结合Rosenbrock算法的混合MIMIC算法

分布估计算法是基于群体的进化算法,具有较强的全局搜索能力,但其局部求精能力较弱且易陷入早熟.为了解决分布估计算法局部搜索能力不足的问题,引入一种求精能力较强的Rosenbrock算法对分布估计算法进行改进,提出一种结合Rosenbrock算法的混合MIMIC算法(Rb-MIMIC).通过实验仿真测试算法性能,将所得结果与标准的MIMIC算法相比较可知,结合Rosenbrock算法的混合MIMIC算法在求精能力和收敛性方面都有所提高.测试函数维数越高,算法的优势越明显.     

一种基于小生境技术的两阶段分布估计算法

针对分布估计进化后期种群多样性降低,算法出现局部早熟的问题,把小生境技术引入分布估计算法,提出了一种两阶段估计的分布估计算法,利用小生境概率与种群概率相结合的方法产生新个体。仿真实验表明,该算法能有效防止早熟收敛,较大的提高了算法的全局搜索效率。     

基于交叉算子的改进人工蜂群算法

针对人工蜂群算法存在后期收敛速度慢、局部搜索能力差和易陷入局部最优的问题,提出一种基于交叉算子的改进人工蜂群算法.该算法利用佳点集方法产生初始种群,使得初始化个体尽可能均匀地分布在搜索空间;随机选择食物源位置与当前最优食物源位置进行算术交叉操作,引导群体向全局最优解靠近,提高算法的局部搜索能力和加快收敛速度.通过5个高维标准测试函数的实验结果表明新算法的有效性.     

多目标云分布估计算法

为增强多目标分布估计算法(MEDA)的局部搜索能力,将云模型引入到多目标分布估计算法中,提出一种多目标云分布估计算法(CMEDA).该算法一方面利用分布估计的采样操作对进化种群进行搜索,另一方面利用云滴具有随机性、稳定倾向性等特点,进行外部档案搜索,实现群体间信息交换,从而提高多目标分布估计算法的全局搜索能力.数值实验选取6个常用测试函数,并与NSGA-Ⅱ和MEDA算法进行比较,结果表明,CMEDA算法在收敛性和多样性两方面都有较好的性能.     

一种基于拟蒙特卡罗法的骨干粒子群改进算法

针对骨干粒子群算法因受粒子初始化位置分布不均影响易陷入局部最优的问题,提出一种基于拟蒙特卡罗法的初始化策略,用以确保粒子初始位置在搜索空间内保持随机分布,从而有效提升骨干粒子群算法的搜索能力.仿真实验表明:与经典骨干粒子群算法相比,采用拟蒙特卡罗法进行初始化的改进算法搜索能力有所增强,问题求解精度有明显提升.     

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.     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题（traveling salesman problem,TSP）求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

基于精英重组的混合多目标进化算法

针对多目标进化算法搜索效率低和收敛性差的问题,提出了基于精英重组的混合多目标进化算法,将多目标优化问题分解为多个单目标优化问题单独求解,并采用基于遗传算法的精英重组策略将多个相异解重组生成唯一的精英解.提出区域化的种群初始化方法,改进局部搜索及群体选择机制,采用以优化子群为核心的分组交叉策略及自适应多位变异算子,并引入基于混沌优化的重启机制,有效克服了精英保存的固有缺陷,以及现有多目标进化算法存在的目标空间解拥挤、收敛慢、易早熟等问题.多目标测试函数的数值仿真和关键步骤的性能分析证明了本文算法的有效性和优越性.     

竞争量子进化算法的巡航导弹航路规划与重规划方法

针对巡航导弹航路规划问题,提出了一种竞争量子进化算法(CQEA),算法通过双方向进化及自适应变异避免其陷入局部最优解。同时,鉴于航路重规划对实时性的高度要求,借助最小威胁曲面及搜索竖线将三维搜索空间降到一维,并引入功能区域簇初始化思想来保证初始种群皆为非劣个体,从问题的几何本质上提升航路重规划效率。最后利用CQEA算法进行了航路规划与重规划仿真实验,结果表明,与PAQEA相比,CQEA搜索效率更高,稳定性更好;与原三维搜索空间相比,通过削减搜索空间及引入功能区域簇初始化思想后算法搜索速率更快,符合航路重规划对实时性的高度要求。     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题(traveling salesman problem,TSP)求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

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.     

基于反思的思维进化算法

针对思维进化算法(MEA)群体多样性少,易陷入局部极值的问题,提出了能够学习并进行反思的思维进化算法,同时分析了该算法的机制。设计利用子群体的线性组合实现信息共享,通过适应度值的比较进行反思,运用进化历史最优值控制异化策略,提高了搜索速度,保证了种群的多样性,使得收敛速度和全局收敛性均达到较好平衡。测试函数寻优验证了算法的可行性和高效性。     

融合混沌和捕食搜索的混合粒子群算法

针对标准粒子群算法在处理复杂函数时存在的收敛速度慢、易陷入局部最优的缺点,提出了新的混合粒子群算法.该算法利用混沌运动的遍历性、对初始条件的敏感性等特性进行群体的混沌初始化,且捕食搜索策略可以通过调节限制级别的控制粒子群的搜索空间,从而平衡全局搜索和局部搜索.测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力.     

一种拟随机初始化模拟退火粒子群算法

针对粒子群优化算法在求解高维问题时易出现的早熟收敛、停滞现象,提出一种拟随机初始化模拟退火粒子群算法.采用Hammersley方法对算法进行初始化,可以提高算法在高维搜索空间的搜索能力,进一步将模拟退火思想引入到粒子群优化算法中,结合粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳特性,使算法具有跳出局部最优从而实现全局最优的能力.分别在5个经典测试函数上测试算法的性能,仿真实验结果表明,提出的算法有效克服了传统粒子群优化算法在求解高维空间优化问题时易出现的停滞现象,在进化后期仍保持较强的搜索能力,提高了传统粒子群优化算法在高维空间的全局寻优能力.     

基于混沌免疫进化算法的汽车主动悬架控制策略研究

提出一种基于混沌免疫进化算法的1/4汽车主动悬架控制方法.在免疫进化算法的基础上,利用混沌运动的特点,对初始种群混沌初始化,且根据个体评价值对群体进行不同幅度的混沌载波,既可保护优秀个体,又可进行遍历搜索,跳出局部极小值,达到快速寻优的效果.仿真结果表明:与免疫进化控制比较,采用混沌免疫进化控制,汽车的平顺性和安全性得到了更好的改善.     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

WNN中的改进PSO算法及参数初始化

利用粒子群（PSO）算法替代BP算法对小波神经网络（WNN）进行训练，针对局部极小值问题提出了改进的PSO算法，即判断当粒子陷人局部极小时将其重新初始化，并对小波的平移和伸缩参数的初始化进行了研究，避免了网络的盲目搜索，减少了迭代次数．通过非线性函数逼近的仿真结果表明，上述措施有效提高了网络搜索成功率，在一定程度上解决了局部极小值的问题．     

基于差分进化算法的图像聚类研究

将差分进化算法应用于图像聚类问题,对问题进行实数编码,采用群体智能模式实现问题解的搜索.利用差分进化算法的差分变异操作和群体分布特性有效提高算法的搜索能力,采用贪婪选择操作和竞争生存策略实现群体内个体之间的相互合作与竞争,降低了进化操作的复杂性,并通过仿真实验证明了该算法的有效性.     

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。     

低维函数的快速优化算法

基于群体的进化算法是求解函数优化问题的常用方法,但存在收敛速度慢和易陷入早熟的缺点．提出了一个基于（1＋1）-ES分块进化的低维函数优化算法,采用分块进化,引入丢弃不重要分块和二次优化求精的策略,实现了全局搜索过程和局部搜索过程的分离．通过算法分析,表明了算法比较适合于低维函数．仿真结果表明了提出的算法的抗早熟能力和求解效率均优于FEP．