子种群个体动态调整的人工蜂群算法

针对基本人工蜂群算法存在局部搜索能力差、收敛速度慢等缺点,提出一种动态调整子种群个体数目的改进人工蜂群算法用于求解无约束优化问题.该算法利用反向学习策略产生初始种群,以保证个体尽可能均匀分布在搜索空间中;基于个体适应度值,将种群分为两个子种群,分别采取不同的蜜源搜索公式,用于进行全局搜索和局部搜索.5个标准测试函数的仿真实验结果表明,改进算法具有较好的寻优性能.     

基于混沌迁移策略的多种群差分进化算法

针对差分进化算法全局寻优效率偏低的弱点,提出了一种基于多种群的混沌迁移策略,用以改进常规差分进化算法。该策略通过在多种群并行进化过程中引入混沌迁移序列,引导个体进行种群间的迁移。利用混沌的遍历性和随机性,保证子种群之间能够进行充分高效的信息交换。仿真实验和PID控制参数优化应用表明:该算法具有很强的全局搜索能力,寻优效率高,有效地克服了基本差分算法的早熟收敛问题。     

基于组合进化算法的混沌系统控制与同步

混沌系统控制与同步可通过优化方法设计控制律引导混沌系统轨道来实现.构造适当的适应度函数,将混沌系统的控制与同步问题转化为一个多维的数值优化问题,然后提出一种新的组合进化算法来求解该优化问题.该算法利用佳点集方法初始化种群个体以保证其均匀分布在搜索空间中.在迭代过程中,组合不同进化算子以产生若干个新的子代个体以保持种群的多样性.以典型的Hénon混沌系统为例进行仿真实验,结果表明了该方法是解决混沌系统控制与同步的一种有效方法.     

新型灰狼优化算法在函数优化中的应用

针对灰狼优化算法在求解连续函数优化问题时精度不高、易出现早熟收敛等缺陷,提出一种改进的灰狼优化算法.该算法在初始种群个体时采用混沌序列方法,为算法全局搜索的多样性奠定基础.根据个体适应度值将种群分为两个子种群,分别执行不同的搜索方式,以平衡算法的开采能力和勘探能力.选取几个标准测试函数对算法性能进行测试,测试结果表明,与其他群智能优化算法相比,该算法在求解精度和收敛速度方面均具有较强的竞争力.     

一种基于种群熵的混沌小世界优化算法

针对小世界算法在复杂函数优化中存在的停滞现象,以及低局域短连接的搜索效率问题,提出了一种基于种群熵的混沌小世界算法.根据信息熵建立了种群个体浓度,并以个体浓度和个体适应度作为评价标准进行高浓度的个体更替,从而实现了种群的自我调节和多样性保持.利用混沌变量的遍历性和随机性,通过Logistic映射生成初始种群,采用混沌扰动对短连接后的个体进行局部搜索,从而提高了小世界算法的搜索效率和搜索精度.试验结果表明,该算法不仅明显改善了小世界算法的搜索能力,而且搜索效率也得到了显著提高.     

自适应调整子种群个体数目的遗传算法及其应用

为了协调算法的勘探和开采能力,提出一种自适应调整子种群个体数目的遗传算法.该算法首先采用佳点集方法初始化种群以保证个体均匀分布在搜索空间中.基于个体的适应度将种群分为3个子种群,并分别采用不同的交叉和变异算子.在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目.几个标准测试函数的实验结果表明该算法具有较好的寻优性能.将新算法应用到重油热解模型参数估计中,可以获得满意的结果.     

基于CGWO算法的边坡最小安全系数全局寻优方法

针对基本灰狼算法存在初始种群不均匀、早熟收敛等问题,基于混沌理论从三个方面对灰狼优化(grey wolf optimization, GWO)算法进行改进,提出了混沌灰狼优化(chaotic grey wolf optimization,CGWO)算法用于确定边坡的最小安全系数.首先,采用改进Tent混沌映射提高初始种群多样性;其次,通过混沌扰动策略避免算法陷入局部最优;最后,引入参数混沌非线性调节机制均衡算法的全局开发和局部勘探算力.13个基准测试函数的仿真结果表明,改进后的算法与基本GWO,WOA,PSO以及SCA相比具有更强的综合寻优性能.选取ACADS边坡考核题进行计算分析,CGWO算法表现出较高的计算精度和收敛速度,能够有效地搜索到复杂分层边坡的最小安全系数.对比有限元强度折减法,该方法具有操作简易、搜索区域易于设置等优点.     

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。     

基于改进微分进化算法的机构综合新方法

针对机构综合的非线性方程组求解问题提出了一种改进的微分进化算法.该算法是将方程组转换成一个优化问题,在进化过程中,该算法根据进化情况采用动态参数调整机制提高算法的搜索效率,并且对种群重叠状况进行实时监视,对重叠个体利用混沌搜索策略来进一步提高算法的全局寻优能力.机构综合实例结果分析表明,文中提出的改进微分进化算法高效、且全局寻优能力强.     

并行混沌优化算法在分包商选择中的应用

为了提高工程优化问题的寻优效率,提出一种用于求解优化问题的改进并行混沌优化算法。根据当前解中精英个体的分布情况从优化变量的定义域中划分出精搜索空间。在优化过程中,精搜索空间不断缩小,搜索概率不断增加,这可保证算法具有较快的收敛速度。同时,算法始终以一定概率保持对原搜索空间进行混沌搜索,这可保证算法始终具有全局寻优能力。函数优化以及分包商选择等组合优化问题可利用该算法进行有效求解。仿真实验结果表明:对于相同的优化问题,改进的并行混沌优化算法可以求得更好的优化解,从而证明该方法具有良好的寻优性能。     

结构优化设计中的组合遗传算法

针对标准遗传算法存在的早熟收敛、随机振荡和收敛速度慢等缺陷,采取改进措施.利用混沌序列的随机遍历性生成初始种群,并把相对差商算法的优化解加入到初始种群中,改善初始种群的性能.采用适应度的指数尺度变换改进传统的适应度评价函数.相对差商算法局部搜索能力强,而遗传算法具有较强的全局搜索性,发挥两者的优势,提出组合遗传算法.把相对差商算法作为一个与选择、交叉、变异平行的遗传算子嵌入到改进遗传算法中,提高局部寻优能力,防止早熟收敛.通过十杆平面桁架的数值算例来验证组合遗传算法应用的可行性和有效性,组合遗传算法的优化结果也远好于标准遗传算法和改进遗传算法.     

基于混沌粒子群——专用遗传算法切换策略的移动机器人路径规划

为了发挥粒子群算法和专用遗传算法的各自优点,提出了一种将二者结合的切换优化策略.该策略前期采用一种基于种群最优个体混沌化的混沌粒子群算法,后期选用专用遗传算法.通过大量仿真实验确定了在迭代代数、种群标准差和最优个体适应度差三种切换指标下各自的最优切换条件.与单一专用遗传算法和单一混沌粒子群算法的仿真对比表明:本文提出的切换优化策略在综合路径长度、平滑性和规划时间三个性能指标后具有一定的优越性.     

基于改进混合蛙跳算法的软测量建模方法

针对混合蛙跳算法的寻优机制在寻优过程中易陷入局部最优和收敛效果不理想的问题,该文提出一种改进的混合蛙跳算法。该算法在更新群中最差个体时同步更新最优个体。更新最差个体步长时引入上一次的移动步长并赋予动态权值。改进算法舍弃了原算法中用随机值代替最差值的做法,引入高斯变异算子对最差个体进行高斯变异,使种群进化更趋合理。将改进的混合蛙跳算法运用到模糊C均值聚类算法的聚类中心优化中,得到最优的聚类中心。利用该聚类中心对样本进行模糊C均值聚类,并用高斯过程回归对各类样本子集分别建立对应的子模型,通过加权得到系统输出。以双酚A生产过程结晶单元为例进行仿真,对装置出口处的苯酚浓度进行软测量建模,获得了较好的实验结果。     

一种改进的爬行动物搜索算法

针对爬行动物搜索算法存在早熟收敛、易陷入局部最优等问题,提出一种改进的爬行动物搜索算法(LERSA)。通过精英反向学习策略提高初始种群的质量,在种群位置更新求解适应度值的过程中加入Levy飞行策略对种群中个体位置进行更新,结合非线性加权策略改良控制参数平衡RSA算法的全局搜索与局部搜索能力。使用公开的性能验证函数、秩和检验及三杆桁架问题进行算法性能测试,结果表明改进后的算法具有良好的寻优性能,能有效解决工程优化问题。     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题,利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先,将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重,以加快寻优速度;然后,为了防止种群陷入局部最优,定义了种群相似度函数;最后,在种群中加入最差个体位置信息以增加种群混乱度,从而提高算法的全局寻优能力.仿真结果表明,SAPSO在收敛速度较快的情况下,寻优精度优于蒙特洛卡算法和改进遗传算法.     

基于多准则寻优策略的差分进化算法

在差分进化算法的基础上,提出一种基于多准则寻优策略的改进差分进化算法。该算法可以动态调整变异因子和交叉概率,基于文中提出的多准则寻优策略,通过个体适应度、个体间距离等评价指标判断个体的优劣程度,并且可以降低种群的高密度程度,增强种群多样性。这种判断机制可以有效避免种群过早收敛,易陷入局部最优的风险。通过具体的测试函数对算法进行测试,并与标准差分进化算法进行比较,结果显示算法寻优效果较好,可以较快地得到全局最优解。     

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。     

基于改进灰狼优化与支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,将改进的灰狼优化(IGWO)算法与支持向量回归(SVR)相结合,提出了一种基于改进灰狼优化和支持向量回归(IGWO-SVR)的联合算法。该算法的核心思想是运用改进的GWO算法解决SVR模型中的参数联合寻优问题。IGWO-SVR随机产生1个灰狼种群,灰狼个体的位置向量由SVR模型的3个参数C,σ,ε组成。根据每只灰狼的位置信息进行学习,并计算适应度。按照适应度值对狼群进行分级,对灰狼个体位置进行更新,然后进行差分进化操作,选择优秀个体进入下一代种群,重新计算灰狼个体在新位置的适应度。迭代过程结束后,提取狼群中适应度最优的灰狼位置信息作为最终的SVR模型参数进行训练。在美国国家航空航天局(NASA)锂电池数据集上的实验表明了所提SOH预测方法的有效性。     

自适应粒子群算法求解排课问题

针对传统排课效率低、漏排课、冲突率高等问题，利用自适应粒子群算法（SAPSO）进行排课仿真研究.首先，将粒子群算法中的固定惯性因子改进为随着迭代次数变化而不同的自适应权重，以加快寻优速度；然后，为了防止种群陷入局部最优，定义了种群相似度函数；最后，在种群中加入最差个体位置信息以增加种群混乱度，从而提高算法的全局寻优能力.仿真结果表明，SAPSO在收敛速度较快的情况下，寻优精度优于蒙特洛卡算法和改进遗传算法.     

基于改进自适应遗传算法的船联网拓扑优化算法

提出了一种改进的自适应遗传算法优化船联网拓扑结构.考虑实际应用场景,以及网络的连通度、节点度、通信链路质量及通信成本等因素,最大化船联网总链路增益.改进的遗传算法在选择操作中,提出自适应个体适应度调节公式,动态调整当前种群中个体的适应度值,减小个体间适应度的差值,增加适应度较低个体通过选择过程进入下一步操作的概率,提高种群多样性.交叉和变异过程中,引入自适应调节系数,调整交叉和变异概率,尽可能使适应度值较高的个体进入下一次迭代过程.仿真实验表明,提出的改进算法能够避免早熟收敛,跳出局部极值,最终收敛得到船联网最优拓扑结构,且收敛速度更快,算法效率更高.