智能优化算法(8):差分进化算法

3.2 差分进化算法

差分进化(Differential Evolution, DE)算法是在求解Chebyshev多项式拟合问题时提出的,算法主要通过基于差分形式的变异操作和基于概率选择的交叉操作进行优化搜索。DE算法最初的设计方法源于遗传退火算法,主要操作包括变异、交叉和选择,但具体实现方法与遗传算法有本质区别。

智能优化算法(7):禁忌搜索算法

3.1 禁忌搜索算法

禁忌搜索(Tabu Search, TS)算法是局部搜索算法的拓展,采用禁忌表来记录已经到达过的局部最优点,使得在以后一段时期内的搜索中,不再重复搜索这些解,以此跳出局部极值点。

智能优化算法(6):其他基于物理学原理的优化算法

2.2 其他基于物理学原理的优化算法

2.2.1 引力搜索算法

受万有引力定律启发,学着提出了一种新型的群体智能优化算法——引力搜索算法(Gravitational Search Algorithm, GSA)。

智能优化算法(5):模拟退火算法

2.1 模拟退火算法

模拟退火(Simlated Annealing, SA)算法是一种全局搜索算法,是局部搜索算法的拓展。区别于其他算法,模拟退火算法不要求每次产生的新解质量都有提高。

智能优化算法(4):人工蜂群优化算法与其他基于生物学原理的优化算法

人工蜂群算法(Artificial Bee Colony Algorithm, ABC),是模拟工蜂的觅食行为提出的,由三个基本部分组成,包括蜜源、雇佣蜂和未雇佣蜂;定义两种行为,包括招募蜜蜂到蜜源和放弃蜜源。

智能优化算法(3):微粒群优化算法

1.3 微粒群优化算法

微粒群优化(Particle Swarm Optimization, PSO)算法,或称为粒子群优化算法,是一种基于鸟群觅食行为规律提出的群体智能优化算法。算法概念简明,易于实现。

智能优化算法(2):蚁群算法

1.2 蚁群优化算法

蚁群优化(Ant Colony Optimization, ACO)算法是源自大自然生物界的仿真类算法,其思想吸收了蚁群觅食过程中的行为特性。蚁群算法在TSP问题、二次分配问题、图着色问题、车辆调度问题、通信网络中的负载均衡问题等表现出良好的优化性能。

智能优化算法(1):遗传算法

1.1 遗传算法

遗传算法(Genetic algorithm, GA),模拟生物在自然环境中遗传和进化的自适应(对遗传参数的自适应调整)全局优化(随机变异不断寻找全局最优解)算法,基本思想是“优胜劣汰”,是应用最广泛和效果最显著的智能优化算法。

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×