基于自适应头狼的灰狼优化算法

灰狼优化算法一种模拟灰狼捕食行为的元启发式优化算法.由于灰狼算法在种群迭代更新中始终靠近最优解,所以易陷入局部最优.提出了一种基于自适应头狼的灰狼优化算法,并在个体迭代更新中选择合适的头狼个数进行个体更新,这使得算法能够平衡开发和勘探能力.通过对20个基准函数优化问题的仿真实验表明,改进后的算法与原始灰狼优化算法相比,其全局搜索能力有显著提高.     

混沌粒子群算法及其在桁架结构优化设计中的应用

文章提出一种基于混沌思想的粒子群优化算法，它利用粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点，对标准粒子群优化算法进行了改进。在算法的初始化阶段，对粒子的位置混沌初始化；在算法运行过程中，对粒子的位置进行混沌更新和粒子群更新相结合的更新方式，使全局收敛与局部收敛达到一定平衡。将该算法应用于桁架结构的优化设计，与标准粒子群算法优化的结果相比较，混沌粒子群算法提高了对多维空间全局搜索能力，可有效避免早熟收敛现象。     

基于模糊推理的粒子群优化算法

针对无约束优化问题,提出了基于模糊推理的粒子群优化算法,该算法针对粒子群优化算法搜索能力的不足,先引入平均粒子,然后引入模糊推理来改进粒子群的速度更新公式,再利用模糊推理动态地改进算法惯性权重和速度更新公式的权重因子,再结合混沌扰动增加算法后期的局部搜索能力.数值试验采用12个测试函数并有5个算法进行对比,数值试验证明,改进算法的搜索能力有较大的提高.     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

一种新型粒子群优化算法

为提高基本粒子群算法的搜索效率,引入和声算法中产生新解的策略(称之为和声策略),综合粒子自身经验和社会认知两方面的信息直接更新粒子的位置,提出了基于和声策略的新型粒子群优化算法,通过对高维复杂函数的优化分析比较结果表明,基于新型粒子群优化算法的搜索能力较基本粒子群优化算法大大提高。本算法对其它智能算法具有借鉴意义。     

采用投影螺旋搜索的改进粒子群算法

针对传统粒子群算法在求解高维决策空间问题时容易陷入局部最优的缺点,提出采用投影螺旋搜索的改进粒子群算法。该算法提出了一种基于投影空间的螺旋搜索粒子更新方式,并应用于粒子群算法中以解决早熟问题;为了增强寻优能力,引入混沌策略生成螺旋搜索的参数以提高搜索的随机性;使用自适应算子选择策略分配螺旋搜索更新和传统粒子更新的选择概率,使2种粒子更新方式在不同搜索阶段发挥最大效用。仿真实验表明:与基本粒子群算法相比,提出的算法能够以较少的迭代次数收敛,寻优精度最大可提高10~(-13),适合于求解一类具有连续空间复杂多峰值特点的工程应用问题。     

基于自适应混沌变异粒子群算法的地震参数反演

提出了一种改进的基于自适应混沌变异的粒子群优化算法来解决地震参数反演问题.该算法提出自适应飞行策略,根据搜索能力对粒子群进行划分,增强了子群间的协同能力,使算法具有良好的全局寻优能力;两阶段混沌变异策略能够在粒子进化的不同阶段进行自适应性搜索,使算法具有较高的搜索精度.实验结果表明,该算法可有效避免标准PSO算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.首次将该算法应用于地震参数反演问题,结果表明该算法提高了反演精度且不受初始模型影响,能够较好地解决地震参数反演问题.     

均匀邻域对位的自适应差分进化算法

针对对位差分进化算法依然存在探索能力差和早熟收敛问题，提出一种基于均匀邻域对位的自适应差分进化算法。该算法在对位点所在局部邻域作适应性的小幅均匀变异操作，用以扩大对位点的搜索区域，从而提高跳出局部陷阱的概率；在对位点均匀变异操作中，变异步长利用当前群体中所有个体在每一维度的最大最小值的差距作自适应的调节，通过实时利用群体信息平衡了全局搜索与局部勘探的关系，提高算法的收敛速度；在算法搜索过程中引入多阶段扰动策略，以进一步增加算法群体实时多样性与算法所处搜索阶段的适应性，算法后期在一定程度上加强了对当前解所在邻域内的精细搜索。采用CEC 2014中不同类型基准测试函数进行仿真实验，并与其他差分算法进行对比，所提算法在10个测试函数上都取得最优的平均结果，证明所提算法具有更稳定、更优异的算法性能和更好的收敛精度。     

基于逐层演化的群体智能算法优化

为能彻底解决群体智能算法早熟问题的同时保持原算法主体不变且可与现有优化理论协同优化,在前期仿真实验和理论证明的基础上,提出了一种逐层演化的改进策略.利用在原算法中构建基于搜索空间压缩理论的自适应系统,通过逐层的压缩、选择、再初始化的操作,以包括压缩后搜索空间在内的社会信息作为遗传知识,指导寻优过程,从而实现最终解精度的提升、避免早熟问题的出现.对基准函数进行仿真实验可以看出该策略在提升算法精度,增强后期个体活性方面具有良好的表现.     

基于改进蚁群算法的双向物流路径优化

针对物流路径优化已有算法运算过程复杂、精度不高、过早收敛等问题,对蚁群算法进行了改进,以解决物流路径优化问题.为了消除蚁群算法的易停滞、收敛慢等问题,从蚂蚁转移策略、信息素更新方式以及遗传算法的融合等方面对算法进行了改进.针对双向物流的路径优化问题,通过增加启发函数、设计转移策略等方面来改进蚁群算法,使得算法能更好地考虑综合因素来进行搜索,能够更全面、更准确地找到合适的下一节点,从而得到更优的路线.     

鹰策略结合差分进化的可靠性冗余优化算法

将鹰策略和差分进化结合用于解决可靠性冗余优化问题.优化过程分为两个阶段:第一阶段使用Lévy飞行在解空间中进行全局搜索,第二阶段使用差分进化算法在前阶段得到的有前途解的周围进行快速的局部搜索.同时,修改了差分进化算法的变异算子和交叉算子以提高局部搜索的性能.该算法较好地实现了全局搜索和局部搜索的平衡,既有利于跳出局部最优,又可以加快局部收敛.通过对可靠性冗余优化的两个基本问题的实验表明,所提出的算法在解决可靠性冗余优化问题上是有效的.     

混合动态步长递变与局部混沌搜索的YSGA改进及其应用

绯鲵鲣优化算法(YSGA)作为一种新型的仿生优化算法,有很多可进一步改进和拓展的角度.鉴于传统YSGA算法在迭代搜索过程中始终保持恒定的追逐者学习步长并不利于后期对解空间的有效搜索,继而提出一种通过引入种群追逐者搜索步长的动态递变策略以有效调控算法的全局搜索和局部开采性能,同时融入混沌搜索策略以增强YSGA算法的局部搜索性能,继而通过混合动态步长递变策略与局部混沌搜索策略而提出一种改进的绯鲵鲣优化算法(IYSGA).最后将IYSGA算法用于极限学习机(ELM)的参数优化选择中以增强其分类识别性能.数值实验验证了IYSGA算法具有较好的极值优化性能和算法稳定性,并表现出较高的ELM参数优化有效性和可行性.     

一种新型快速的直接随机优化算法

 针对常用优化算法求解时实时性较差且易陷于局部最优解的问题, 提出一种新型快速的直接随机优化算法(DROA). 该算法直接利用随机搜索过程寻找最优解, 减少了额外计算, 降低了计算复杂度; 其搜索过程分为全局搜索和局部搜索两个阶段, 各阶段选用不同的调节参数公式和搜索方式. 先将递增参数的3个随机优化模块串接构造全局优化子, 并将多个全局优化子并行搜索构造全局优化器以获得全局最优解; 再将多个局部优化模块串接在一起运行构造局部优化器使优化解更精确. 测试结果表明, 该方法快速高效, 优于目前的全局优化算法.     

自适应搜索云逃逸的果蝇优化算法

针对果蝇优化算法解决高维复杂问题时存在的早熟收敛问题,提出一种自适应搜索云逃逸的果蝇优化算法.分析了果蝇优化算法恒定步长会影响算法的寻优精度,以算法的迭代步值为引导因子设计自适应的搜索方式,协调算法全局搜索与局部搜索的能力.在算法搜索后期,为避免种群多样性过早丧失而导致求解问题陷于局部最优解,以云模型为基础设计云逃逸机制协助算法跳出局部限制进行深度搜索.对10个不同优化问题的实验表明:所提算法从求解精度、收敛速度以及稳定性方面都具有更良好的性能.     

求解无约束全局优化问题的新型混合遗传算法

目的更好地解决遗传算法在求解全局优化问题时易陷入局部最优点的缺陷。方法将传统优化的无约束搜索和黄金分割法应用到局部搜索阶段,提出一种改进算法局部寻优能力的新型混合遗传算法（NHA）。结果与结论测试函数的数值实验结果表明该算法对改进遗传算法的缺陷是十分有效的。     

求解无约束全局优化问题的新型混合遗传算法

目的更好地解决遗传算法在求解全局优化问题时易陷入局部最优点的缺陷。方法将传统优化的无约束搜索和黄金分割法应用到局部搜索阶段,提出一种改进算法局部寻优能力的新型混合遗传算法(NHA)。结果与结论测试函数的数值实验结果表明该算法对改进遗传算法的缺陷是十分有效的。     

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。     

基于改进狼群算法的AGV路径规划

针对自动引导小车(automated guided vehicle, AGV)全局最优路径的求解问题，文章利用栅格法对环境进行建模，提出一种基于改进狼群算法(improved wolf pack algorithm, IWPA)的AGV路径规划方法。该算法采用混沌映射形成初始种群，增加种群多样性；对探狼游走行为引入随机策略，扩大搜索范围；对头狼的选择引入Metropolis准则，增强算法跳出局部最优能力；改进猛狼奔袭策略，提高算法后期寻优效率。通过8个典型测试函数的仿真实验结果表明，改进的算法在寻优速度和精度上均有较大的提高。将改进的算法应用于路径规划仿真实验，结果表明，相比于传统狼群算法，改进的狼群算法在解决AGV路径规划问题上更有效。     

基于鸟类群体响应的万有引力搜索算法及其在数据聚类中的应用

万有引力搜索算法是一个基于重力和质量动力学规律的随机搜索算法,广泛用于解决优化问题。为了增强原算法的性能,提出基于鸟类群体响应的万有引力搜索算法。该算法引入一个新的多样性勘探机制以增强它的多样性勘探能力,该机制通过3个主要步骤实现:初始化、最近邻域个体识别以及方向的改变。借助群体响应机制,提出的算法可以探索范围更广的搜索空间,并因此避免陷入局部次优解决方案。采用基准优化函数验证算法,并且应用该算法进行数据聚类。结果表明,提出的算法提高了原始GSA的多样性勘探性能,在优化函数实验和数据聚类中得到了更好的结果。     

接收信号强度指示测距模型修正与粒子群算法权重优化的节点定位算法

为了降低RSSI测距误差对定位精度的影响,提出一种RSSI模型修正与PSO权重优化相结合的定位算法。首先通过最小化误差平方和原则对RSSI测距模型参数进行校正,避免测距误差带入定位阶段,然后利用三边测量法进行粗略定位,得到未知节点的近似坐标,最后引入改进PSO算法对该近似坐标进行优化,在改进PSO算法中提出一种基于收敛因子的权重策略,有效地平衡了算法的搜索速度与搜索精度,从而得到节点坐标优化值。实验结果表明,该算法能够有效抑制测距误差积累,有更好的收敛性能和更高的全局优化能力,能实现更好的定位效果。