基于非线性和遗传变异的灰狼优化算法

灰狼优化(grey wolf optimization,GWO)算法是模拟灰狼的种群活动而提出的群智能算法,该算法因其在高维度的求解精度较高而受到广泛关注,但是它与其他群智能算法一样存在收敛慢和易陷入局部最优的缺点。针对GWO算法所存在的问题,文章基于非线性控制因子和遗传算法中的变异思想,提出了一种改进的基于非线性控制因子和遗传变异的GWO算法(grey wolf optimization algorithm based on the nonlinear control factor and genetic variation,NGGWO),并提出一种基于余弦变换的非线性收敛因子,用于平衡算法的全局与局部搜索能力;同时,在算法中引入遗传变异策略,用于解决算法陷入局部时的停滞现象;通过一组基准测试函数,将NGGWO与GWO和其改进算法进行比较。实验结果表明,NGGWO基本优于GWO算法,相比于该文提出的3种改进GWO算法,NGGWO也具有性能上的优势。     

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。     

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...     

基于社会等级淘汰机制的GWO_PSO算法

灰狼优化(Grey wolf optimizer, GWO)算法是一种近年提出的新的群智能优化算法,为了解决其寻优精度低以及收敛速度慢的缺点,该文提出一种灰狼-粒子群智能优化(Grey wolf optimizer_particle swarm optimization, GWO_PSO)算法。采用混沌算法中的Logistic混沌映射初始化种群,使狼群种群开始分布更加趋于随机;提出一种繁衍淘汰机制,等级不同的灰狼对于下一代灰狼产生不同的权重,并且对狼群中最差的一批灰狼予以淘汰,根据繁衍机制生成新的种群;采用粒子群优化算法的速度矢量,为狼群狩猎提供方向。根据仿真实验,GWO_PSO算法的收敛速度和精度相较与粒子群优化(Particle swarm optimization, PSO)和GWO都有了极大的提高,相较于其他的改进灰狼算法,GWO_PSO表现出不错的寻优能力。     

改进的灰狼算法在电动汽车充电调度中的应用

针对灰狼优化算法（grey wolf opotimizer, GWO）易早熟收敛和陷入局部最优的缺点,提出一种基于精英反向学习的混合灰狼算法（grey wolf optimizer based on particle swarm optimizer,PSO-GWO）。首先,利用精英反向学习机制初始化种群,使种群保持多样性;然后提出一种非线性控制因子策略,增加算法的搜索能力,提高算法的收敛速度;最后基于差分进化和粒子群思想更新了位置方程,从而提升算法的收敛性能。采取10个基准测试函数将本文提出的改进的算法与差分进化算法、粒子群算法、传统灰狼算法、其他学者提出的改进灰狼优化算法进行对比。实验结果表明,本文提出的算法与其他算法相比,在求解多峰函数问题上效果显著,可以搜索到最优解0,同时求解最优非0解函数的效果也体现地较优越;同时运用改进的算法在实际电动汽车充电调度上进行了对比分析,发现也取得了不错的效果。     

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...     

基于混合优化算法的工业机器人逆运动学求解

为简化工业机器人逆运动学求解过程,提高求解精度,增强求解算法通用性,提出一种计算工业机器人逆运动学问题的混合优化算法(hybrid optimization algorithm, HOA)。该方法基于冯诺依曼邻域和差分进化算法对标准灰狼优化算法(grey wolf optimize, GWO)的种群个体进行重新构造,得到一种改进的GWO;在Rosenbrock搜索法中引入柯西变异改善劣质解;将改进的GWO的解作为Rosenbrock搜索法的初值计算运动学逆解,以六自由度和七自由度工业机器人为测试对象进行仿真实验。结果表明,混合优化算法相较于对比算法具有更高的精度,更好的稳定性和通用性,证明了算法的有效性。     

基于改进灰狼算法的自动导航小车控制策略

针对灰狼算法(grey wolf optimizer, GWO)易陷入局部最优、后期收敛速度慢等问题,通过引入改进Tent混沌映射反向学习策略和非线性收敛因子,并加入差分进化的变异、交叉、选择操作,提出一种改进的差分灰狼优化算法(improved differential evolution grey wolf optimizer, IDE-GWO)。将改进算法应用于优化自动导航小车(automated guided vehicle, AGV)的比例积分微分(proportion integration differentiation, PID)控制参数,并与其他几种算法进行对比。Simulink仿真实验结果表明：该改进算法优化PID参数的控制效果明显优于其他智能优化算法,能够有效地提升AGV轨迹跟踪性能,使得AGV实际轨迹能较好拟合目标轨迹。     

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.     

基于选择策略的简化蝗虫优化算法

针对蝗虫优化算法(Grasshopper optimization algorithm, GOA)收敛速度慢、收敛精度不高的问题，提出基于选择策略的简化蝗虫优化算法(Simplified grasshopper optimization algorithm, SGOA)。首先运用选择策略处理初始种群，有助于快速缩小算法的搜索范围。其次通过选择策略将整个种群分为精英种群和一般种群，精英种群由当前最优蝗虫指导位置更新，有利于实现算法的趋优和加速；一般种群的位置更新取决于自身位置、精英种群及当前最优蝗虫位置，有利于保持算法的稳定。为验证SGOA求解高维复杂函数的广泛适用性，选取GOA、经典的粒子群优化算法(Particle swarm optimization, PSO)、高效的灰狼优化算法(Gray wolf optimization, GWO)以及鲸鱼优化算法(Whale optimization algorithm, WOA)作为SGOA的对比算法。以上5种算法求解9个标准测试函数的统计结果表明：SGOA的收敛精度、稳定性以及寻优成功率均显著高于其他算法。     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

基于改进灰狼优化算法的WSN覆盖优化

针对无线传感器网络（WSN）节点在随机部署时,存在分布不均匀的情况,从而导致覆盖率较低的问题,提出了一种改进的灰狼优化（GWO）算法.首先利用Tent混沌映射初始化种群,增加种群的多样性;其次利用改进的非线性收敛因子,平衡算法的全局搜索能力与局部搜索精度;最后将差分进化（DE）算法的变异、交叉的理念融入GWO算法,避免算法陷入局部最优,并提高算法的收敛速度.基本测试函数仿真结果验证了改进算法的有效性,随后将其应用于WSN覆盖优化问题,可以使节点的分布更加均匀,显著提高覆盖率,进而改善网络性能.     

求解全局优化问题的改进灰狼算法

灰狼算法是一种高效的优化技术,但其在一些问题上存在求解精度不高、收敛速度较慢和易于陷入局部最优的缺点。因此,提出了一种改进的灰狼优化算法（MGWO）。该算法引入了3种改进策略：平衡算法全局搜索性和局部开发性的指数规律收敛因子调整策略、提高算法求解精度的自适应位置更新策略和修订动态权重策略。通过两组在10个基准测试函数上的对比实验,验证3种改进策略的有效性。实验结果表明,综合使用3种策略的MGWO_4明显提升了基本灰狼算法（GWO）的性能,而且优于其他文献中的改进灰狼算法和其他数个优化算法。最后,在工程设计问题上的实验结果进一步证明了MGWO高效的寻优能力。     

局部搜索灰狼优化算法求解武器-目标分配问题

武器—目标分配（Weapon Target Assignment, WTA）问题是根据武器对来袭目标毁伤概率的不同,合理确定待打击目标的武器分配方案,以达到尽可能少的武器对来袭目标毁伤程度最大化的目的,是作战指挥决策领域的重要研究内容。在构建WTA问题模型的基础上,针对传统灰狼优化（Grey Wolf Optimization, GWO）算法局部开发能力不足等问题,采取了一种精英保留及免疫变异局部搜索策略。改进灰狼优化算法（Improved Grey Wolf Optimization, IGWO）首先在灰狼种群中选择部分优质精英个体,然后通过随机点变异和受体编辑两种免疫局部搜索策略对精英个体进一步寻优,从而改善传统GWO算法过早收敛和易陷入局部最优的缺点。针对3种不同规模的武器—目标分配问题,将IGWO与交叉熵算法、传统GWO算法进行了对比,计算结果显示IGWO算法所求适应度值的分位数均明显高于对比算法,进而验证了IGWO算法的有效性。     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

基于改进灰狼优化算法的区域监测机器人路径规划

为了解决大任务量作业监测中机器人路径规划问题,提出了一种区域监测的机器人路径规划算法。模拟大任务量监测真实环境进行问题建模。针对传统灰狼优化算法求解模型时全局搜索能力差且易陷入局部最优解的问题,提出了一种改进的灰狼优化算法。引入Logistic混沌映射,以加强初始化种群的多样性;引入一种控制参数的自适应调整策略,以平衡灰狼优化算法的搜索能力和开发能力;引入静态加权平均权重策略,更新种群位置,加快收敛速度。将机器人载电量与路径长度短作为约束,引入K-means算法进行任务聚类,通过改进灰狼优化算法对模型进行离线求解以规划出路径,将大任务量监测作业自动转换成分时分步作业。实验结果表明:通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高。通过50任务点与100任务点作业场景对机器人路径规划模型进行算法仿真,验证了算法的真实有效性,且任务量越大模型优越性越好,路径缩短比例越高。     

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。     

基于改进灰狼算法的混合发电系统优化设计

风光柴蓄混合发电系统的容量配置是系统优化设计中重要内容。针对基本灰狼算法在进化后期由于种群多样性的缺失而易于出现局部收敛或算法早熟的问题,提出一种具有全局寻优性能的改进灰狼优化算法(Improved Gray Wolf Optimization, IGWO)降低风光柴蓄混合发电系统的运行成本。引入收敛因子设置非线性调整策略来调节算法的全局探索与局部开发之间的平衡从而提高算法的收敛性;同时为了提高算法的全局寻优能力,通过柯西变异算子减少算法早熟收敛的概率。分析了风光蓄柴混合发电系统各发电单元特性,建立起以年均化系统成本最小化为目标的混合发电系统容量优化配置模型。分析优化结果,该改进灰狼优化算法能够有效对目标函数求解,从而证明了该算法的有效性和实用性。