混沌局部搜索策略的差分进化算法

鉴于混沌的遍历性特征，不少人结合了混沌对差分进化算法进行改进，目前提出的混沌差分进化算法可以分为3类：

① 用混沌的方法改变DE的2个参数，即缩放因子F和交叉因子CR；

② 用混沌的方法产生变异个体 ；

③ 是用混沌的方法产生初始种群和子群体。

这里描述的混沌局部搜索策略的差分进化算法属于另外一种类型，可以称之为混沌局部搜索方法。这种方法就是用差分进化算法找出每一代中的最佳个体，然后在最佳个体附近用混沌的方法进行一定次数的局部搜索。
阅读全文 >

基于差分进化与粒子群优化的混合优化算法

差分进化算法DE与粒子群优化算法PSO都是属于群体的启发式算法。DE的变异算子有利于增加全局搜索能力，保证种群的多样性；交叉算子并进行选择可以提高局部搜索能力，加快收敛速度；选择算子具有一定的记忆能力，能够保留优秀个体。PSO在种群多样性有保障的情况下，可以较好地探索求解区域，收敛速度也比较快。这里融合DE与PSO各自的特色鲜明的算子，以期可以提高优化算法的性能。具体操作步骤如下：
阅读全文 >

混沌优化算法

混沌优化算法(Chaos Optimization Algorithm)，是又一种新的全局性优化算法，其理论基础是混沌的遍历性。

混沌是一种普遍的非线性现象，其行为复杂且类似随机，但其有精致的内在规律性。由于混沌的遍历性，利用混沌变量进行优化搜索会比盲目无序的随机搜索更具有优越性，它可以避免演化算法陷入局部最优的缺点。
阅读全文 >

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 >