摘要：针对约束优化问题,提出一种新颖的多成员组合差分进化算法。新算法为了充分利用种群中一个成员的信息,设计了基于组合测试向量产生策略的多成员机制。该机制针对种群中一个成员产生两组候选子成员,每组候选子成员都包括利用三种变异策略分别产生的三个不同的个体。为了利用种群中不可行解的信息,新算法还设计了一种新颖的分散机制。当对最优候选子个体与当前个体进行选择操作时,该机制分别利用概率SR和1-SR选择基于目标函数的比较准则和DEB比较准则,同时概率SR随着进化代数的增加逐渐减小到0。实验结果表明,新算法在三个最难优化的问题g02,g10和g13上具有明显优势。

摘要：针对约束优化问题,提出一种约束处理的新策略,运用字典序方法同时优化问题的目标函数和约束违背程度,设计一种新型帝国竞争算法.该算法给出成本和归一化成本的新定义,以避免殖民国家势力为零,并应用嵌入殖民地间全局搜索的同化、基于优秀殖民地的革命、殖民国家的差分进化和新型帝国竞争等策略提高求解质量.基于两组约束优化标准测试函数的实验结果和算法对比表明,结合字典序方法的新型帝国竞争算法在约束优化问题的求解方面具有较强的优势.

摘要：设计一种求解约束优化问题的粒子进化变异遗传算法(IGA_PSE).首先,分析候选解约束条件离差统计信息与约束违反函数之间的关系及其性质,基于约束条件离差统计信息提出一种改进约束处理方法;其次,基于粒子进化策略提出3种新变异算子;然后,讨论该算法早熟收敛的3种情况,并提出相应的种群多样化维持策略;最后,通过数值实验表明所提出的算法能够有效求解约束优化问题.

摘要：差分进化(differential evolution,简称DE)算法解决约束优化问题(constrained optimization problems,简称COPs)时通常采用可行解优先的比较规则,但是该方法不能利用种群中不可行解的信息.设计了可以利用不可行解信息的ε-DE算法.该算法通过构造一种比较准则,使得进化过程可以充分利用种群中优秀不可行解的信息.该准则通过引入种群约束允许放松程度的概念,在进化初始阶段使可行域边界上且拥有较优目标函数的不可行解进入种群;随着进化代数增加,种群约束允许放松程度不断减小,使得种群中不可行解数量减少,直到种群约束允许放松程度为0,种群完全由可行解组成.此外,还选择了一种改进的DE算法作为搜索算法,使得进化过程具有较快的收敛性.13个标准Benchmark函数实验仿真的结果表明:ε-DE算法是目前利用DE算法解决COPs问题中效果最好的.

摘要：针对麻雀搜索算法面对具有强约束、非凸性和不可微特征的复杂问题所存在的开发与探索能力不平衡、易陷入局部最优、过早收敛和种群多样性较低等不足,提出一种求解复杂约束优化问题的多策略混合麻雀搜索算法.首先,利用反向学习策略构建双向初始化机制,以达到获得分布更优的初始种群的目的;其次,设计一种基于交叉与变异算子的位置更新公式,扩大搜索范围,丰富搜索机制,以平衡算法探索和开发能力,同时提高算法的收敛精度和速度;最后,使用社区学习策略对种群进行精炼,强化开发能力与跳出局部极值的能力,并保持种群的多样性.分别在CEC2017的28个实数约束优化问题和1个工程优化问题上进行了性能评估,实验结果表明,所提出的算法对比其他优化算法具有寻优能力强、收敛精度高、收敛速度快等优势,可有效解决复杂约束优化问题.

摘要：针对当前的约束处理技术存在易陷入局部最优解、难以满足等式约束和多控制参数的问题,在μ约束处理技术的基础上,以梯度下降法和多目标拥挤距离为理论依据,设计反映种群约束违反度分布信息的ω参数,它可以自适应地调节约束违反度阈值μ的松弛进而有效地解决约束问题.此外,改进了μ阈值比较准则以提高种群的多样性.经对CEC2017的标准约束优化问题(Constraint optimization problems,COP)进行求解,并与其他先进算法相比较,结果表明,改进的μ约束处理技术能够高效地处理含等式约束的COP.

摘要：针对约束优化问题提出了一种多成员人工蜂群算法.新算法设计了一种多成员机制,增强了在可行域内的搜索能力.在进行选择操作时,允许拥有较优目标函数的不可行解战胜可行解,增强了种群的分散性;在处理等式约束时,引入一种约束放松程度从大到小变化的机制,充分利用了等式约束周围不可行解的信息.针对13个标准测试函数的仿真实验表明:当处理含有等式约束且可行域较小的问题g13和最优解位于可行域内部且可行域较大的问题g02时,与改进人工蜂群算法相比,新算法最优解的均值误差分别减小了76%和80%.

摘要：针对约束优化问题,提出了基于混沌优化的一种新的类电磁机制算法。采用多目标优化的约束处理技术,将约束优化问题转化为无约束的双目标优化模型来求解;对于转化后的新模型,设计粒子的电荷和粒子间的受力公式。同时,为了加快算法的收敛速度,结合混沌优化改进种群中的粒子。采用标准的Benchmark函数对新类电磁机制算法的性能进行了仿真测试,并将测试结果与已有算法的结果进行比较,结果表明,新算法能够快速找到问题的全局最优解或近似最优解,是一种非常有竞争力的优化算法。

摘要：本文研究约束优化问题的全局优化确定性方法.基于填充函数的定义,具体构造出了一个新的单参数填充函数并做了相关理论证明.结合SQP和BFGS局部极小化算法设计了新的填充函数全局优化算法.数值实验表明,该算法可行有效,具有良好的全局寻优能力.

摘要：提出一种新的求解约束优化问题的遗传算法,算法通过重新定义可行解与不可行解的适应度函数分别对它们进行选择,有效避免了惩罚函数法引入参数所带来的困难,重新设计的交叉算子使得算法对解空间的寻优范围扩大了.数值实验结果表明算法具有较好的鲁棒性,且对最优解位于约束边界上的一类问题具有很大优势.