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 >

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 >