融合麻雀搜索机制的改进混沌海鸥优化算法

针对海鸥优化算法收敛速度偏慢、易陷入局部最优解及求解精度低等问题,提出一种融合麻雀搜索机制的改进混沌海鸥优化算法(improved chaotic seagull optimization algorithm incorporating sparrow search mechanism, PSSOA)。使用分段线性混沌映射(piecewise linear chaotic map, PWLCM)对种群进行初始化,使海鸥个体更为均匀地分布在给定空间内;改进非线性搜索因子和随机因子,加快算法收敛速度,更好地平衡算法全局搜索和局部搜索;融合麻雀算法中的麻雀飞行机制,在后期局部搜索阶段扩大个体局部寻优范围,对海鸥位置进行二次更新,帮助个体跳出局部最优,提高寻优精度。使用16个基准测试函数进行仿真实验,将PSSOA与海鸥算法(seagull optimization algorithm, SOA)、粒子群算法(particle swarm optimization, PSO)、灰狼算法(grey wolf optimizer, GWO)和海洋捕食者算法(marine predators algo...     

改进粒子速度和位置更新公式的粒子群优化算法

针对粒子群优化算法求解精度低、局部搜索能力差、进化后期收敛速度慢等问题,本文提出一种改进粒子速度和位置更新公式的粒子群优化算法(particle swarm optimization algorithm with improved particle velocity and position update formul...     

基于莱维飞行和布朗运动的鲸鱼优化算法

针对鲸鱼优化算法存在的求解精度不高、收敛速度较慢和易陷入局部最优等缺点，设计了一种基于莱维飞行和布朗运动的鲸鱼优化算法.先利用莱维飞行方法对鲸鱼种群进行初始化，以增加初始种群的多样性；再根据布朗运动原理对鲸鱼种群的位置更新进行随机扰动，以避免算法提前陷入局部最优.将改进的鲸鱼优化算法与鲸鱼优化算法、粒子群优化算法、遗传算法和蚁群优化算法在7个不同的基准测试函数上进行对比测试，结果表明，改进的鲸鱼优化算法在求解精度、收敛速度方面均优于其他4种算法.对初始化阶段采用莱维飞行策略的改进鲸鱼优化算法与采用随机搜索策略的鲸鱼优化算法的初始解探索范围进行仿真对比实验，结果表明，改进鲸鱼优化算法一定程度上可以避免陷入局部最优.     

用对数函数描述收敛因子的改进灰狼优化算法及其应用

针对灰狼优化(grey wolf optimization,GWO)算法在求解复杂高维优化问题时存在解精度低、易陷入局部最优等缺点,提出一种基于对数函数描述收敛因子的改进GWO算法。采用佳点集方法初始化种群以保证个体尽可能均匀地分布在搜索空间中;提出一种基于对数函数描述的非线性收敛因子替代线性递减收敛因子,以协调算法的勘探和开采能力;对当前最优的3个个体执行改进的精英反向学习策略产生精英反向个体,以避免算法出现早熟收敛。研究结果表明改进算法具有较好的寻优性能。     

基于分层多子群的教与学优化算法

文章针对教与学优化(teaching-learning-based optimization,TLBO)算法在求解高维函数优化问题时易陷入局部最优与"早熟"现象、迭代后期收敛速度慢、求解精度低的缺点,提出了一种基于分层多子群的教与学优化算法(hierarchical subpopulation TLBO,HSTLBO),对平均学生水平进行重新定义,并根据适应度值对教学因子动态取值;通过预设的一个等级层次结构,将种群划分为若干个子群,构成层次结构的底层;底层子群粒子相对独立进化,保证种群多样性,每个子群的最优粒子则构成层次结构的上一层,提升算法的全局收敛能力,子群自下而上更新。通过10个Benchmark函数将提出的算法与其他算法进行对比实验,结果表明,HSTLBO在求解精度和收敛速度方面均优于其他算法。     

基于动态权重蚱蜢优化算法的突变运动跟踪

针对传统跟踪器在跟踪过程中因目标突变运动导致跟踪失败的问题,提出了一种基于动态权重蚱蜢优化算法(weighted grasshopper optimization algorithm, WGOA)的突变运动跟踪方法。首先采用变异算子增加种群多样性,提升蚱蜢优化算法(grasshopper optimization algorithm, GOA)的全局探索能力。然后,在蚱蜢位置更新过程中引入非线性动态权重,既保证算法的全局探索性能,又增强算法局部开发性能,进而提高算法的收敛速度。最后,将WGOA应用于视觉跟踪来解决目标的突变运动。实验结果表明,WGOA具有较高的收敛精度和收敛速度,将其应用在视觉跟踪,可获得较好的跟踪精度及鲁棒性,特别是对于目标的突变运动。     

融合简化粒子群的教与学优化算法

教与学优化算法(teaching-learning-based optimization algorithm,TLBO)是一种基于班级"教师阶段"和"学生阶段"的新型群智能优化算法.针对算法求解高维非线性复杂优化问题时精度较低的缺点,提出一种混合的教与学优化算法(HTLBO).首先,对"教师阶段"中的学生平均水平重新定义,并采用一种自适应策略根据粒子的适应度值对学习因子动态取值;然后,在迭代的过程中,根据适应度值将种群分成两个子种群,对于适应度值好的子种群采用改进的教与学优化算法(ATLBO)更新以增加种群的多样性,对于适应度值差的子种群采用简化粒子群算法(SPSO)以提升子种群的收敛性;最后,通过10个无约束优化问题进行对比测试实验,结果显示,HTLBO在探索性能和收敛速度方面优于TLBO等其他4种类型的算法.     

基于高斯变异与Levy飞行策略的混合粒子群优化算法

目的 解决粒子群算法易陷入局部最优解、出现早熟收敛从而导致求解精度不高的缺陷.方法 将高斯变异(Gaussian M utation)、Levy飞行策略与基本粒子群优化算法(PSO)进行混合,提出一种称为GLPSO混合粒子群算法.在该算法中粒子通过Levy飞行更新自己的位置,若粒子在若干次迭代后无法产生更优值,则在保存当前最优值的前提下进行高斯变异来保持种群多样性.结果 与结论通过对基准测试函数优化的实验结果对比,GLPSO在5个基准测试函数中的优化精度和全局搜索能力优于其他对比算法,GLPSO有更加出色的全局搜索能力和更高的求解精度.     

基于均值的云自适应鸟群优化算法

针对鸟群算法(bird swarm algorithm,BSA)在求解高维复杂优化问题时,存在收敛速度慢、寻优精度低等缺点,提出了一种基于均值的云自适应鸟群优化算法(a cloud adaptive bird swarm optimization algorithm based on mean,CAMBSA)。通过云理论引入惯性权重修正鸟群觅食策略,同时引入"均值"的概念,修改鸟群觅食策略中的"认知部分"和"社会部分",有利于协调种群全局搜索能力,避免算法陷入早熟;为了使算法在迭代后期具有较好的多样性,采用混沌扰动。仿真试验表明,所提出的算法具有较好的收敛速度和寻优精度。     

基于改进麻雀搜索算法的最大指数熵分割方法

为了解决基本麻雀搜索算法(sparrow search algorithm,SSA) 依赖初始种群和求解精度不高的问题,提出一种基于Circle混沌映射和随机游走的改进的麻雀优化算法(improved sparrow optimization algorithm,CRSSA) 。该算法为了增强麻雀种群的多样性,在麻雀初始阶段引入混沌Circle 映射; 采用随机游走对最优麻雀进行扰动,使其在麻雀寻优后期,增强算法全局搜索能力,跳出局部最优。同时选取15个测试函数对其算法进行性能测试。结果表明：与原始的SSA 、蜉蝣算法(mayfly algorithm,MA) 、粒子群优化算法(particle swarm optimization algorithm,PSO) 、鲸鱼优化算法(whale optimization algorithm,WOA) 和灰狼优化算法(gray wolf optimization algorithm,GWO) 相比,改进的麻雀搜索算法具有寻优速度快、求解准确度高和鲁棒性强等优点。将该方法应用在多阈值图像分割中,通过对比不同算法的峰值信噪比(peak-to-signal ratio,PSNR)、结构相似性(structural similarity index,SSIM)、适应度函数值和运行时间性能指标,可有效解决多阈值分割问题,具有一定的工程应用价值。     

基于信息交互的改进鸡群优化算法

针对鸡群优化(chicken swarm optimization,CSO)算法易陷入局部最优、收敛速度慢以及高维和超高维问题求解困难等缺点,提出了一种基于信息交互的改进鸡群优化(information sharing chicken swarm optimization,ISCSO)算法。通过引入信息交互和边界变异策略,增强子群的信息交互能力和种群的多样性,从而提高算法的收敛能力和寻优能力。通过对6个基本测试函数进行数值仿真,实验结果表明:改进后的算法ISCSO相比于CSO具有更好的寻优精度,与其他改进算法相比具有更好的高维寻优能力和收敛性能。     

一种改进的爬行动物搜索算法

针对爬行动物搜索算法存在早熟收敛、易陷入局部最优等问题,提出一种改进的爬行动物搜索算法(LERSA)。通过精英反向学习策略提高初始种群的质量,在种群位置更新求解适应度值的过程中加入Levy飞行策略对种群中个体位置进行更新,结合非线性加权策略改良控制参数平衡RSA算法的全局搜索与局部搜索能力。使用公开的性能验证函数、秩和检验及三杆桁架问题进行算法性能测试,结果表明改进后的算法具有良好的寻优性能,能有效解决工程优化问题。     

基于4VA信息素的蝗虫优化算法

针对标准蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)存在的不足,基于对蝗虫活动习性和行为特征的模拟,结合GOA模型,提出一种基于4-乙烯基苯甲醚(4-vinylanisole,4VA)信息素的蝗虫优化算法(Grasshopper Optimization Algorithm Based on 4-vinylanisole Pheromone,VAGOA)。首先,基于4VA是蝗虫的聚集信息素,设计4VA信息素表达式;其次,对不同蝗虫群体(群居型蝗虫和散居型蝗虫)中的个体分别采用不同的搜索策略,在探索和开发之间取得平衡,使算法全局探索能力和局部开发能力均得到有效提升,增强算法的全局寻优能力和规避陷入局部最优的能力。通过12个基准函数的仿真实验,并与GOA、PSO、HCUGOA、SA_CAGOA算法相比较,结果表明VAGOA的全局搜索能力有明显提高,在函数优化中明显具有更快的全局收敛速度及更好的稳定性。     

新型教与学优化算法及其在需水预测中的应用

针对教与学优化(teaching learning based optimization, TLBO)算法解决复杂优化问题易陷入局部最优且解的精度低的不足,提出一种高效的教与学优化算法(efficient TLBO, ETLBO)以提升标准TLBO的全局优化性能。在ETLBO中,通过双种群混洗策略将种群分成两组,通过老师单独对最差学生进行教学过程,加快算法快速收敛到全局最优。通过求解4个典型的数值函数,仿真结果验证了ETLBO算法的有效性。通过ETLBO算法优化选择极限学习机(extreme learning machine, ELM)模型参数,并构建ETLBO-ELM模型,将其应用于城市需水量预测中。仿真结果表明,ETLBO优化的ELM模型具有良好的预测精度和泛化能力。     

基于多策略融合灰狼优化算法的特征选择方法

针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法.首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率.选取6个基准测试函数进行数值实验.结果 表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法.最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征.     

解决高维优化和特征选择的多策略改进正弦余弦算法

针对基本正弦余弦算法(sine cosine algorithm, SCA)求解高维复杂优化问题时存在精度低、收敛慢和易陷入局部最优等缺点,提出一种改进的SCA(improved sine cosine algorithm, iSCA)。首先,该算法设计出一种基于倒S形函数的非线性转换参数规则替代原有线性策略,从而实现从全局搜索到局部搜索的良好过渡;其次,嵌入个体历史最佳信息修改位置搜索方程以指导寻优过程,进一步改善算法的解精度和加快收敛;最后,引入翻筋斗觅食机制生成新的位置以增加群体多样性,从而降低算法陷入局部最优的概率。选取10个高维基准测试函数、10个UCI高维数据集和2个风电机组故障数据集进行仿真实验,并与基本SCA、MSCA(memory-guided SCA)和I-GWO(improved grey wolf optimizer)算法比较,结果表明,iSCA算法在精度和收敛指标上均优于其他比较方法。     

基于黄金正弦与重启机制的二进制樽海鞘算法

针对樽海鞘算法在解决优化问题时存在收敛速度慢，易陷入局部最优解等问题，提出一种基于黄金正弦与重启机制的二进制樽海鞘改进算法.利用佳点集策略进行种群初始化，提高种群多样性；使用黄金正弦算法对樽海鞘领导者位置进行二次更新，提升算法的收敛速度和精度；在追随者位置更新过程中引入重启机制，防止算法陷入局部最优.为验证改进算法的性能，选取8个经典基准函数进行仿真实验，通过标准差评估、Wilcoxon检验及收敛速度对比等方法进行对比分析，结果表明，与现有5种二进制群优化算法相比，改进算法的收敛速度和寻优精度均有明显提升.     

基于改进蝗虫优化算法的特征选择方法

针对传统蝗虫优化算法寻优精度低和收敛速度慢的问题,提出一种基于非线性调整策略的改进蝗虫优化算法.首先,利用非线性参数代替传统蝗虫算法中的递减系数,协调算法全局探索和局部开发能力,加快算法收敛速度;其次,引入自适应权重系数改变蝗虫位置更新方式,提高算法寻优精度;然后,结合limit阈值思想,利用非线性参数对种群中部分个体进行扰动,避免算法陷入局部最优.通过六个基准测试函数的仿真结果表明,改进算法的收敛速度和寻优精度均有明显提高.最后将改进算法应用于特征选择问题中,通过在七个数据集上的实验结果表明,基于改进算法的特征选择方法能够有效地进行特征选择,提高分类准确率.     

自学习策略和Lévy飞行的正弦余弦优化算法

针对正弦余弦算法（SCA,sine cosine algorithm）局部搜索能力差的缺陷,提出自学习策略和Lévy飞行的正弦余弦优化算法（SCASL,sine cosine optimization algorithm with self-learning strategy and Lévy flight）。首先,提出正弦余弦算法自学习策略和非线性权重因子,使搜索个体记忆自身历史最优位置,在寻优过程中指导搜索个体更新位置,提高SCA的局部搜索能力;算法寻优后期,当搜索陷入局部最优时,采用基于Lévy飞行的停滞扰动策略使算法跳出局部最优,提高SCA的局部最优规避能力。基于13个经典基准测试函数对算法性能进行测试的实验结果表明,SCASL相比标准SCA和较新的优化算法SSA,VCS,WOA,GSA,具有更高的计算效率,收敛精度以及更强的局部最优规避能力。求解无人作战飞机航迹规划的仿真结果表明,在有6个敌方威胁源的战场环境中,相比SCA,SCASL求解得到的飞行航迹具有更小的航迹代价。综上,所提出的SCASL具有较强的寻优能力。     

基于多机制优化螺旋飞行特征的乌燕鸥算法

乌燕鸥优化算法(sooty tern optimization algorithm, STOA)是近年来出现的一种新兴的群智能优化算法,因其独特的螺旋式寻优方式和在实际工程问题中显著的优化效果而备受研究与关注。然而, STOA算法本身也存在着收敛速度较慢,搜索精度较低,并且容易陷入局部最优等缺点。因此,提出一种融合混沌映射、自适应惯性权重与高斯变异的多机制乌燕鸥优化算法(multi-mechanism sooty tern optimization algorithm incorporating chaotic mapping, adaptive inertia weight and gaussian mutation, GT-STOA),以促进群体多样性并增强算法全局搜索和局部寻优的能力。同时,为验证算法寻优效果的显著性,基于12个具有不同特征的测试函数,选取九种典型的优秀元启发式算法进行对比验证。实验结果表明GT-STOA相较于其它九种算法具有更高的寻优精度和更快的收敛速度,并且易跳出局部最优找到全局最优解。此外,为了研究GT-STOA解决实际问题的能力,对压力容器设计问题进行优化求解,所得实验数据显示GT-STOA较传统STOA算法在求解精度上提升了42.54%。