基于IMOFA的航空发动机管路多目标优化布局

针对航空发动机管路布局目前存在的问题，提出一种基于改进多目标萤火虫算法(improved multi-objective firefly algorithm，IMOFA)的航空发动机管路多目标优化布局方法.在该方法中，首先以管路长度最短、弯头数最少以及能量值最小为优化目标，建立了航空发动机管路多目标优化布局数学模型.然后，结合自适应扰动策略和精英策略，提出了一种应用于航空发动机管路多目标优化布局的改进多目标萤火虫算法，从而实现了航空发动机管路的多目标优化布局.最后，通过实例验证了所提出方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.     

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.     

随机学习萤火虫算法优化的模糊软子空间聚类算法

传统软子空间聚类算法在利用局部搜索策略解决等式约束的连续非线性的变量加权问题时,易陷入局部最优导致聚类效果不佳.针对该问题,该文提出了一种随机学习萤火虫算法优化的模糊软子空间聚类算法.该算法利用具有全局搜索能力的萤火虫算法对新算法的目标函数进行优化,同时,为弥补萤火虫算法易提前收敛和寻优精度较低的缺陷,对萤火虫种群进化...     

基于单增量和全局维度学习策略的萤火虫算法

萤火虫算法的搜索过程较依赖于最优萤火虫，而最优萤火虫并不进行有导向的寻优移动，算法易陷入局部最优.为此，提出了一种基于单增量和全局维度学习策略的萤火虫算法.在萤火虫个体移动时，该算法并不叠加萤火虫个体的当前位置，而是将累加的位置增量作为新的搜索方向，用于更新萤火虫的位置.该算法大大降低了萤火虫当前位置对搜索过程的影响，有利于算法更快的跳出当前局部最优，进行更大范围的寻优；其次，对最优萤火虫进行一定次数的单维度学习，将学习后的萤火虫引导种群进化.在基准测试函数上的实验结果表明，该算法优于其他几种改进的群智能优化算法，具有良好的跳出局部最优的能力.     

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.     

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。     

一种混沌多样性控制的萤火虫优化算法

针对基本萤火虫算法存在早熟停滞现象,提出了一种混沌多样性控制的萤火虫优化算法.运用混沌映射产生均匀分布的萤火虫初始位置,获得质量较好的初始解;在搜索过程中对适应值低的部分萤火虫进行混沌扰动,以保持群体活性,减小陷入局部最优的可能性;同时利用真实物理反弹理论对超越边界萤火虫位置进行控制,提高种群的多样性.用标准测试函数测试,实验结果表明,该算法能有效地提高了算法的全局搜索和局部开发能力,寻优精度和收敛速度明显提高.     

云计算资源优化问题求解的萤火虫算法

为了提高云计算资源利用率,结合云计算资源优化问题的特点,设计一种云计算资源优化问题求解的萤火虫算法.首先建立云计算资源负载调度问题的约束条件,以用户任务完成时间最少作为云计算资源负载调度优化的目标函数;然后通过萤火虫算法找到目标函数值最优的资源调度策略;最后在CloudSim平台上实现云计算资源负载调度仿真实验.实验结果表明,萤火虫算法减少了云计算任务完成的时间,均衡了云计算资源的负载,使云计算资源得到合理分配,且比其他算法优势明显.     

平面选址问题的萤火虫算法

平面选址问题是工程设计、线路布置、项目选址等工作中经常碰到的典型组合优化难题,根据群集智能优化原理,给出一种基于人工萤火虫群优化算法的求解方法,并针对平面选址问题进行求解.为避免算法陷入局部极值,将一种邻域搜索的局部搜索方法引入萤火虫算法中.通过对典型平面选址问题的仿真实验和与其它算法的比较,表明算法可行有效,且具良好的全局优化能力.     

一种基于萤火虫群的实际流量预测方法

针对计算机网络快速发展产生的拥塞现象,在以往的研究基础上利用萤火虫群优化方法提出一种新的预测算法PGS(Prediction method based on Glowworm Swarm).该算法首先将到达流量视作萤火虫群,节点服务率视作吸引度,通过对萤火虫个体执行移动操作和随机飞行操作来获得最优位置和吸引度,以此达到提高预测精度的目的.同时,结合OPENT和MATLAB进行仿真实验,深入研究了影响PGS算法预测误差的关键因素.最后,对比分析了小波变换预测方法,本文算法的预测误差降低了1.08%,结果表明PGS具有较好的适应性.     

基于SA-GSO的小波加权多模盲均衡算法

为解决传统多模盲均衡算法（MMA）在均衡高阶QAM信号时存在的收敛速度慢、稳态误差大等问题,提出了一种基于模拟退火萤火虫优化的小波加权多模盲均衡算法（SA-GSO-WT-WMMA）。该算法在MMA的基础上增加了加权项,并引入了模拟退火萤火虫优化（SA-GSO）算法和正交小波变换（WT）,利用加权项自适应地调整算法中代价函数的模值,利用SA-GSO算法极强的全局寻优能力来优化均衡器的初始权向量,利用正交小波变换降低信号的自相关性,有效提高了均衡效果。水声信道仿真实验表明,该算法在降低稳态均方误差和加速收敛速度两方面表现卓越。     

基于混合算法的点云配准方法研究

为解决ICP( Iterative Closest Point) 算法对初始点云位置要求高且易陷入局部最优的问题,提出一种新的配准方法。首先遵从优势互补基本思想,结合将人工萤火虫算法和粒子群算法生成自适应人工萤火虫-粒子群算法( AAGPSO: Adaptive Artificial Glowworm-Particle Swarm Optimization) ,以使算法的收敛速度变快,解的精度得到提高; 其次优化迭代最近点算法( ICP) ,将已改进的AAGPSO 算法引入ICP 配准算法中进行点云配准,解决ICP 算法因点云的初始位置相差较大而陷入局部最优问题,加快整体的配准效率。通过实验对比原始ICP 配准方法和改进的配准方法并对其进行误差分析,结果验证了AAGPSO 算法在传统ICP 算法的基础上提高了配准精度,并且加快了算法收敛速度,改进的配准方法具有明显优越性。     

一种改进的粒子群算法

为提高粒子群算法的寻优速度和精度,提出了一种改进的粒子群算法,新算法是在标准粒子群算法的基础上对个体极值作变异操作.通过三个基准函数的测试,结果表明新算法在收敛速度、收敛精度和全局寻优能力方面均明显优于其它几种粒子群算法.     

惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     

EM与PSO算法在图像统计模型拟合中的应用

针对期望最大值算法(EM)对图像统计模型初始值敏感和容易陷入局部极值的弱点,结合粒子群优化算法(PSO)全局寻优的特点,提出一种有效解决此问题的EM-PSO混合算法.该算法将粒子分为最优种群和进化种群,分别用EM算法和PSO算法进行更新.然后选取最优粒子群作为EM算法的初始值.仿真结果表明,用EM-PSO算法拟合图像统计模型比用EM算法拟合图像统计模型更准确.     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于可靠性的供应链设施选址问题的优化模型

针对传统设施选址模型片面追求成本最小化而忽视供应链系统服务水平的情况,建立了一个基于容量有限制的供应链设施选址可靠性问题的多目标优化模型(RCFLP),并针对模拟退火算法与粒子群算法的优缺点,提出了一种混合型智能算法—模拟退火粒子群算法。通过收集中国各个省的人口和各个省会的相互之间的距离数据,构建实例,通过本文建立的模型与模拟退火粒子群算法进行了求解, 并对结果进行了分析,将模拟退火粒子群算法计算结果与模拟退火算法和粒子群算法的计算结果相比较,证明了模拟退火粒子群算法的可以较快地获得较好的全局最优解。