人群搜索和樽海鞘群的混合算法优化PID参数

为解决在优化全局时人群搜索优化算法(seeker optimization algorithm,SOA)容易过早收敛的问题,提出了一种新的基于人群搜索和樽海鞘群(salp swarm algorithm,SSA)的SOA-SSA混合算法。基于双种群进化策略,种群中的部分个体由人群搜索优化算法进化,其余个体由樽海鞘群算法进化。SOA和SSA的个体都使用信息共享机制实现协同进化,增加了种群的多样性,避免了算法过早收敛。实验结果表明：该算法在高维函数和PID参数优化方面都是可行的。与其他算法相比,SOA-SSA算法的收敛速度快、精度高、鲁棒性强,有更好的优化性能。     

一种排异竞争的粒子群优化算法

提出一种基于排异竞争机制的粒子群优化算法。算法取消传统PSO算法中的全局最优值＂gbest＂,通过设定竞争区域,使得当前种群中所有粒子和上一代种群中的精英粒子,一同参与竞争。并采取适应值竞争策略、适应度选择策略和粒子间的排异策略,来保证种群的多样性,避免了算法初期陷入局部极值的可能;并通过对排异策略的动态调整,提高了算法后期的收敛速度和精度。通过对几类典型函数的仿真测试表明,算法具有较好的全局搜索能力和收敛速度。     

基于动态分级策略的改进正余弦算法

针对正余弦算法存在易陷入局部最优、求解精度不高、收敛速度较慢等问题, 提出一种基于动态分级策略的改进正余弦算法。首先, 引入拉丁超立方抽样法, 将搜索空间均匀划分, 使初始种群覆盖整个搜索空间, 以保持初始种群的多样性。其次, 采用动态分级策略, 根据适应度值的排序情况, 将种群动态划分为好中差3个等级, 并应用破坏策略与精英引导方法对其进行扰动, 以提高算法的收敛精度, 增强跳出局部最优的能力。最后, 引入反向学习方法, 设计了动态反向学习全局搜索策略, 以提高算法的收敛速度,同时对改进算法在复杂度、收敛性和稳定性方面进行性能测试, 选取15个标准测试函数在低维和高维状态下进行仿真实验分析, 并与粒子群算法、回溯搜索算法和其他改进正余弦算法进行比较。仿真分析结果表明, 所提算法有效地提高了算法的收敛性和稳定性。     

种群分段变异学习和S型权重变色龙群算法

探索寻优能力强、良好的可靠性和稳定性是智能算法应用到具体领域中的最佳选择。针对变色龙群算法存在求解不稳定、收敛精度低下和搜索开发之间不平衡等缺陷,提出一种种群多样性分段变异学习和S型权重的变色龙群算法(RMSCSA)。引入折射镜像学习(refraction mirror learning,RML)策略使变色龙更符合自然界中的观察,增强它的多样性;引入种群多样性分段变异使适应度较差的个体得到保留,并引导它向最优位置靠近;S型递减权重的引入让它进一步平衡算法的全局搜索和开发能力,通过收敛性分析得出S型递减权重因子的优势。利用经典函数集和CEC 2017函数集进行性能验证,结果表明3种策略比CSA具有更好寻优精度和效率。通过对独立运行30次的结果进行Wilcoxon秩和检验、Friedman’s以及Holm后续检验统计分析,结果表明引入的3种策略与CSA相比都有更好的寻优能力。     

基于特异性免疫策略的遗传算法及应用

针对标准遗传算法在进化后期收敛速度慢,易陷入未成熟收敛的问题,借鉴免疫应答机理,提出一种基于特异性免疫策略的遗传算法.算法的核心在于保持种群的多样性和执行特异性免疫策略,即引入小生境技术维持种群的多样性,对遗传参数自适应调节以适应种群的实际变化;利用高亲和度抗体搜寻更优秀的抗体,并发掘低亲和度抗体寻优的潜力;通过优良记忆库实现精英保留策略,保证算法搜索的快速性及有效性.理论上证明了算法的收敛性.仿真结果表明,算法能有效地改善种群多样性,具有较强的全局收敛能力.以二级倒立摆为被控对象,将该算法应用于Takagi- Sugeno模糊神经网络控制器的优化,实物控制结果表明该方法具有良好的动稳态性能和抗干扰能力.     

基于双种群协同进化的QoS全局最优

针对服务质量（quality of service, QoS）全局最优Web服务选择问题,提出了一种双种群协同进化QoS全局最优Web服务选择算法。算法在多目标离散粒子群算法基础上设计一种双种群协同进化框架以同步进行非支配排序和精英粒子保留,并定义了一种新的离散粒子位置更新算子。同时为保证粒子的多样性和算法的全局收敛能力,算法采用基于距离的粒子多样性度量算子、基于适应值排序的粒子选择算法和基于轮盘赌的全局最优解选择策略。仿真实验结果表明该算法能同时优化多个目标,并得到一组满足约束的Pareto最优解,且具有较好的性能和鲁棒性,解集的质量和分布也优于非支配排序遗传（nondominated sorting genetic algorithm,NSGA）算法的改进算法NSGA-Ⅱ,能有效解决QoS全局最优的Web服务选择问题。     

变概率混合细菌觅食优化算法

针对细菌觅食优化算法寻优过程中精度差、易陷入早熟收敛等缺点,提出一种变概率混合细菌觅食优化算法。借鉴粒子群算法的信息共享机制,采用能综合反映细菌自身学习及群体合作的趋化方向,以提高算法的寻优精度和效率;基于群体适应度方差理论引入变概率迁徙策略,帮助细菌快速跳出局部极值,避免了早熟收敛和精英细菌逃逸;采用改进型佳点集方法构造初始种群及迁徙后的新个体,保证了种群多样性和解空间随机性。实验结果表明,本文提出的算法在全局收敛能力及优化精度和速度方面均表现更优。     

模仿二倍体繁殖的改进遗传算法

针对标准遗传算法和二倍体遗传算法容易陷入早期收敛、末期局部搜索能力差等不足之处,给出了一种忽略等位基因显隐性的二倍体遗传算法的改进方法;模仿二倍体生物繁殖的过程,引入同源染色体交叉、配子重组操作,改进了传统遗传算法的遗传操作过程;在选择过程中采用了结合最优保留的受限选择策略及精英种群方案。仿真结果表明,该改进算法不但能使种群基因保持多样性,有效抑制了算法的早熟收敛,还降低了算法复杂度、提高了搜索精度,使算法能以较快的速度与较高的精度达到全局最优。     

基于阈值控制的一种改进鲸鱼算法

针对鲸鱼算法在迭代后期种群多样性减少问题,本文提出一种基于阈值控制的改进鲸鱼优化算法(简记为TIWOA),将均匀分布空间与伪反向学习策略相结合,对原始种群位置进行初始化,为全局搜索奠定基础;改进了基于正态变异算子的选择种群方案,增加了局部搜索速度;设计了非线性收敛因子,配合改进的基于正弦函数的螺旋位置更新,使算法在迭代后期有更好的全局搜索能力.文中选取了25个国际标准测试函数对改进算法进行测试,结果表明,TIWOA算法在收敛精度与收敛速度上,更明显优于其它算法,经过Friedman检验与Wilcoxon检验,TIWOA算法与其它改进的WOA有显著性差异,说明TIWOA算法改进有明显效果.     

遗传算法交叉操作的改进

交叉操作是遗传算法中最重要的一种操作,是影响算法收敛性能的关键。提出一种改进的交叉操作,定义了种群的多样性和个体的相关性,根据种群的多样性和个体的相关性选择不同的交叉策略,大大减少无效的交叉操作,提高交叉操作的效率,从而改善算法的收敛性能。对复杂函数优化的仿真计算结果表明,同标准交叉操作比较,改进的交叉操作更加有效。     

求解有硬时间窗车辆路径问题的改进遗传算法

针对军事运输中有硬时间窗的车辆路径问题(vehicle routing problem with hard time windows, VRPHTW),结合混合交叉运算、改进变异运算和精英保留策略,以所有车辆的配送总时间最少为目标,设计了改进遗传算法。借鉴贪婪思想,提高了初始种群的优越性;构造了迭代种群的入口矩阵和出口矩阵,并以此为基础提出改进交叉算子,期间引入前向插入法设计了混合交叉运算,加快了种群的寻优速度;同时提出改进变异算子,增加了种群的多样性。实验结果表明,改进遗传算法较之基本算法有着更快的收敛速度和更优的收敛效果。     

多资源约束下改进NSGA-II算法的手术调度

针对手术调度涉及因素众多难以优化的问题, 在考虑手术台、执刀医师等资源约束,构建了以病人满意度及手 术总流程时间为目标函数的模糊调度数学模型. 针对传统的加权系数方法不能很好地解决手术多目标优 化问题,提出改进的非支配排序遗传算法(non-dominated sorting genetic algorithm II, NSGA-II),采用改进的拥挤密度排序法改善同一非劣等级内个体的排序; 提出自适应交叉和变异策略, 克服了种群早熟化,改善算法收敛速度; 采用改进精英策略保持种群多样性, 改善算法搜索性能. 最后, 将该算法应用于某三甲医院手术模糊调度中,仿真结果证明该方法的有效性和可行性.     

基于LASSA算法的多无人机协同航迹规划方法

针对基本麻雀搜索算法(sparrow search algorithm,SSA)在求解多无人机(unmanned aerial vehicle,UAV)协同航迹规划问题时收敛精度不高,易于陷入局部最优等问题,提出了一种使用对数螺旋策略和自适应步长策略的SSA (logarithmic spiral strategy a...     

基于混合策略的引力搜索算法

为了提高引力搜索算法(gravitational search algorithm, GSA)在处理单目标优化问题上的综合能力,提出了一种基于混合改进策略的GSA。依照种群个体自身的进化情况,提出个体进化率的进化策略,以提高算法的收敛速度;采取方向性的变异策略,较好地平衡了全局搜索能力和局部开采能力,最大限度地降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验表明,基于混合策略的GSA算法可有效避免早熟收敛,在收敛精度和收敛速度上与标准的GSA算法以及相应的改进算法相比有显著提高。     

基于改进螺旋更新位置模型的鲸鱼优化算法

针对鲸鱼算法后期种群的多样性丢失问题,通过螺旋更新位置模型的改进并结合对立学习策略、随机调整参数、正态变异操作等已有方法改进鲸鱼优化算法.采用对立学习策略对鲸鱼种群初始化,为全局搜索奠定基础;利用随机调整控制参数的策略,避免了算法后期陷入局部最优;正态变异算子与改进螺旋更新位置对鲸鱼种群进行干扰,避免种群后期向某个最优区域靠拢,增大算法的全局搜索能力.选取文献[4]中23个国际标准测试函数,包括单峰、多峰以及固定维数函数,对改进的算法进行低维测试;选取文献[12]中的25个单峰和多峰国际标准测试函数,对改进的算法进行高维测试.结果表明,IMWOA算法在收敛精度、收敛速度上均明显优于原WOA算法且具有普遍适用性、稳定性和解决超大规模优化问题的能力.     

基于差分进化邻域自适应的大规模多目标算法

对于大规模决策变量给求解大规模多目标优化问题带来的难以收敛及解集分布不均匀问题, 通过分析变量特征将其分类再分别优化是当前较为有效的求解方法, 但存在变量分类不够准确、变量处理不够有针对性等不足。对此, 提出一种基于差分进化邻域自适应策略的大规模多目标优化算法。首先，通过分析扰动解的支配关系将混合变量分为多样性变量和收敛性变量, 使变量分类更为准确。其次，通过对收敛性变量主成分分析降噪，降低计算成本, 并设计种群的交替进化策略及差分进化的邻域自适应更新操作以提升种群进化过程中的收敛性。实验结果表明, 所提算法在收敛速度和解集的分布均匀性上表现出良好的性能。