基于GDBA算法目标跟踪的粒子多样性研究

针对传统目标跟踪算法搜索范围小、跟踪精度低的缺点,提出一种基于遗传扰动机制的改进蝙蝠算法(GDBA),该算法引入了遗传竞争机制,根据优化的优劣情况调整遗传算法的交叉率和变异率,使得种群具有遗传性和变异性,同时扩大了搜索范围,提高了粒子多样性,改善了跟踪精度.     

基于速度权重扰动机制的改进蝙蝠优化算法

为提高基本蝙蝠算法的局部最优解开发能力,拟引入速度权重扰动机制,提出一种基于速度权重扰动机制的改进蝙蝠优化算法.在算法迭代寻优过程中,蝙蝠个体自身当前位置优于群体当前位置均值时,选择带有速度权重扰动机制的速度演化策略更新下一代速度信息,从而提高算法跳出局部最优的能力,并最终实现群体逼近收敛到全局最优解.针对典型基准测试函数的仿真实验结果表明,该速度机制能够有效提高蝙蝠个体的局部开发能力,加强算法的全局寻优能力.     

一种基于鲶鱼效应和新型搜索机制的混沌蝙蝠算法

针对蝙蝠算法(BA)收敛速度慢、易早熟、寻优精度差的缺点,该文提出一种基于鲶鱼效应和新型搜索机制的改进的混沌蝙蝠算法。首先采用均匀性更好的Tent混沌序列产生初始种群,以增强初始种群多样性。设计了新型频度和速度更新函数,以更好地调节种群的聚集速度,提高全局搜索能力,缓解局部最优现象。将混沌扰动思想引入蝙蝠算法,提出一种新的局部搜索机制和变步长搜索策略,以提高局部搜索的效率和精度。设计了基于混沌鲶鱼效应的种群激活机制,增强了蝙蝠群体跳出局部最优和加速收敛的能力。典型函数的对比测试结果证明了该算法的有效性。     

具有随机扰动机制的改进QPSO算法及其应用

针对原始量子粒子群优化算法(QPSO)在面对复杂多模函数时容易出现早熟和收敛精度低的 情况,提出了一种具有随机扰动机制的改进 QPSO 算法(MQPSO)。在改进算法设计时,首先借鉴了遗传算 法中交叉算子的思想,并结合随机扰动操作,对单个粒子的历史最优位置和全局最优位置进行了重新设定, 以增强算法在迭代后期的收敛性能,同时维持种群的多样性;其次,对QPSO算法中的重要参数收缩-扩张因 子,进行了非线性调整,以提高算法的全局收敛速度和精度。 通过8个测试函数,将 MQPSO 算法与4个现有的改进算法从平均值、标准差和最好取值三个方面进行了对比;进而根据中国证券市场中 15 只股票的历史 数据,分别运用粒子群优化算法、量子粒子群优化算法、布谷鸟搜索、蝙蝠算法和 MQPSO 算法对一类具有最小最大风险的投资组合优化模型进行数值求解。实验表明:MQPSO算法无论在基准测试中还是在仿真应用上,其计算结果在收敛精度和稳定性方面均优于其他群智能算法。     

基于遗传算法的蝙蝠优化算法研究

针对基本蝙蝠算法后期收敛速度不够快、早熟、寻优精度不高、容易出现局部最优问题等情况,提出与遗传算法相结合的优化蝙蝠算法(GABA)。该优化算法嵌入了竞争机制以及遗传算法,利用遗传算法具有的全局搜索性能,让种群进化时具有更丰富的多样性,在解决算法早熟问题的同时,提高了局部广度搜索性能,避免产生局部最优问题。Matlab环境下的仿真实验结果表明:与基本BA算法对比,改进后算法(GABA)在收敛速度及精度上均有明显提高,特别在高维函数上的搜索能力更为明显,可针对工程应用过程中出现的高维多极值复杂函数进行优化。     

基于混沌和差分进化的混合蝙蝠算法

提出一种基于混沌和差分进化的混合蝙蝠优化算法.把基于Logistic映射的混沌序列引入到种群初始化中,在算法迭代过程中,通过一种早熟判断机制,对早熟的粒子进行差分进化算法的交叉、变异和选择操作,增强算法的多样性和全局寻优能力,有效避免陷入局部最优.通过8个标准测试函数的仿真结果表明,改进后的算法可以有效提高收敛精度和收敛速度.     

自适应混沌遗传混合算法及其参数敏感性分析

提出自适应搜索空间的混沌遗传混合算法.该方法不同于一般的混沌遗传混合算法,它在遗传进化的过程中根据群体多样性测度引入混沌算子,并从全局搜索空间以随机概率解析出优秀解域,对个体分两个区域进行混沌扰动:优秀解域细搜索和全局解域大扰动.数值仿真表明该算法既加快了收敛速度又提高了收敛精度,解决了传统遗传算法的早熟问题.     

基于特征方程的蝙蝠算法分析及其改进策略

在求解复杂非线性优化问题时,蝙蝠算法因其进化机制中引入了更多可调参数因子而比粒子群算法和遗传算法等具有更好的收敛性能.然而,在其迭代过程中,一旦群体中出现"超级"蝙蝠个体,算法极易出现"迟滞"问题.针对该问题,采用特征方程方法对基本蝙蝠算法的收敛性进行了分析,在一定假设条件下,讨论了算法参数灵敏性.基于负梯度理论,通过调整算法中蝙蝠个体的速度更新策略,使其沿群体当前最优解的负梯度方向飞行,引导个体飞向全局最优解.典型benchmark函数仿真实验结果表明,改进蝙蝠算法表现出较基本蝙蝠算法和带速度权重的改进粒子群算法更好的全局寻优能力.     

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.     

一种融合粒子群算法的蝙蝠优化算法

针对基本蝙蝠算法(BA)在寻优后期存在搜索性能差,寻优精度低,处理误差大,易陷入局部最优及早熟等缺陷,提出一种融合粒子群算法进行局部搜索的蝙蝠优化算法。该算法在局部搜索中,嵌入粒子群算法生成备选最优蝙蝠,并与基本蝙蝠算法生成的随机蝙蝠进行再竞争的方式优化种群,丰富了种群的多样性,提高了算法的全局搜索能力和局部搜索能力。Matlab环境下的仿真结果表明,改进后算法(PSOBA)在收敛速度及精度上均有明显提高,处理维度更高,是解决复杂函数优化问题的一种有效方法。     

基于模糊推理的鸡群优化算法

针对鸡群算法(CSO)在求解高维复杂优化问题时往往会陷入局部解的问题,提出了基于模糊推理的鸡群优化算法.该方法利用模糊推理改进了母鸡和小鸡的位置更新公式,增强了鸡群全局搜索能力;利用惯性粒子,增强了鸡群的信息共享,从而增加了局部搜索能力,并用Tent映射对粒子进行扰动.数值试验结果表明:该算法能快速收敛到全局最优解,而且具有较高的全局寻优能力和计算精度.     

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。     

全局混沌蝙蝠优化算法

为提高蝙蝠算法进行特征选择的正确率,提出全局混沌蝙蝠优化算法(GCBA).首先,GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间,获取蝙蝠初始的最优位置,使其具有更加丰富的种群,解决了初始化种群随机性的问题.同时,GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解,可有效避免算法早熟,有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明,所提算法具有更高的分类精度和更强的跳出局部最优的能力.     

带有个体扰动和相互学习改进的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期早熟收敛现象,提出了一种带有个体扰动和相互学习改进的粒子群优化算法.算法在迭代的过程中,根据群体适应度方差按照一定的概率对当前的个体最优粒子进行扰动,增强了算法的局部探索的能力,使得粒子跳出局部最优点;同时增加粒子的相互学习阶段,使得每个粒子的进化不仅受到个体最优粒子和全局最优粒子的影响,而且还受到其他粒子之间相互学习的影响,提高了算法的收敛速度.数值实验表明,改进的新算法具有更高的收敛速度和收敛精度,能有效克服早熟收敛现象.     

一种引入复合形法的改进引力搜索算法

针对引力搜索算法求解复杂问题时搜索精度不高、易出现早熟收敛问题,提出一种引入复合形法的改进引力搜索算法。该算法在寻优初期利用引力搜索算法进行全局搜索,同时对引力系数进行改进,以提高全局收敛速度;在寻优后期,当算法出现早熟收敛现象时,引入复合形法,利用复合法较强的局部搜索能力,帮助种群快速跳出局部最优解。通过5个标准测试函数验证了改进算法的可行性和有效性。与标准引力搜索算法、基于权值的引力搜索算法、记忆性引力搜索算法相比,该算法具有更高的收敛精度和更快的收敛速度。     

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。     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

一种改进的多约束混沌选播路由算法

为满足带宽、时延、时延抖动、包丢失率等多服务质量约束下以最小代价进行选播路由,首先分析了多约束选播路由算法难以收敛于全局的原因,然后提出了一种改进的混沌选播路由算法.算法引入相异度的思想,把相异率作为判断"早熟"的方法;设计了混沌扰动算子,在判断种群出现"早熟"时对种群进行混沌扰动,增加群体的多样性,扩大搜索范围,避免陷入局部最优.该选播路由算法能找到满足多QoS约束的全局最优解.通过对比仿真实验数据表明,本算法具有较快的收敛速度和较高的请求成功率.     

基于t-分布精英保留机制的花朵授粉算法

针对花朵授粉算法收敛精度不高,算法迭代后期收敛速度慢的缺陷,从全局搜索和局部搜索两个方面对算法进行改进。首先,在全局搜索时引入基于t-分布的精英概率保留机制,该策略通过设置一个精英概率保留参数,控制部分最优解信息能够保留进入到下一次迭代,并使用t-分布算子对保留的最优解的各维度实施扰动变异。其次,在算法的局部搜索时,使用高斯变异代替原算法的随机数扰动变异,提升局部搜索的稳定性。仿真实验结果表明,改进的算法比基本花朵授粉算法,在收敛精度和收敛速度上有提升,从而说明改进策略的可行性。