一种基于全局最优的改进的正弦余弦算法

针对正弦余弦算法在求解优化问题时容易陷入局部最优,求解精度不高的缺点,提出了一种改进的正弦余弦算法.该算法利用分群的思想将群体分成两个子群,并利用群体中的最优信息改进已有迭代公式,借鉴共生生物搜索算法的思想设置新的迭代公式,使得在进化过程中各子群使用不同的迭代公式,通过子群间的协作与竞争来实现对最优解的搜索.函数优化问题和实际问题的实验结果表明了该算法的可行性和有效性.     

一种基于扰动和边界约束处理机制的萤火虫算法

针对萤火虫算法在求解优化问题时容易陷入局部最优,求解精度不高的缺点,提出了一种改进的萤火虫算法.该算法在萤火虫算法中引入新的扰动项,并利用有效的边界约束处理机制处理边界约束.函数优化问题的实验结果表明了该算法的可行性和有效性.     

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。     

一种基于多子群的动态优化算法

针对动态粒子群优化算法的群体多样性问题,提出一种新的度量方法.为了提高群体多样性,在每次迭代前,子群内部各粒子以一定的概率飞离局部最优粒子,以保持子群内部粒子多样性.在此基础上,提出一种动态粒子群优化算法,即在每次迭代前,要淘汰超规模子群中的低适应值粒子,进一步增强整个群体的多样性水平,提高算法的鲁棒性.用标准测试函数MPB测试该算法跟踪动态全局最优值的能力,实验结果表明:该算法能有效跟踪5维以上的动态全局最优值,子群内部多样性水平提高60%以上.     

改进的萤火虫算法及其工程应用

针对萤火虫算法存在易出现早熟收敛、后期收敛慢和精度低等问题,提出1种改进的萤火虫算法。采用反向学习策略对群体中个体位置进行初始化。引入Rosenbrock搜索以加快算法收敛和增强求解精度。对当前群体中最优萤火虫个体进行高斯混沌扰动以防止出现早熟收敛现象。选取6个标准函数进行仿真实验,并对2个标准工程应用问题进行求解。结果表明,该改进的萤火虫算法具有较强的全局优化性能。     

求解二层规划问题的萤火虫智能群优化算法

针对二层规划问题,给出二层决策问题数学模型的一种新的解法,二层规划萤火虫智能群优化算法:首先采用以原问题的下层问题的Kuhn-Tucker条件代替下层问题的思想,将二层规划问题转化为单层规划问题.其次为避免求解目标函数的梯度信息以及算法过早的陷入局部最优,利用基于Pareto最优解集的萤火虫智能群优化算法对其进行求解,并利用Matlab予以实现.利用5个具有代表性的标准测试实例对该算法予以测试,并与其他算法进行比较.结果表明,结合Kuhn-Tucker条件的萤火虫智能群优化算法在5个测试函数中均能寻找到最优Pareto解,并且在求解的上层目标函数值上均优于对比算法,表明新算法可行有效.     

基于模态参数与改进萤火虫算法的结构模型修正

：为尽可能提高结构模型修正的准确性和有效性,提出一种基于模态参数和改进萤火虫算法的有限元模型修正方法. 该方法基于结构模态参数构造目标函数,使用本文提出的改进萤火虫算法进行优化求解,并通过桁架模型数值仿真将改进算法同原始萤火虫算法、遗传算法和粒子群算法进行对比,结果显示：使用改进的萤火虫算法得到的最优解更接近实际值,且离散性低,验证了改进算法求解的准确性和优越性. 最后通过六自由度剪切框架损伤识别模型试验验证了该方法在求解结构有限元模型修正问题上的准确性和有效性.     

求解约束优化问题的萤火虫算法及其工程应用

针对基本萤火虫算法存在收敛速度慢、易陷入局部最优等缺点,提出一种改进的萤火虫算法用于求解约束优化问题。该算法首先利用混沌序列初始化萤火虫的位置,引入动态随机局部搜索以加快算法的收敛速度;为了避免算法陷入局部最优,对当前全局最优解进行多样性变异操作。对几个数值优化和工程优化问题进行实验。研究结果表明:与其他启发计算法相比,该算法具有较强的寻优性能。     

一种改进的求解聚类问题的萤火虫群优化算法

提出一种改进的求解聚类问题的萤火虫群优化算法,该算法借鉴粒子群优化算法的思想,对聚类中心采用实数编码和解码方法;用线性递减的移动步长代替固定步长,萤火虫的更新位置由动态决策域和全局最优位置共同决定代替仅由动态决策域决定;并加入孤立点的移动策略,使得孤立点可以向最优值方向移动.将该算法与粒子群优化算法、基本的萤火虫群优化算法在UCI数据集上进行对比试验,结果表明改进的萤火虫群优化算法可以取得较好的聚类效果.     

网格任务调度问题求解的萤火虫算法

为了获得更优的网格任务调度方案,针对网格环境特点以及标准萤火虫算法存在的不足,提出了一种基于改进萤火虫算法的网格任务调度优化模型.对网格任务调度优化问题进行了分析,建立了网格任务调度的数学模型,引入非均匀变异算子和自适应步长的搜索策略,加快算法的求解速度和精度,并将改进萤火虫算法用于网格任务调度问题求解,通过萤火虫之间的信息共享和交流找到网格任务调度最优方案,采用仿真对比实验对其有效性和优越性进行测试.结果表明,相对于其他网格任务调度优化算法,改进萤火虫算法可以快速、准确地找到网格任务的最优调度方案,提高了计算资源的利用率,保证了网格系统负载均衡,尤其对于大规模网格任务调度问题,具有更加明显的优势.     

基于最优邻居引导萤火虫移动的粒子滤波算法

针对重采样算法导致粒子种类减少影响粒子滤波估计精度的问题,将萤火虫算法引入到粒子滤波过程中,提出了一种改进的粒子滤波算法.改进算法在萤火虫个体相对亮度的计算中引入最新时刻的观测值,同时为避免迭代后期粒子在最优值附近震荡,引入递减函数更新吸引度的大小.为减少算法的复杂度,利用最优邻居引导萤火虫个体移动并控制搜寻的范围.最...     

混沌粒子群优化算法及其在平面选址问题上的应用

通过引入混沌来影响粒子速度的更新,构造出一种混沌粒子群优化算法.其主要思想是用混沌迭代引导个体进一步优化,从而避免群体陷入局部最优,而且收敛速度得到加快.通过对三个测试函数以及平面选址问题的求解,验证该算法具有非常好的性能.     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

基于动态分组的多策略引力搜索算法

给出了一种基于动态分组的多策略引力搜索算法.算法迭代初期利用自适应分组策略对种群进行分组寻优,每个分组内只更新最差个体,采用云模型理论来改进最优个体的进化行为;迭代后期将种群分为优势子群和拓展子群,采用差分变异算子更新优势子群提高寻优精度和速度,利用Tent混沌理论进化拓展子群完成个体变异.典型复杂函数测试表明,该算法具有很好的收敛精度和计算速度.     

二进制自适应步长萤火虫优化算法

基本萤火虫优化算法(GSO)存在着易陷入局部最优、后期收敛速度慢和适应函数值震荡等缺陷,引起这些问题的一大原因是算法中设置的固定移动步长。而在一些自适应步长萤火虫优化算法(AGSO)中,算法收敛精度和速度虽较基本萤火虫算法有所优化,但其迭代过程中出现的不稳定性仍需改进。为此,设计了二进制自适应步长萤火虫优化算法(BAGSO),此算法将移动步长转换为各萤火虫位置编码之间的码距,使萤火虫的收敛方向更具全局性,不易陷入局部最优,且进一步提高了收敛精度和稳定性。通过标准测试函数测试,表明在3种算法中BAGSO算法于各性能指标上通常是最优的。     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

基于人工蜂群算法的TSP仿真

针对标准蚁群算法求解的旅行商问题(TSP)存在收敛速度慢,易陷入局部最优等缺陷,将求解组合优化问题的过程转化为蜜蜂群寻找优良蜜源的过程,并分析了人工蜂群算法及3种基本算法模型,3种引领因子更新策略,讨论了转移因子动态更新公式及状态转移公式,研究了利用该算法求解TSP问题的具体步骤,通过典型的TSP实例进行了仿真实验,结果表明该算法能够克服早熟现象,迭代次数少,收敛速度快,通用性强,比标准蚁群算法具有一定优势.     

基于改进的萤火虫算法优化粒子滤波方法

针对粒子滤波算法权值退化和多样性匮乏造成的滤波精度下降问题,提出了权值抖动萤火虫算法和不完全重采样结合的方法来改进粒子滤波.该算法在全局最优值代替萤火虫间的交互信息基础上利用权值抖动吸引度函数改进萤火虫算法来优化粒子滤波的采样过程,使粒子集趋向于真实值附近,同时采用不完全重采样方法,能够缓解粒子退化问题.实验结果表明该算法可以有效缓解粒子退化和改善粒子多样性贫化,同时提高了滤波精度.     

改进粒子滤波在行人跟踪中的应用

为提高粒子滤波在目标跟踪中的性能,将萤火虫算法(Firefly Algorithm,FA)的优化思想引入粒子滤波,并用自适应差分进化(Self-adaptive Differential Evolution,SaDE)算法代替粒子滤波的重采样,提出一种改进的粒子滤波跟踪算法,并采用新的跟踪特征HSV-iLBP进行跟踪.该算法将FA用于粒子滤波的重要性采样,通过计算迭代来抽取更加有效的粒子,并将粒子滤波的重采样过程看作求解目标函数的最值问题,通过自适应差分进化算法的迭代寻找最优粒子,改善粒子的退化和贫化问题.HSV-iLBP模型由于结合了维数低的HSV颜色特征和iLBP纹理特征,从而在提高跟踪鲁棒性的同时,能有效降低计算复杂度.通过仿真实验,验证了改进算法在行人跟踪上具有更好的精度和速度.     

一类函数优化问题的求解

针对一类函数优化问题,通过对粒子群优化算法的惯性权重和算法公式的分析,提出了一种改进的粒子群优化算法.该算法突破惯性权重常规取值.实验证明:该算法可以提高算法的效率,用极少次数的迭代,使原本复杂甚至不能求解的问题得以解决.算法具有迭代次数少、对高维函数的鲁棒性强与空间复杂度低等优势.