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。

引入交叉概率的改进混合蛙跳算法

混合蛙跳算法中对个体进行更新时是所有维度都同时进行变异，这在某些问题中如更高变量维数，这样的变异造成的变化过大，虽然能够扩大解空间的搜索范围，但是却容易跳过全局最优解，减缓算法收敛速度。
因此提出引入交叉概率，这样并不是每个维度都进行变异，而是只随机变异其中的一些维，减小更新幅度，即减少了个体更新前后的空间位置差距，利于迭代过程中最优解的快速收敛。
阅读全文 >

群搜索优化算法

群搜索优化算法(Group Search Optimizer,GSO)源于群居动物如鸟、鱼、狮子等的觅食行为。这些动物的觅食策略主要有：(1)发现，即发现食物；(2)加入，即加入(追随)发现者分享食物。为避免陷入局部极小，GSO还采用了游荡策略。据此群成员被分为3类：发现者、加入者和游荡者。

每轮迭代中，当前位置最佳的个体为此轮的发现者，发现者保持其位置不变，其他个体随机地被选择为加入者或游荡者，加入者即朝发现者的位置前进一段距离，而游荡者朝任意方向游动一段距离。在整个迭代过程中，发现者保持了当前最佳位置，加入者一直向发现者靠近，而游荡者则随机地在觅食区域游弋。迭代中，每个个体都可以在3种角色中切换。GSO算法与SGA、EP、ES、CPSO相比，在保持单模态函数优化性能的同时，对于多模态函数优化问题有明显优势。

综合学习粒子群优化算法

综合学习粒子群优化算法(Comprehensive Learning Particle Swarm Optimization Algorithm,CLPSO)是对粒子群算法的一种改进，主要针对多峰优化函数的求解。CLPSO算法一项最主要的创新点就是新型的速度更新方式：
阅读全文 >

改进的和声搜索算法

改进的和声搜索算法(improved harmony search algorithm,IHS)对和声搜索算法中的PAR及BW参数进行了改进，使得参数可以更好地适应优化问题的求解，减少算法对参数的敏感，是一种有效的改进方式。对和声搜索算法主要的改进策略如下：
阅读全文 >

多父体杂交演化算法

多父体杂交演化算法(Multi-Parent Crossover Evolutionary Algorithm,MMEA)

算法流程

(1)初始化种群population。

(2)从种群中随机选取M个点，从反射算子、压缩算子、扩张算子中随机选择一种多父体杂交算子，从这M个点中通过执行选定的多父体杂交算子生成一个新个体。如果新个体好于群体中的最差个体，则用新个体取代最差个体。
阅读全文 >

通过随机算法参数改进的简化差分进化算法

差分进化算法是一种解决复杂优化问题的有效算法，但算法对使用的参数(包括缩放因子F[0,2]及交叉因子CR[0,1])相当敏感，不适当的算法参数的选择很大程度地影响着算法的性能。因此本文介绍几种算法参数的随机选取策略，不但可以减少对算法参数的敏感，而且简化了差分进化算法：
阅读全文 >