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.     

基于多种群多策略的竞争粒子群算法

针对标准粒子群算法遇到的易陷入局部最优、收敛差、求解精度低等问题,提出了多种群多策略竞争粒子群优化算法.新算法将每一代粒子根据适应度排序,将其划分为不同的子种群,并引入非线性Logistic混沌映射权重、收缩因子和混合高斯-柯西扰动机制来更新这些子种群.使用不同的粒子更新方式平衡了算法整个时期的全局搜索和局部开发能力,从而加快了收敛速度.最后,将多种群多策略竞争粒子群优化算法与标准粒子群算法和其它优化算法在11个测试函数上进行对比,结果表明,新算法在跳出局部最优解、和寻优精度方面显著优于标准粒子群算法,且有更快的收敛速度.在寻优能力和算法稳定性上大幅度强于其它对比算法.     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

带高斯扰动和协同寻优的蝙蝠粒子群混合算法

为了进一步提高粒子群算法的性能,提出了一种新的群体智能优化算法——带高斯扰动和协同寻优的蝙蝠粒子群混合算法。该混合算法利用蝙蝠个体脉冲的回声定位对最优粒子gbest进行高斯扰动而产生一个局部解,把该局部解加到蝙蝠种群中,然后根据局部解的位置优劣与蝙蝠个体产生的响度来更新粒子群。在寻优过程中,对gbest进行高斯扰动增加了种群的多样性而避免粒子群过快陷入局部最优,并且加强了蝙蝠种群与粒子群的信息交互,协同寻优。与蝙蝠算法、标准粒子群算法、烟花算法、带高斯扰动的粒子群算法、粒子群差分算法相比,带高斯扰动和协同寻优的蝙蝠粒子群混合算法的总体性能优于其他5种算法。     

基于寄生行为的双种群萤火虫算法及其在柴油调合中的应用

在实际的化工过程中会遇到许多非线性优化问题。常规群智能优化算法在解决这类问题时,常出现收敛精度差和容易陷入局部最优,本文针对此提出了一种基于寄生行为的双种群萤火虫算法(FAPB)。该算法将进化种群均分为两个种群,通过生物的寄生行为将两个种群联系起来,共享进化信息,提高了全局搜索能力;为防止算法陷入局部最优,引入基于自适应系数的高斯变异机制,提高了局部搜索能力。对4个经典测试函数进行仿真,结果表明:与标准FA算法、FALS算法、LDPSO算法比较,FAPB算法在收敛精度和全局搜索能力上都有较大提升。将该算法应用于柴油调合过程,结果验证了其在实际应用中的可行性。     

具有协同寻优的蝙蝠萤火虫混合优化算法

萤火虫算法存在着对于初始解分布的依赖性、后期收敛速度慢、易于停滞、早熟和求解精度低等缺陷。本研究在萤火虫算法引入蝙蝠种群在全局最优附近进行更加详细的局部搜索,以协助萤火虫种群进行寻优;并在寻优过程中加强蝙蝠种群与萤火虫种群的信息交互,协调寻优;最后对全局最优个体进行高斯扰动以增加种群的多样性,从而避免种群陷入局部最优解。通过使用6个常见的基准测试函数对该算法进行测试,并与其他3种算法(标准粒子群算法、蝙蝠算法、萤火虫算法)进行对比实验,结果表明该混合算法的总体性能优于其他3种算法。引入蝙蝠种群对萤火虫性能有较大提升,改善切实有效。     

一种改进的混合蝙蝠算法

为解决基本蝙蝠算法中存在的易陷入局部最优且求解精度不足的问题,提出一种改进的混合蝙蝠算法,引入了分组迭代模式和多种速度迭代公式加强了全局搜索能力,更新了种群领域搜索公式的基础上引用了t分布作为种群最优解的领域搜索方式,补足了蝙蝠算法的局部搜索能力,避免了算法陷入局部最优解。通过多个标准测试函数的实验验证改进的混合蝙蝠算法能有效解决基本蝙蝠算法中出现的问题。     

基于同步扰动随机逼近的混合萤火虫算法

针对标准萤火虫算法(FA)中存在的种群过早收敛、容易陷入局部最优等不足,提出一种以memetic算法为框架、将同步扰动随机逼近和萤火虫算法相结合的混合算法(FA-SPSA),即首先使用萤火虫算法对种群进行全局寻优,然后使用同步扰动随机逼近算法对选出的部分最优个体进行局部搜索,从而增强萤火虫算法跳出局部最优解的能力。通过6个标准测试函数对FA-SPSA算法的性能进行检验,并与标准萤火虫算法、果蝇算法、改进的果蝇算法等其他4种算法进行比较,结果表明,FA-SPSA算法在寻优精度、收敛速度、鲁棒性等方面的性能总体上优于对比算法。     

一种基于反向学习和伯恩斯坦算子的差分进化算法

差分进化(differential evolution,DE)算法是一种种群随机搜索算法,但其在收敛过程中存在着容易陷入局部最优、收敛精度不高等问题.为更好地提升DE算法的性能,提出一种改进算法为基于反向学习和伯恩斯坦算子的差分进化算法.反向学习策略用于增加种群的多样性,扩大种群的搜索范围,从而弥补陷入局部最优的不足,...     

蝙蝠算法的一种改进方法

针对蝙蝠算法在进行局部搜索时,易使算法陷入局部极值的束缚,导致算法收敛精度不高的缺陷,提出了使用t-分布对局部搜索时的最优解进行变异操作.为最优解各维度增加t分布型随机扰动项,选取7个经典测试函数做仿真实验.实验结果表明:改进的蝙蝠算法在收敛精度和速度上有显著提升,说明通过对最优解实施t-分布扰动能够使算法摆脱局部极值的束缚,显著提高收敛精度.     

基于高斯变异与Levy飞行策略的混合粒子群优化算法

目的 解决粒子群算法易陷入局部最优解、出现早熟收敛从而导致求解精度不高的缺陷.方法 将高斯变异(Gaussian M utation)、Levy飞行策略与基本粒子群优化算法(PSO)进行混合,提出一种称为GLPSO混合粒子群算法.在该算法中粒子通过Levy飞行更新自己的位置,若粒子在若干次迭代后无法产生更优值,则在保存当前最优值的前提下进行高斯变异来保持种群多样性.结果 与结论通过对基准测试函数优化的实验结果对比,GLPSO在5个基准测试函数中的优化精度和全局搜索能力优于其他对比算法,GLPSO有更加出色的全局搜索能力和更高的求解精度.     

基于改进樽海鞘群算法的提梁机主梁轻量化设计方法

针对樽海鞘群算法在优化过程中存在收敛速度慢、求解精度低、易于陷入局部最优解等缺点，提出了基于柯西和高斯混合变异的一种自适应变异策略的樽海鞘群算法，该算法通过选出适应度值最好的前S个个体进行自适应变异，可避免算法陷入局部最优解.通过柯西和高斯变异动态调整参数的变化提高算法的局部搜索能力和收敛速度.选取10个测试函数分别对樽海鞘群算法及改进樽海鞘群算法进行测试比较.数值分析表明，改进的樽海鞘群算法收敛速度快，寻优能力强且精度高.将改进后的算法用于提梁机主梁结构的优化设计中，该结构在满足强度、刚度、稳定性等设计要求条件下，主梁的截面积减少了13.58%,轻量化效果显著，表明该算法具有良好的工程应用价值.     

一种基于多策略的改进黏菌算法

针对黏菌算法(slime mould algorithm, SMA)搜索效率低和陷入局部最优的问题,本文提出一种多策略改进黏菌算法。首先,通过Tent映射反向学习策略求得较优种群作为初始种群,提高算法收敛速度;其次,黏菌通过自适应权值策略和扰动策略更新位置,调整算法勘探能力和开发能力,避免陷入早熟并提高收敛速度;最后,与PSO、WOA、GWO、SMA等4种算法和相关改进SMA算法相比,对CEC测试函数的寻优结果表明：本文改进算法的搜索效率和避免陷入局部最优能力较强,算法能在较短时间内找到全局最优值,对测试函数的收敛速度和收敛精度均有不同程度提高。     

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。     

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means, IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization, IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization, HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。     

动态调整进化方向与策略的果蝇优化算法

针对标准果蝇优化算法(FOA)收敛速度慢、容易陷入局部最优和寻优精度低等缺陷,提出了动态调整进化方向与策略的果蝇优化算法(FOADAEDS)。首先,种群初始位置由佳点集理论选取;其次,根据种群进化信息动态调整进化指导方向和搜索步长;最后,当算法陷入早熟时,改变搜索策略以跳出局部最优。对6个经典测试函数进行仿真运算,结果表明,本文提出的改进算法相比标准果蝇优化算法和其他几种改进算法,有较好的寻优精度和收敛速度。     

改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明:CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

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。     

基于广义反向学习的改进鲨鱼算法自抗扰参数整定

针对非线性自抗扰控制器参数难以整定、很大程度影响控制精度的问题,提出一种改进鲨鱼优化算法的在线整定方式。首先,针对传统鲨鱼算法易早熟收敛陷入局部最优,且算法全局搜索精度低的问题,通过广义反向学习对鲨鱼种群进行初始化,并在鲨鱼位置更新过程中加入非线性控制因子,平衡算法的全局探索能力和局部开发能力,最后在迭代过程中加入Levy变异机制,提高算法跳出局部最优的能力。其次,将改进后的鲨鱼优化算法对自抗扰控制器参数在线整定,并将优化后的自抗扰控制器用于工程实例中,进行仿真实验。实验结果表明,整定后的自抗扰控制器很大程度提高了控制精度和抗扰动能力。     

蜉蝣算法在供应链库存优化中的应用

针对蜉蝣算法（Mayfly algorithm）全局搜索能力差,搜索精度不高和自适应能力弱等问题,提出一种多策略融合的蜉蝣算法。首先,提出吸引力增强因子,同时引入自适应动态调节的重力系数,来平衡搜索和开发能力。其次,提出中值位置作为群体位置的一部分,加强种群交流,避免陷入到局部最优;最后,引入正弦余弦策略,增强全局搜索能力,提高收敛精度并增强稳定性。8种典型功能函数的仿真结果证明改进后的算法收敛能力提高、收敛精度加强。将改进后的蜉蝣算法应用于工程中,在供应链库存系统中调节PID参数,与其他算法相比,成本下降9.5%,证明该算法在工程上具有适用性。