摘要：提出一种基于隔代映射算子的差分进化算法以求解优化问题,该方法在保证解的精度的同时具有较快的收敛速度。在经典的差分进化算法基础上,采用反向学习策略产生初始种群,并采用两种差分变异策略产生变异个体,以增加种群的多样性;利用隔代映射算子产生三个新个体替换当前进化种群中最差的三个个体,以实现精英策略提升算法的收敛性;为了保持种群的多样性和避免获得局部解,利用探测算子策略产生新个体加入进化种群。采用11个单峰、多峰测试函数和两个工程实例验证了该方法的有效性。

摘要：针对多目标优化问题,本文提出一种多目标遗传算法(MOGA)。该算法引入重启动策略,从而来避免进化种群过早的收敛到某一局部Pareto最优解。一旦进化种群早熟,则在设计变量空间中重新生成一个进化种群,同时提出一种探测算子在非支配解的设计空间中进行探测性的搜索,以提高收敛效率。采用非支配解排序,将每代中的非支配解集存入一外部种群中,同时为了保持外部非支配个体分布的均匀性,进一步根据个体拥挤距离进行同一非支配级个体的比较和选择。最后将该算法用于求解汽车被动悬架结构的多目标优化设计案例,求解结果表明其具有较强的求解工程问题的能力。

摘要：提出了一种群体智能算法——模拟追逐算法.该算法模拟长跑比赛运动员追逐竞争过程,设计了追逐算子与探测算子.领先个体执行探测算子操作以便获得更优位置,落后个体为取得竞争优势,设定追赶目标,执行追逐算子操作,完成跟随超越,从而实现群体进化寻优.仿真实验表明,模拟追逐算法有较快的收敛速度和较高的求解精度,是一种稳定的优化算法.