Differential Evolution A Practical Approach to Global Optimization 差分进化算法
2021-12-20 11:30:44
10.59MB
1
基于双子群协同进化思想和果蝇优化算法，提出了一种求解0-1背包问题的双子群果蝇优化算法。利用双子群协同进化以及群半径自动调节来增强搜索过程的多样性，提高算法全局寻优能力；给出了双子群果蝇优化算法的具体步骤，并用MATLAB软件编程实现。通过对多个0-1背包问题的算例进行测试，并将测试结果与其他文献结果进行比较，结果表明，双子群果蝇优化算法具有较好的全局寻优能力，可作为求解0-1背包问题的一种实用方法。
2021-12-19 22:10:40
1.28MB
1
进化计算（九）——MOEA/D代码实现及中文详解（Matlab）文章【https://blog.csdn.net/qq_43472569/article/details/121457243】的资源，对二目标优化效果很好
2021-12-16 09:09:20
65KB
1
无监督量子聚类算法实现
参考文献：Horn, David, and Assaf Gottlieb. "Algorithm for data clustering in pattern recognition problems based on quantum mechanics." Physical review letters 88.1 (2001): 018702.
2021-12-15 23:02:12
28KB
1
差分进化算法（DE算法）的主要特性是通过个体间的差异实现个体变异。变异向量由随机选取的个体向量与另外两个随机选取的个体间的差向量求和得到。相比于经典的变异算子，更加贴近个体重组的变异算子的差分是DE算法特有的。DE算法的这个主要特性是由于在它进行变异的时候有一个自我参照的变异向量，使得它在搜索空间内能够循序渐进的搜索。
2021-12-14 09:33:47
1KB
1
为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.
2021-12-12 17:32:05
3.82MB
1
针对差分进化算法易出现早熟现象和收敛速度慢等问题, 提出一种具有人工蜂群搜索策略的差分进化算
法. 利用人工蜂群搜索策略很强的探索能力, 对种群进行引导以帮助算法快速跳出局部最优点. 此外, 为了提高算法
的全局收敛速度, 采用一种基于反学习的初始化方法. 通过对12 个标准测试函数进行仿真实验并与其他算法相比较,
表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.
2021-12-10 15:18:59
182KB
1
matlab
标准合作型协同进化遗传算法(多元函数优化)
%实数编码，求最小值，函数为 bound=[-2.048 2.048];
%f2(x)= ∑i1--（n-1)[100(x(i+1)-xi^2)]^2+(xi-1)^2]
%使用贪心法处理合作者选择问题。
2021-12-09 09:11:07
13KB
1