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 >

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 >

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。