Tag Archives: 智能算法

对称交叉的差分进化算法

标准差分进化算法产生新个体时,采用的交叉算子是以交叉因子CR为依据的交叉方式,当(rand() < CR)时,这一维度上的变量采用经过变异后的相应维度上的变量,其余的维度上仍保持原来的值不变,经过变异交叉后产生的这个新个体与父个体通过选择操作选优。
阅读全文 >

退火和声搜索算法

退火和声搜索算法在保留和声搜索算法的启发搜索框架的前提下,就是不改变和声搜索算法的主要搜索机制,引入模拟退火的局部搜索方法。这样新的算法优化过程更具效率,预期可以更快更精地找到全局极值点。
阅读全文 >

云自适应粒子群优化算法

设粒子群的规模为nPop,第iGen次迭代中粒子Xi的适应度为Fi;粒子群的平均适应度为F_avg=average(Fi);将适应度优于F_avg的适应值求平均得到F_avg_1,适应度次于F_avg的适应值求平均得到F_avg_2;最优粒子的适应度为F_best。传统的自适应粒子群优化算法,惯性权重根据一定的迭代公式随着算法迭代次数的增加和适应度的减小而线性减小。这里描述的云自适应粒子群优化算法将粒子群体分成3个子群,分别采用不同惯性权重w生成策略,
阅读全文 >

基于维度划分的协同PSO算法

基于维度划分的协同PSO算法(Cooperative Particle Swarm Optimization,简称CPSO),算法采用沿不同维度分量划分子群体的原则,即用nGroup个相互独立的微粒群分别在D维的目标搜索空间中的不同维度方向上进行搜索。
阅读全文 >

动态调整学习因子的种群分类粒子群优化算法

动态调整学习因子的种群分类粒子群优化算法(PSO)首先利用粒子适应值的统计规律对粒子种群进行分类,对属于不同类别的粒子采用不同的进化模型,对于利用完全模型进化的粒子,速度更新公式中的“认知部分”和“社会部分”采用动态调整权重c1和c1的方法,这种“种群分类”与“动态学习因子”交互作用的方式,大大改进了算法的性能。
阅读全文 >

多群体与多阶段的改进量子粒子群算法

与标准的粒子群优化算法(PSO)一样,量子粒子群算法(QPSO)同样存在早熟的趋势。对于单个粒子来讲,失去全局搜索能力意味着它只能在一个相当小的空间中运动,这种情况总是发生在当单个粒子所经历的最佳位置pBest和群体的最佳位置gBest非常接近时。在标准的PSO中,从它的进化方程中可以看出当pBest和gBest之间的距离接近0时,粒子的速度V也将接近0。在QPSO系统中,pBest和gBest很接近意味着粒子的参数L很小,于是粒子的搜索范围也变得很小;
阅读全文 >

基于适应度分工的差分进化算法

基于适应度分工的差分进化算法的分工方式是依据每代群体的适应度进行分组,每个分组采用相对于此分组优化特征更优异的变异策略。与下面列出的分工方式并不一样,因此可以单独列出来。CnHUP之前提到过的混合变异策略差分进化算法及其特征有这些:
阅读全文 >