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.     

考虑工时不确定性的混流U型装配线平衡的分布鲁棒优化方法

在以人工装配为主的流水线生产中，工时的不确定性是影响生产节拍的重要因素。考虑到随机优化要求精确的概率分布信息和较高的鲁棒优化保守性，本文针对工时不确定条件下混流U型装配线平衡问题，采用以经验分布为中心、Wasserstein距离为半径的模糊集对工时的不确定性进行描述，并以最小化生产节拍为优化目标，建立装配线平衡问题的分布鲁棒优化模型。为了降低模型的复杂性，利用强对偶理论将模型转换为易于求解的形式；为保证解的鲁棒性，设计了一种鲁棒性指标并将其作为模型的约束条件。针对上述模型，通过设计一种基于区间数的解码方式，并引入自适应交叉和变异概率，给出了一种改进的遗传算法。最后通过标准算例和断路器抽架生产实例进行了数值仿真实验，结果表明相较于随机优化和鲁棒优化方法，所建立模型在降低结果保守性的同时保持较高的鲁棒性，并且针对问题所提出的改进遗传算法具有良好的寻优能力。     

面向第二类装配线平衡问题的改进粒子群算法

为求解第二类装配线平衡问题，建立一种以最小化节拍、工位负载标准差为优化目标的第二类装线平衡问题的模型.根据装配线平衡问题的特点，设计出一种改进的粒子群算法，引入随迭代次数增加而线性递减的惯性权重，防止粒子群算法陷入局部极值点；将反向学习策略与PSO算法相结合，使PSO算法具有更佳的搜索能力和收敛速度.通过求解标杆问题，结果表明改进的PSO算法与标准PSO算法相比，具备更好的求解能力.最后通过对青贮机装配线为实例验证算法的可行性和有效性，进一步验证了本文中提出的改进PSO算法具有很强的计算效率和求解能力.     

基于改进型遗传算法的混流U型装配线第二类平衡问题

针对最小化生产节拍的第二类混流U型装配线平衡问题, 构建了混合整数规划模型, 并设计了改进型遗传算法求解. 在遗传算法的解码过程中, 采用3种搜索方式将工序分配到工作站, 比较了3种搜索方式下的工作站时间, 并参照期望生产节拍值筛选出最优的工作站分配方式, 再根据分配方式的寻优情况判断是否自动更新期望生产节拍值. 通过大量的标准算例, 证明了改进型遗传算法的有效性. 最后, 结合实际案例分析, 再次验证了混合整数规划模型和改进型遗传算法的有效性.     

基于Iterative映射和非线性拟合的鲸鱼优化算法

为解决鲸鱼优化算法中收敛速度慢和寻优精度低等问题,提出一种基于Iterative映射和非线性拟合的鲸鱼优化算法（NWOA）。首先,该算法利用了Iterative映射对鲸鱼种群初始化,保证初始种群的多样性;其次,采用非线性拟合的策略对收敛因子和惯性权重进行改进,以平衡算法的全局勘测能力和局部开发能力。通过对13种函数进行仿真实验,从均方差和平均值的角度分析,改进后算法寻优精度显著提高,且稳定性较强。实验结果表明NWOA与传统的鲸鱼优化算法相比,收敛速度明显加快。     

求解随机型双边装配线平衡问题的混合回溯搜索优化算法

针对现实生产中普遍存在的操作时间为随机的双边装配线平衡问题,提出一种混合回溯搜索优化算法。该算法将变邻域搜索算法的局部搜索能力融入到回溯搜索优化算法的全局搜索中,从而实现广度搜索和深度搜索的平衡。运用基于随机键的编码将用于求解连续问题的回溯搜索优化算法应用于离散组合优化问题,同时提出一种基于均衡双边负载的边选择策略和减少工位空闲时间的任务选择策略的解码方法,并将该方法同另外4种解码方法进行对比,以验证其优越性。标杆算例测试表明,所提出的算法具有可行性和有效性。     

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。     

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。     

基于改进天鹰优化器的抱杆结构优化

为了提高抱杆设计的安全性和经济性，提出一种基于改进天鹰优化器的抱杆结构优化方法。根据抱杆工程实例，建立轻量化设计模型。将角钢杆件的截面尺寸作为优化变量，采用罚函数法处理许用应力，位移和屈曲系数三种约束条件。为了解决天鹰优化器局部搜索能力不足的问题，使用混沌映射进行种群初始化，使首代种群在搜索空间内分布更加均匀，并引入新的平衡方式使算法在迭代后期仍具有全局搜索能力，同时加入非线性参数增强局部搜索能力，引入反向学习策略增强算法摆脱局部最优的能力。十杆平面桁架结构尺寸优化算例结果验证了改进算法具有更好的寻优能力。抱杆结构轻量化设计结果表明，改进的天鹰优化器提供的设计方案更佳，抱杆质量减轻了16.55%。改进天鹰优化器能够有效处理平面桁架和空间杆系结构的优化设计问题。     

改进混合蛙跳算法的研究

针对传统混合蛙跳算法(SFLA)在优化过程中出现的求解精度不高、收敛速度慢、算法易陷入局部最优的问题,本文经过改变种群个体的位置更新公式,提出一种改进混合蛙跳算法(ISFLA)。在种群个体位置更新公式中,引入自适应同步因子和惯性权重系数。通过引入自适应同步因子,控制青蛙寻优过程中的移动步长,改进算法的局部搜索范围,保持种群的多样性。通过引入惯性权重系数,加入上一次的移动距离,表示对过去的经验记忆,加快搜索速度。通过对6个测试函数的实验结果表明,改进后的混合蛙跳算法相较于传统混合蛙跳算法具有较好的寻优性能。     

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.     

基于改进动态因子的鲸鱼优化算法

为了实现鲸鱼优化算法的种群多样性、减小计算复杂度,构造具有搜索上下界的初始种群。进一步,设计动态收敛因子和动态权重因子,以提高算法的收敛速度和计算精度,在此基础上,提出基于改进动态因子的鲸鱼优化算法并证明了其收敛性,分析了其复杂度。为了验证新算法优化性能和普适性,将改进的鲸鱼优化算法与其他优化算法进行比较,并将其应用到无人机路径规划中。结果表明：基于改进动态因子的鲸鱼优化算法相比于其他优化算法有更好的收敛精度和更快的收敛速度。可见,基于改进动态因子的鲸鱼优化算法性能更好,能更高效的完成任务。     

基于阿基米德混沌精英鲸鱼算法的微电网优化

针对微电网可再生能源不稳定性对电网造成的冲击，合理优化配置分布式能源以实现更为经济和环保的目标。本文提出了改进的鲸鱼算法，通过tent映射提高了初始种群的均匀程度，建立改进的精英反向学习方法提高算法跳出局部最优解的能力，通过自适应参数优化调节鲸鱼算法搜索策略的选取，并且选取阿基米德螺线替换原有的螺旋收缩方式，加强局部搜索能力，采用多种基准函数验证了算法性能上的提高，并以污染治理费用和运行费用作为目标函数，针对多种电源类型的微电网进行优化，通过仿真试验对比其他算法验证改进鲸鱼算法的有效性和实用性。     

基于改进鲸鱼优化算法的畜禽废弃物运输路径优化问题

畜禽养殖废弃物的合理处置,是农村生态环境治理与污染防治的关键点。为解决畜禽养殖废弃物的运输路径问题,本文提出一种改进鲸鱼优化算法的车辆路径优化方法。首先,在车辆路径优化问题的基础上,建立以总路程最小化为目标的畜禽养殖废弃物运输路径优化模型;其次,结合离散型问题特征和鲸鱼优化算法的寻优思想,提出改进鲸鱼优化算法。引入ROV机制使该算法能够求解离散问题,对每次迭代结果进行聚类分析,将优秀个体所在类依次进行PBX交叉操作和逆序变异操作,同时保证了种群的多样性和算法的求解效率;最后,对9个Solomon算例和1个实例进行仿真实验,并与改进粒子群优化算法、改进灰狼优化算法和改进蚁群算法进行对比。结果表明,改进鲸鱼优化算法在9个案例中均优于其他算法,在最复杂的RC103案例中,求解结果相较于其他算法至少14.64%,体现了改进鲸鱼优化算法有更高的求解精度和稳定性;对于畜禽废弃物运输实例仿真实验,改进鲸鱼优化算法比其他算法分别提高4.9%、6.5%和43.7%,证明本文算法能够有效的解决畜禽养殖废弃物运输路径优化问题。     

基于离散型鲸鱼优化算法的AGV与机器集成调度方法

针对制造系统中考虑路径冲突的AGV(automated guided vehicles)与机器集成调度问题,提出一种基于时间窗和Dijkstra算法的离散型鲸鱼优化算法。首先,以最小化最大完工时间为目标,建立AGV与机器集成调度的数学模型,并采用一种三段式编码实现AGV和机器的集成编码,建立连续空间与离散空间之间的映射关系;然后,为了保证初始种群的质量和多样性,设计一种结合混沌映射和对立学习的扩展型GLR(global, local, random)种群初始化方法;运用Levy飞行算子和阈值重启操作进一步提高算法的全局搜索能力;最后,为了提高算法的局部搜索能力,引入结合问题特点的变邻域搜索算法。标准算例仿真实验和柔性仿真实验证明了该算法解决AGV和机器集成调度问题的可行性和优越性。     

混合策略改进型秃鹰搜索算法

目的 针对秃鹰搜索算法(Bald Eagle Search,BES)在函数优化时存在寻优精度低,易陷入局部最优等问题, 提出一种混合策略改进型秃鹰搜索算法( Hybrid Strategy Improved Bald Eagle Search,HSIBES);方法 首先利用 Logistic 映射策略初始化种群,使种群分布更加均匀,其次在搜索空间阶段引入莱维飞行,控制步长,改善收敛效果 并跳出局部最优,最后在搜寻空间食物中使用自适应惯性权重,提高收敛速度与精度,平衡算法的局部与全局搜索 能力;结果 将 HSIBES 算法与其他五种基准算法以及其他学者改进的算法进行对比,通过在 9 个测试函数上进行 仿真实验,并进行 Wilcoxon 秩和检验验证 HSIBES 算法的性能,发现 HSIBES 的结果优于其他对比算法,与其他对 比算法之间具有显著性差异;结论 实验结果表明:HSIBES 算法的寻优精度,收敛速度以及稳定性都更好,算法的性能更具优越性。     

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。     

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。