在 MATLAB 中编码的进化中心算法 (ECA)

针对多模态优化问题, 提出一种动态小生境半径两阶段多模态差分进化算法. 基于构象空间退火思想, 设计一种两阶段退火策略来动态调整小生境半径, 并根据退火过程将整个优化过程分为两个阶段. 在第1 阶段, 通过差分限制变异策略生成高质量的新个体来维持种群的多样性, 促进多模收敛; 在第2 阶段, 利用种子邻近变异策略对已探测到的生境高度搜索, 加快算法的收敛速度. 实验结果表明, 所提出算法能够有效实现从全局探测到局部增强的自适应平滑过渡, 是一种有效的多模态优化算法.

差分进化算法的MatLab源代码,可供研究者和编程者参考 差分进化算法的MatLab源代码,可供研究者和编程者参考

针对进化规划的早熟收敛问题,借鉴免疫系统的应答机制,并结合进化规划与免疫机理,提出一种基于双变异算子的免疫规划算法(DMIP).该算法的核心在于采用全局柯西变异算子和局部高斯变异算子,通过保持种群的多样性和执行记忆保护以及弱小保护策略,保证了算法搜索的快速性和有效性.理论分析和仿真结果均表明,该方法能够有效地提高算法的全局及局部搜索能力,克服早熟现象.

学习进化策略很好的书，适合想要在ES方面有突破的看，

设计了基于标准差分进化算法differential evolution, DE与遗传算法genetic algorithm, GA的混合差分进化算法hybrid DE, HDE, 同时用典型的测试函数对HDE进行性能测试。针对旅行商问题traveling salesman problem, TSP的求解难题, 给出了采用位置—次序转换策略和HDE的有效求解方法, 并测试了Oliver 30个城市的TSP。仿真结果表明, 与DE和GA相比, HDE的优势在收敛率、平均最优解以及耗时上都很明显, 证明了HDE在解决TSP问题上的有效性和稳定性。

来源：Li Y, Wang S, Yang H, et al. Enhancing differential evolution algorithm using leader-adjoint populations[J]. Information Sciences, 2023, 622: 235-268. 内容：CEC2017测试集, LADE. 注释：本算法为个人编译，仅供参考.

Author(s): Noor H. Awad & Mostafa Z. Ali Paper：Ensemble Sinusoidal Differential Covariance Matrix Adaptation with Euclidean Neighborhood for Solving CEC2017 Benchmark Problems

Matlab Hill代码ieee_cec_2014_nmmso 2014年IEEE进化计算大会代码库，其中包含Niching Migratory Multi-Swarm Optimizer和文献中的其他两个多模态优化器 所提供的实现方式与Jonathan E. Fieldsend发表在IEEE进化计算会议论文集，第2593-2600页，2014年的“奔跑的山丘：利用适当的迁移多群优化器进行多模态搜索”中使用的实现方式相同。 机构存储库： 依赖性：您将需要Ian Nabney的Netlab toobox（因为NMMSO使用其dist2函数来计算矩阵之间的平方距离）。 这可以从 请在Matlab的命令行中使用“帮助function_name”来获取函数用法的说明-请注意，“ _ iterative”版本将算法运行一代（并且可以将上一代终端的状态作为输入）。 这允许逐步进行用于行为分析的算法。 非迭代版本本质上包装了迭代版本。 我已经输入了代码注释，子程序（希望如此！）在命名上并不是太不透明。 任何查询，错误修复等，请给我发电子邮件。

提出了一种自适应差分进化算法，该算法在计算过程中自适应调整缩放因子，在搜索初期保持种群的多样性和增强全局搜索能力，后期有利于局部搜索提高算法的精度。数值实验结果表明，该算法有效的避免早熟，提高了全局寻优能力。该算法的性能优于基本微分进化算法。