基于萤火虫算法的多中继选择策略

〖JP2〗中继选择(RS)和功率控制是无线中继网络的2个重要组成部分.当中继节点以全功率协作和不协作时,中继选择等同于功率控制.因此,最佳信噪比（SNR）被描述称为0-1非线性整数规划问题（0-1 nonlinear programming integer problem,NLIP）.文中提出了基于萤火虫算法（Glowworm Swarm Optimization, GSO）的多中继选择策略,仿真结果表明,基于GSO算法的多中继选择能够获得最佳信噪比值,且性能优于穷举搜索、单一RS方案及其他次优化方案.〖JP〗     

一种混沌多样性控制的萤火虫优化算法

针对基本萤火虫算法存在早熟停滞现象,提出了一种混沌多样性控制的萤火虫优化算法.运用混沌映射产生均匀分布的萤火虫初始位置,获得质量较好的初始解;在搜索过程中对适应值低的部分萤火虫进行混沌扰动,以保持群体活性,减小陷入局部最优的可能性;同时利用真实物理反弹理论对超越边界萤火虫位置进行控制,提高种群的多样性.用标准测试函数测试,实验结果表明,该算法能有效地提高了算法的全局搜索和局部开发能力,寻优精度和收敛速度明显提高.     

基于单增量和全局维度学习策略的萤火虫算法

萤火虫算法的搜索过程较依赖于最优萤火虫,而最优萤火虫并不进行有导向的寻优移动,算法易陷入局部最优.为此,提出了一种基于单增量和全局维度学习策略的萤火虫算法.在萤火虫个体移动时,该算法并不叠加萤火虫个体的当前位置,而是将累加的位置增量作为新的搜索方向,用于更新萤火虫的位置.该算法大大降低了萤火虫当前位置对搜索过程的影响,有利于算法更快的跳出当前局部最优,进行更大范围的寻优;其次,对最优萤火虫进行一定次数的单维度学习,将学习后的萤火虫引导种群进化.在基准测试函数上的实验结果表明,该算法优于其他几种改进的群智能优化算法,具有良好的跳出局部最优的能力.     

一种多样性增强的混合萤火虫算法

针对基本萤火虫算法存在局部开采能力不强,并且容易陷入局部极值等问题,提出一种多样性增强的混合萤火虫算法(diversity-enhanced hybrid firefly algorithm,DeHFA).为提高萤火虫算法的种群多样性,构造了分布式协同进化种群框架,使得主种群、子种群和精英种群之间可以进行优良个体的交流...     

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。     

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。     

求解布局问题的混合萤火虫群优化算法

为了充分发挥萤火虫算法的优点,将人工萤火虫群优化算法与启发式策略相结合,设计了一个新的求解布局问题的高效萤火虫优化算法.实例测试和实验对比结果表明:相对于已有文献中的算法,提出的混合布局方法更加有效.     

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过三种策略对萤火虫算法进行了改进：首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。本文基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。     

基于改进萤火虫算法的云计算任务调度策略

针对云计算中任务调度效率低引起的资源利用不平衡问题,提出一种基于改进萤火虫算法的虚拟机任务调度策略,该策略首先构建云计算资源负载平衡优化问题的约束条件,采取最小用户任务完成时间作为资源优化的目标函数;其次通过改进的萤火虫算法优化资源搜索路径,优化云服务器中多个虚拟机之间的任务负载平衡,通过提高云服务器的响应效率达到缩短...     

双种群协同下带混沌闪烁机制的萤火虫算法研究

针对萤火虫算法处理高非线性、多极值的复杂工程优化问题所存在的快速收敛与早熟、全局探索和局部探索之间的矛盾,提出了一种在双种群策略下具备混沌闪烁机制的萤火虫改进算法。首先,通过引入混沌闪烁因子ξ调制萤火虫运动状态,模拟萤火虫发光习性,能够在保持种群内个体自主动力性的前提下大幅提升算法的收敛速度;同时,使用双种群策略进行全局种群和局部种群的划分,保持种群间信息交互,有效平衡了算法全局探索和局部探索的能力,降低了陷入局部最优的风险。采用经典单模、多模测试函数集对算法进行测试,结果表明,在相同种群规模和迭代次数下,算法能够提高收敛速度,避免了局部最优,从而达到更好的寻优效果。部分测试函数收敛精度相比于其他算法,可得到5、6个数量级以上的提升,而且算法也能够在相对最少的函数评价次数内满足精度要求。     

基于改进萤火虫算法的虚拟机迁移策略研究

为降低数据中心能耗同时保证其服务质量,提出了一种基于改进萤火虫算法的虚拟机迁移调度策略.综合考虑CPU、内存和带宽等因素对能耗的影响,将虚拟机迁移过程模拟为萤火虫的生物行为,并引入模拟退火机制,选择出待迁源主机,将该主机上负载最大的虚拟机迁移到能耗最低的节点.经实验表明,该方法在降低能耗和保证服务质量方面都具有良好的优...     

平面选址问题的萤火虫算法

平面选址问题是工程设计、线路布置、项目选址等工作中经常碰到的典型组合优化难题,根据群集智能优化原理,给出一种基于人工萤火虫群优化算法的求解方法,并针对平面选址问题进行求解.为避免算法陷入局部极值,将一种邻域搜索的局部搜索方法引入萤火虫算法中.通过对典型平面选址问题的仿真实验和与其它算法的比较,表明算法可行有效,且具良好的全局优化能力.     

UWSNs移动节点部署优化策略

为了提高UWSNs对目标监测区域的网络覆盖度,提出基于混沌理论的(Underwater Chaos Glowworm Swarm Algorithm,UCGA)来部署优化目标区域。在节点随机布撒阶段,借助混沌映射优化位置;在重部署阶段,运用混沌扰动性替换适应度值较低的解并进行搜索以跳出极值点。通过移动节点针对水下目标区域不完全覆盖的仿真实验表明,相比传统萤火虫算法,UCGA具有更高的网络覆盖度和更忧的收敛速率。     

多目标萤火虫算法的电力系统无功优化方法

为解决传统单目标无功优化电压偏高的问题,采用建立多目标无功优化数学模型的方法,提出一种带精英保留策略和Pareto占优及拥挤距离排序的多目标萤火虫算法对建立的无功优化数学模型进行优化.研究结果表明:多目标萤火虫算法在优化过程中具有较强的寻优能力和全局收敛性,在减小电力系统有功网损的同时有效解决了电压偏高的问题,是一种求解多目标无功优化问题的有效方法.     

混沌小生境萤火虫算法求解有界背包问题

针对有界背包问题,提出一种混沌小生境萤火虫算法.采用混沌理论对萤火虫种群初始化,为了增加种群多样性,使用小生境技术计算个体共享适应度,以一定概率将共享半径内相似个体进行排挤处理,对所有被排挤个体实行Levy飞行操作,同时对较优个体进行局部搜索,对陷入早熟的个体使用混沌理论重新随机产生位置进行更新.仿真实验表明新改进算法能有效求解有界背包问题.     

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.     

基于改进萤火虫算法的移动机器人多目标路径规划

针对复杂室内环境下移动机器人的路径规划问题,提出一种面向多目标同时优化的改进萤火虫算法;该算法利用栅格地图对机器人作业环境进行建模,将Pareto支配关系引入到萤火虫个体的亮度评价过程,构建精英库保留算法迭代过程中的Pareto非支配解,采用自适应网格划分策略维护种群的多样性;以路径长度、路径安全性和路径平滑度为目标进行运动路径的搜索与优化。仿真结果表明,与经典的带精英策略的非支配排序遗传算法相比,面向多目标同时优化的改进萤火虫算法求得Pareto非支配解集更优越。     

基于多策略融合灰狼算法的移动机器人路径规划

针对标准灰狼算法(GWO)在解决移动机器人路径规划问题时存在初始参数依赖性强、缺乏多样性及易陷入局部极值的缺陷,提出一种基于多策略融合灰狼算法(LTGWO)。首先运用精英化思想将Logistic-Tent复合混沌映射与反向学习结合,优化灰狼种群分布序列;然后引入sigmoid函数修改收敛因子a,平衡算法全局探索与局部开发能力,并改进控制参数C 以更好地拟合灰狼实际捕猎过程;最后加入随适应度值变化的比例权重,提高灰狼个体搜索能力,同时采用种群淘汰策略,淘汰适应度值差的个体,促进种群进化。选用3组不同的栅格地图进行实验,实验结果表明:由LTGWO 算法生成的平均路径长度、路径长度标准差都优于对比算法。     

基于萤火虫算法的DDE-PID加热炉炉温控制

针对加热炉炉温控制的目标多变、干扰因素多等问题,提出基于萤火虫算法(firefly algorithm)优化预期动态(desired dynamic equation,DDE)二自由度PID控制策略。将非线性鲁棒控制器(Tornambe Controller)中的不确定因素和外部干扰项利用观测器近似替换,运用预期动态法构建动态特性方程,推导出带有预期动态特性方程系数和观测器参数的二自由度PID等价形式。在判定系统稳定性后确定待优化参数选值范围,进而通过萤火虫优化算法选取最优参数。研究结果表明：与常规PID和二自由度PID控制相比,模型适配时所提出的控制策略使调节时间最多减少38 s,超调量最多降低15%,系统抗干扰性良好。使用所提策略后,炉温控制偏差小于±20℃,炉温波动降低60%,系统稳定性和抗干扰能力明显提高。     

基于新选择机制的萤火虫算法

虽然萤火虫算法已经得了广泛的应用,但仍存在收敛精度不高、后期收敛速度慢、易陷于局部最优的缺陷,针对这些缺陷,笔者提出了一种结合吸引度和个体距离的选择机制。通过对经典测试函数的实验仿真结果的分析表明,新的选择机制在收敛精度和避免过早陷于局部最优等方面得到了明显改善,提高了算法性能。