一种改进的樽海鞘群算法

针对基本樽海鞘群算法(Salp Swarm Algorithm,SSA)在求解复杂函数时存在求解精度差和易陷入局部最优等缺陷,提出一种改进的樽海鞘群算法(Improved Salp Swarm Algorithm,ISSA)。首先,在领导者位置引入随机维度以拓展种群多样性;其次,改变追随者方式,即在算法前期以较大概率执行差分进化操作,进一步增强种群多样性,在算法后期较大概率执行黄金正弦算法,较好地平衡了算法的全局搜索和局部勘探能力。通过23个基准函数测试表明,本研究改进算法在收敛速度、计算精度和稳定性方面优于基本樽海鞘群算法和黄金正弦算法(Golden Sine Algorithm,Gold-SA),同时与其他改进樽海鞘群算法相比,该算法也具有一定优势。     

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.     

基于高斯概率分布采样学习的SSA算法探讨

针对基本的樽海鞘群算法(Salp Swarm Algorithm,SSA)收敛性能差等缺点,利用基于高斯概率分布采样学习的方法对樽海鞘群算法进行优化.文章用一种基于全局最优位置的高斯采样方式改变樽海鞘(追随者)的位置更新公式,在一定程度上避免陷入局部最优,同时提高收敛性能.通过8个不同特征的测试函数仿真,与其他算法的实验结果进行对比,验证了所提算法在收敛速度、收敛精度和局部搜索能力方面的良好性能.     

基于改进樽海鞘群算法的提梁机主梁轻量化设计方法

针对樽海鞘群算法在优化过程中存在收敛速度慢、求解精度低、易于陷入局部最优解等缺点，提出了基于柯西和高斯混合变异的一种自适应变异策略的樽海鞘群算法，该算法通过选出适应度值最好的前S个个体进行自适应变异，可避免算法陷入局部最优解.通过柯西和高斯变异动态调整参数的变化提高算法的局部搜索能力和收敛速度.选取10个测试函数分别对樽海鞘群算法及改进樽海鞘群算法进行测试比较.数值分析表明，改进的樽海鞘群算法收敛速度快，寻优能力强且精度高.将改进后的算法用于提梁机主梁结构的优化设计中，该结构在满足强度、刚度、稳定性等设计要求条件下，主梁的截面积减少了13.58%,轻量化效果显著，表明该算法具有良好的工程应用价值.     

基于改进樽海鞘群算法的到达时间差定位

针对室内到达时间差(time difference of arrival, TDOA)位置估计中的非线性最优化问题, 提出用改进的樽海鞘群算法搜索目标位置. 通过选择最优主基站构造改进的适应度函数, 使适应度函数可以更好地反映解的优劣程度, 提高了搜索精度. 在初始樽海鞘种群中引入近似解, 使全局搜索的步骤得到简化, 加快了算法前期收敛速度. 采用自适应跟随策略更新追随者位置, 解决局部开发低效问题, 加快了算法后期收敛速度. 仿真结果表明, 基于改进樽海鞘群算法的 TDOA 定位技术相比其他元启发式算法具有更高的定位精度和更快的收敛速度.     

融合动态收敛因子与黄金正弦的花朵授粉算法

为了解决传统花朵授粉算法收敛精度较低、易收敛到局部最优等问题,提出了融合动态收敛因子与黄金正弦的花朵授粉算法(DGSFPA).在异花授粉中引入动态收敛因子,来提高算法收敛精度.在自花授粉中进行黄金正弦优化,以增强跳出局部最优的能力.通过与其他3种算法在测试函数上的比较,验证了改进算法具有更高的收敛精度和更快的收敛速度.将DGSFPA应用于求解压力容器设计优化问题中,研究结果表明:改进算法所得4个设计变量值均比其他3种算法所得值小,且其总成本比花朵授粉算法减少5270.82元,比人工蜂群算法减少876.72元,证明了DGSFPA的有效性和可行性.     

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法。首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法。通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)、正弦余弦算法(Sine Cosine Algorithm,SCA)、樽海鞘群算法(Salp Swarm Algorithm,SSA)、狼群算法(Grey Wolf Optimizer,GWO)和布谷鸟搜索算法(Cuckoo Search Algorithm,CS),与其他改进蝴蝶优化算法相比,在寻优精度方面也具有一定优势。     

基于高斯扰动的反向蜉蝣优化算法

目的 解决蜉蝣优化算法收敛精度较低且易陷入局部最优解的不足。方法 将高斯扰动和混合反向学习策略与蜉蝣优化算法进行融合，提出一种基于高斯扰动的反向蜉蝣优化算法。该算法在雌雄蜉蝣种群中通过反向学习来扩大搜索空间，增加种群多样性；在迭代过程中对雄性蜉蝣的最优个体进行高斯扰动，防止算法陷入局部最优解。结果与结论将改进蜉蝣优化算法与其他7个对比算法在14个测试函数上进行数值实验，结果表明，改进蜉蝣优化算法具有更好的搜索能力和求解精度。     

动态调整进化方向与策略的果蝇优化算法

针对标准果蝇优化算法(FOA)收敛速度慢、容易陷入局部最优和寻优精度低等缺陷,提出了动态调整进化方向与策略的果蝇优化算法(FOADAEDS)。首先,种群初始位置由佳点集理论选取;其次,根据种群进化信息动态调整进化指导方向和搜索步长;最后,当算法陷入早熟时,改变搜索策略以跳出局部最优。对6个经典测试函数进行仿真运算,结果表明,本文提出的改进算法相比标准果蝇优化算法和其他几种改进算法,有较好的寻优精度和收敛速度。     

一种新的自适应步长果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度低和后期收敛速度慢的问题,提出了一种自适应步长果蝇优化算法(ASFOA).该算法在运行过程中根据上一代最优味道浓度判断值和当前迭代次数来自适应调整进化移动步长,使算法在初期的步长大而避免种群个体陷入局部最优,到后期果蝇移动的步长变小而获得更高的收敛精度解,并加快收敛速度.通过6个标准测试函数对改进算法进行仿真测试,结果表明ASFOA算法具有更好的全局搜索能力,其收敛精度、收敛速度均比FOA算法及参考文献中其他改进果蝇优化算法有较大的提高.     

改进蚱蜢算法在电动汽车充换电站调度中的应用

电动汽车充换电站调度优化问题一般采用群智能优化算法求解，但现有算法存在陷入局部最优、早熟收敛等缺陷，因此提出一种改进的蚱蜢算法:采用边界反弹机制，提高算法效率;引入正余弦搜索机制，加强算法的全局搜索能力;采用Lévy飞行对粒子进行随机扰动，防止种群陷入局部最优;采用非线性收敛策略加快算法后期的收敛速度.实验结果表明，该算法在电动汽车充换电站调度优化问题上，性能优于原始蚱蜢算法以及其他现有群智能算法.     

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.     

差分进化樽海鞘群特征选择算法

针对樽海鞘群优化算法(SSA: Salp Swarm Algorithm)在求解特征选择问题时存在易陷入局部最优、收敛速度慢的不足,基于樽海鞘群优化算法提出了新的改进算法差分进化樽海鞘群特征选择算法(DESSA:Differential Evolution Salp Swarm Algorithm).DESSA中采用了差分进化策略替代平均算子作为新的粒子迁移方式以增强搜索能力,并加入进化种群动态机制(EPD: Evolution Population Dynamics),加强收敛能力.实验中以KNN(K-Nearest Neighbor)分类器作为基分类器,以UCI(University of California Irvine)数据库中的8组数据集作为实验数据,将DESSA与SSA同具有代表性的算法进行对比实验,实验结果表明,DESSA算法各考察指标较原算法有明显提升,较其他算法相对优越.     

基于自适应调整权重和搜索策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)收敛速度慢、收敛精度低、易陷入局部最优的问题,提出一种基于自适应调整权重和搜索策略的鲸鱼优化算法(AWOA).设计一种随着鲸鱼种群变化情况而自适应调整权重的方法,提高了算法的收敛速度; 设计一种自适应调整搜索策略,提高了算法跳出局部最优的能力.利用23个标准测试函数,分别针对高维和低维问题进行测试,仿真结果表明,AWOA在收敛精度和收敛速度方面总体上明显优于其他多种改进的鲸鱼优化算法.     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题，利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先，将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重，以加快寻优速度；然后，为了防止种群陷入局部最优，定义了种群相似度函数；最后，在种群中加入最差个体位置信息以增加种群混乱度，从而提高算法的全局寻优能力.仿真结果表明，SAPSO在收敛速度较快的情况下，寻优精度优于蒙特洛卡算法和改进遗传算法.     

融合多策略的黄金正弦灰狼优化算法

【目的】为解决灰狼优化算法(grey wolf optimization, GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization, G-GWO)。【方法】首先,利用非线性调整收敛因子、动态调整比例权重和引入黄金正弦策略对GWO算法进行改进;然后,选取三类基准测试函数进行寻优实验,并与GWO算法、其他智能优化算法和其他改进GWO算法进行对比,从寻优的收敛精度、鲁棒性和收敛速度方面验证G-GWO算法的优越性;最后,建立板料冲压成形工艺参数与质量参数的BP神经网络(BP neural network, BPNN)代理模型,选用8种算法分别优化BP神经网络的权值和阈值,对比优化后的代理模型精度,验证G-GWO算法在实际工程应用中的有效性。【结果】G-GWO算法在三类基准测试函数的收敛精度、鲁棒性和收敛速度较其他算法均有较大优势,优化后的代理模型最大减薄率相对误差为3.47%,最大增厚率相对误差为4.99%。【结论】改进策略能提高GWO算法的性能,这可作为建立高精度代理模型和后续的...     

融合多策略改进的自适应乌鸦搜索算法

针对乌鸦搜索算法存在收敛精度低,寻优速度慢,位置更新存在盲目性等缺陷,提出了一种融合多策略改进的自适应乌鸦搜索算法(Adaptive Crow Search Algorithm with Multiple Strategy Improvements, ACSA)。首先,通过引入一种记忆遗忘机制,不仅提高了算法的收敛速度和精度,而且能够保持种群的多样性。当个体乌鸦发现存在跟随者时,引入了黄金正弦算法进行位置更新,克服了位置更新存在盲目性的不足,从而提高了算法的收敛精度。同时改进了自适应感知概率和飞行步长,以此提高算法的寻优速度和精度。将本算法运用于13个基准测试函数和三杆桁架的设计问题,并同其他的算法进行试验对比,并将实验结果进行Wilcoxon秩和检验以及Friedman检验。实验结果表明,改进后的算法在函数优化以及三杆桁架的工程优化问题上,均能够较好地寻优求解,算法的求解精度和收敛速度均得到了一定的提升。     

一种基于反向学习和伯恩斯坦算子的差分进化算法

差分进化(differential evolution,DE)算法是一种种群随机搜索算法,但其在收敛过程中存在着容易陷入局部最优、收敛精度不高等问题.为更好地提升DE算法的性能,提出一种改进算法为基于反向学习和伯恩斯坦算子的差分进化算法.反向学习策略用于增加种群的多样性,扩大种群的搜索范围,从而弥补陷入局部最优的不足,...     

基于混合变异算子的布谷鸟优化算法

针对布谷鸟寻优算法在多维优化函数搜索中存在收敛速度慢、寻优精度低的缺陷,提出了一种基于混合变异算子的布谷鸟优化算法。该算法在每次迭代后采用全局收敛引导的非均匀变异算子对鸟窝位置进行变异,再根据最优位置适应度值的变化率确定是否陷入了局部最优值,若陷入局部最优则利用高斯变异算子对鸟窝位置进行调整,从而提高了收敛速度以及寻优精度。通过6个经典测试函数的测试,实验表明改进后的布谷鸟算法具有较好的寻优精度和收敛速度。     

改进的樽海鞘群算法及在焊接梁问题中的应用

针对樽海鞘群算法的求解精度较低,收敛速度较慢等缺陷,提出一种改进的樽海鞘群算法。首先,对领导者个体执行精英反向学习策略以平衡算法的勘探和开发能力;然后,为提高算法的求解精度,受差分进化算法的启发,引入一种差分策略来更新追随者位置;最后,在搜索过程中对食物位置进行Gauss变异以避免陷入局部最优,为算法进行全局搜索奠定基础。在10个标准测试函数和一个经典工程问题上进行了实验,结果表明,改进的樽海鞘群算法的搜索性能明显优于其对比算法。