y/Z)，使用单一的变异策略往往对算法参数依赖性较强，这些变异策略中有的探索(全局搜索)能力较强，有的开采(局部搜索)能力较强，因此可以使用混合策略对其进行改进，前期可以较多的使用探索能力强的变异策略，而后期较大概率应用开采能力强的策略，这样便可以综合利用相应变异策略的作用，提高算法的效率，除了采用随机选择变异策略的方式外，还可以对各种变异策略对优化问题的贡献进行统计后，依据各策略的贡献不同达到自适应协调各变异策略。
