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。     

基于跨邻域搜索的连续域蚁群优化算法

针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。     

采用改进二进制蝙蝠算法的任务调度算法

针对海服务系统环境中任务完成时间过长的问题,提出一种基于改进二进制蝙蝠算法(IBBA)的任务调度算法。该算法通过在二进制蝙蝠算法(BBA)寻优过程中引入非线性惯性权重因子,平衡全局搜索和局部搜索能力;利用2个不同的邻居蝙蝠算子构成扰动项,避免算法陷入局部最优;利用自适应学习因子调整全局最优算子和邻居蝙蝠算子的权重,控制整个寻优过程由全局搜索为主向局部搜索为主过渡。实验结果表明:IBBA可以稳定地搜索到全局最优值,与现有的基于二进制粒子群算法(BPSO)和二进制蝙蝠算法的任务调度算法相比,在任务数较多时,基于IBBA的任务调度算法能避免过早收敛,使任务完成时间显著减少。在海服务网络中,将该算法应用于任务调度,可提高处理大粒度服务的效率。     

遗传算法和蚂蚁算法混合求解旅行商问题

介绍了一种求解旅行商问题的混合蚂蚁算法,该算法结合了遗传算法中的改进的交叉算子和变异算子,对产生的局部最优解进行适当地交叉和变异,提高算法的搜索空间,可以提高蚁群算法的寻优能力,实验表明该算法很有效.     

基于主附种群结构的遗传算法

介绍了一种基于新的变异算子多种群的新遗传算法，该算法可用来解决复杂的多峰函数优化问题．解决这些问题的传统遗传算法经常陷入局部最优，新算法引入一种新的基于主群、附属子群的结构可避免传统遗传算法难以克服的早熟收敛．在该结构中，主群采用新的变异算子来保持良好的群体分布，并促使较优模式的快速增长，附属子群设计在有限区域内获取局部最优．用搜索历史记录及主子群体通讯能减少搜索空间，以获取全局最优和几个局部最优．搜索局部最优和全局最优可用于多人脸检测以及路径寻优问题．实验表明，该算法已在几个复杂的多峰函数优化上取得了较好的结果．     

求解第Ⅱ类装配线平衡问题的混合遗传算法

针对第Ⅱ类装配线平衡问题,提出一种混合遗传算法,以解决典型遗传算法易陷入局部最优解的问题。在混合遗传算法中,引入烟花算法爆炸算子中基于免疫浓度思想,并与典型遗传算法的精英保留策略相结合,以保持进化过程中种群多样性,避免算法陷入局部最优,提高了全局寻优的能力;同时将邻域搜索策略引入变异算子,以改进算法的局部搜索性能。通过算例验证了本文算法的有效性,与典型遗传算法相比,该算法寻优率提高了1.4倍,求解时间减少了25.8%,为装配线平衡问题的解决提供了一种新方法。     

混合自适应蚁群算法及其应用研究

针对已有蚁群算法在复杂问题应用中寻优前期信息素匮乏、收敛速度慢的不足，通过引入信息权重因子和信息量均衡算子对蚁群的选择概率和信息素浓度进行自适应调节，提出了混合自适应蚁群算法。算例结果表明，该算法具有较快的寻优速度和更好的全局搜索能力，同时增加了解的多样性，减小了陷入局部极值的几率。     

一种新的混合蚁群聚类算法

针对蚁群聚类算法存在收敛速度慢、易陷入局部最优等缺陷,通过在蚁群聚类算法的每次迭代过程中引入遗传算法,提出一种混合蚁群聚类算法.它利用遗传算法全局快速收敛的特性,提升了蚁群聚类算法的收敛速度,同时,遗传算法中的交叉、变异操作扩大了解空间的搜索,帮助蚁群算法跳出局部最优.仿真试验验证了算法的性能.     

改进的蚁群算法及其在微带天线设计中的应用

针对传统蚁群算法容易陷入局部最优的问题,提出一种改进的蚁群算法,即遗传蚁群算法。该算法将遗传操作嵌入蚁群算法内部,增强了解的多样性,同时提高了算法的全局搜索能力,成为一种高效率的全局搜索算法。将该算法以连续域寻优的方式同电磁仿真软件相结合,应用在U槽矩形微带天线设计中,实现了双频化和宽频化;以离散域寻优的方式应用在超宽带天线设计中,得到性能良好的超宽带天线。     

一种改进的基于云模型理论的蚁群算法

研究了一种利用云模型来有效限制蚁群算法陷入局部最优解的方法。实验表明,该改进策略可使蚁群算法的全局搜索速度和优化性能均得到明显改善。     

基于改进遗传算法的多维函数的优化计算

针对标准ＧＡｓ在多维优化中存在的弊端,提出了一种改进ＧＡｓ,在染色体基因解码方式,交换与变异算子、适应函数设计等方面做了改进。通过对极难优化函数的优化计算,说明该算法有良好的全局搜索能力和较快的收敛速度。     

基于克隆选择的小世界优化算法

针对小世界算法在多极值等复杂函数优化中存在算法后期种群多样性退化、全局搜索效率下降等问题,提出一种基于种群克隆选择的小世界优化算法。该算法以小世界现象信息传递的高效性改进克隆过程中体细胞高频变异的随机性,实现克隆增殖、克隆选择以及小世界网络短连接等算子在局部空间的搜索,克隆删除与小世界随机长连接在全局空间的搜索。实验结果表明:各种克隆算子与小世界变异算子相结合,增加了种群的多样性,扩大了搜索范围。与其他算法相比,该算法在收敛速度和多极值点函数搜索能力等方面具有明显改善。     

求解一类非线性规划问题的混合遗传算法

提出了一种求解目标函数和约束条件均二阶可导的非线性规划问题的混合计算智能算法．该算法是把一种浮点数编码遗传算法和约束变尺度法相结合提高求取全局解的速度和概率．在该算法中，选择、交叉和变异等遗传操作算子是以非线性规划问题的一个惩罚函数为求解对象，目的是把解引向全局解附近，为约束变尺度算子提供初值；而约束变尺度算子直接以原非线性规划问题为求解对象，以发挥其局部搜索能力强的优点，数值实验表明，混合算法是一种可靠、高效的全局优化算法．     

遗传算法矩阵编码的研究

遗传算法是一种基于自然选择和遗传变异等生物进化机制的全局优化搜索算法。文章对矩阵编码的机制进行了研究，讨论了矩阵编码的算法框架及特点，对矩阵编码中的选择、交叉和变异算子进行了比较全面的形式化描述，并介绍了其未来研究方向。     

基于纯数值函数优化的一种混合遗传算法

通过引入与进化代数相关的交叉概率和与个体适应度相关的变异概率的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.     

求解大规模可靠性问题的改进差分进化算法

针对差分进化算法典型变异算子的局限,设计了全局加速的变异算子,进而提出全局加速的自适应改进算法.新变异算子能够均衡全局搜索与局部搜索,提高寻优效率.根据差分向量与整个种群分布范围的关系,有针对性的设定变异率值,减缓搜索范围缩小的趋势,保持较高的种群多样性.采用两区间选择策略,通过学习和比较自适应地调整交叉率,使其满足进化搜索的需要,同时提高算法的通用性.将改进算法应用于大规模可靠性问题中,实验结果表明,改进算法在解决大规模系统可靠性问题时具有更好的寻优效果.     

改进交叉算子和变异算子抑制GA算法早熟

分析了传统遗传算法早熟收敛的主要原因,提出了一类改进的遗传算法。通过引入个体相似度,改进传统的交叉算子,避免了近亲繁殖现象,采用二元变异算子替换传统变异算子。仿真结果表明该改进算法有效地提高了全局搜索性能和收敛速度。     

基于果蝇优化算法改进的粒子滤波及其在目标跟踪中的应用

针对粒子滤波算法重采样导致的样本贫化问题,提出一种基于果蝇优化思想的粒子滤波算法.该方法视粒子权值为个体适应度值,并将果蝇不断从低浓度的地方飞向高浓度的地方的觅食寻优过程引入到粒子滤波当中,驱使粒子不断向高似然区域移动,提高了粒子群的整体质量.为了解决标准果蝇优化算法易陷入早熟的问题,将遗传算法中的交叉、变异操作自适应地应用到果蝇优化算法寻优过程当中.首先通过交叉操作改善粒子分布,当果蝇优化算法陷入局部最优时,再采用柯西变异扰动,促使算法快速跳出局部极值并继续搜索全局极值.通过非线性模型仿真以及目标跟踪实验表明该算法有效提高了非线性系统状态估计精度,具有较好的稳定性,同时降低了状态估计所需的粒子数量.     

基于独立权重和分级变异策略的粒子群算法

针对粒子群优化算法中存在的局部收敛问题,提出一种融合惯性权重调整和群体最佳位置变异两种策略的粒子群优化算法.该算法将个体粒子的状态信息引入惯性权重策略,独立调整每个粒子的惯性权值,体现个体粒子对权重需求的差异.在最佳位置变异策略中采用分级思想,根据粒子群的搜索状态选择相应的极值变异方式,使变异操作更具针对性.实验结果表明,该算法对多个测试函数都表现出良好的优化性能,能有效避免局部收敛问题,提高了粒子群的全局搜索能力.     

一种求解约束优化问题的改进差分进化算法

针对原始差分进化算法在求解约束全局优化问题时存在陷入局部最优的缺陷,提出一种改进的差分进化算法.该算法在保留原始差分进化算法全局搜索能力的基础上,采用基于规则的方法进行约束处理和种群个体的比较及选择,并利用种群相似度和最优变异操作改善种群进行全局范围搜索的多样性,提高算法跳出局部最优的能力.数值实验表明,该算法稳定性较好,目标函数评价次数较少,收敛速度较快,全局寻优能力较强,不仅能有效求解连续变量约束优化问题,也适用于离散变量或混合变量优化问题.