混沌差分进化算法在复杂优化问题中的应用研究

差分进化算法求解复杂优化问题时,由于进化后期种群多样性降低,算法极易陷入局部最优值无法跳出.论文针对该问题,将差分进化算法和混沌优化方法耦合,构建了混沌差分进化算法.算法利用混沌序列的遍历性和内部迭代的随机性,弥补差分进化算法容易陷入局部最优的缺陷,从而提高算法的搜索性能.对几种典型函数的测试结果表明:混沌差分进化算法的全局搜索性能有了显著提高,能有效避免算法陷入局部最优.因此,与标准差分进化算法和混沌优化算法相比,该算法在求解复杂优化问题时更加可行、有效.     

云计算中基于改进离散粒子群优化的任务调度方案

针对云计算中现有智能任务调度算法容易陷入局部最优的问题,提出一种基于改进型离散粒子群优化(DPSO)算法的任务调度方案。对传统DPSO算法中的粒子位置更新公式中的惯性权重进行改进,使其根据迭代次数非线性递减,提高算法的搜索能力;另外,融入了随机扰动操作,避免算法陷入局部最优。实验结果表明,与传统遗传算法和粒子群算法相比,该方案能够获得最优的调度策略,有效降低任务的完成时间。     

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。     

一种基于全局最优的改进的正弦余弦算法

针对正弦余弦算法在求解优化问题时容易陷入局部最优,求解精度不高的缺点,提出了一种改进的正弦余弦算法.该算法利用分群的思想将群体分成两个子群,并利用群体中的最优信息改进已有迭代公式,借鉴共生生物搜索算法的思想设置新的迭代公式,使得在进化过程中各子群使用不同的迭代公式,通过子群间的协作与竞争来实现对最优解的搜索.函数优化问题和实际问题的实验结果表明了该算法的可行性和有效性.     

一种改进粒子群优化算法在入侵检测中的应用

针对现有的粒子群优化(PSO)算法大多存在早熟收敛、容易陷入局部最优值的问题,提出了一种新的协同粒子群优化(CPSO)算法。该算法拥有两个子群,一个用于全局搜索始终保持粒子多样性,另一个用于局部搜索保证搜索精度,通过相互协同合作在全局最优值附近实现精确搜索。最后把该算法应用到动态聚类入侵检测,通过优化聚类半径和聚类阈值,对训练数据进行正、异常类聚类,然后用测试数据进行攻击检测。试验结果表明该算法较粒子群和突变粒子群(MPSO)算法性能明显提高。     

基于DNA进化算法的车辆调度问题

在建立一种物流配送车辆调度模型的基础上,针对传统启发式算法对复杂问题搜索效率低、易陷入局部最优的缺点,构造了DNA进化算法求解该问题。将其在个体变异操作中进行了一些改进,避免陷入局部最优。车辆调度问题(V SP)属于组合优化NP难题。采用V SP问题进行测试,仿真结果表明:该算法简单可行,与其他算法相比较,不但有很好的求解性能,而且具有更快的收敛能力与搜索能力。     

基于全局最优值的群搜索优化算法

标准群搜索优化(group search optimizer,GSO)算法在搜索的前期易于陷入局部最优,造成收敛速度变缓甚至在搜索时停滞等问题。针对以上问题对GSO算法进行改进,提出一种基于全局最优值的群搜索优化(global optimal value-based group search optimizer,GGSO)算法,弥补标准群搜索优化算法在搜索的前期易于陷入局部最优的缺陷。通过在GSO算法搜索过程中加入全局最优值方式,改进"发现者–加入者"模型,从而加快算法收敛速度。11个国际标准测试函数的对比实验表明,GGSO算法无论在算法精度还是收敛速度上都优于标准GSO算法。     

一种新的交叉粒子群算法

针对标准粒子群优化算法(SPSO)在处理高维复杂问题极易陷入局部最优的不足,文章在研究标准粒子群优化算法理论基础上,提出了一种带交叉因子的改进粒子群优化算法(MyPSO),减小了算法陷入局部极值的可能。仿真实验表明,该算法(MyPSO)提高了全局搜索能力,但同时增加了搜索时间。     

一种改进的浮点数编码遗传算法及其应用

遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索方法,作为优化方法具有明显的优势.通常的遗传算法在实际应用中容易出现过早收敛和搜索结果在最优值附近摆动问题.针对过早收敛提出了采用随机试验法来防止算法陷入局部最优,而针对搜索结果摆动采用动态改变搜索范围的方法来提高优化结果精度,并编制程序对2个著名的优化方法测试函数进行优化计算,测试结果表明,该改进的遗传算法是有效的,不会陷入局部最优,并大大提高了优化结果的精度.     

一种基于全局最优的改进萤火虫算法

针对萤火虫算法在求解优化问题时容易陷入局部最优,求解精度不高的缺点,提出了一种改进的萤火虫算法.该算法利用分群的思想将群体分成两个子群,并利用群体中的有益信息改进已有迭代公式,借鉴共生生物搜索算法的思想设置新的迭代公式,使得在进化过程中各子群使用不同的迭代公式,通过子群间的协作与竞争来实现对最优解的搜索.函数优化问题的实验结果表明了该算法的可行性和有效性.     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,成功地运用于广泛的数值优化问题.PSO算法在求解高维复杂函数优化问题时容易陷入局部最优.有鉴于此,提出了一种基于信息熵的粒子优化算法.该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性.实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度.     

混沌PSO梯级优化调度算法及实现

利用切比雪夫(Chebyshev)映射在[-1,1]区间上的遍历性和随机性,提出了一种基于切比雪夫映射的新型混沌粒子群优化(CPSO)算法.该算法在粒子群算法求出的最优解附近进行混沌搜索.提高了混沌粒子群算法的全局优化能力,能有效避免算法容易陷入局部最优以及解决逻辑斯谛(logistic)映射不能在负值区间进行搜索的问题.针对模型中复杂的约束条件,采用分段线性插值函数实现了对目标函数的求解,并通过对采用丰枯电价时三峡梯级水电系统长期优化调度问题的计算及与其他算法的对比,验证了该算法可解决具有复杂约束条件的工程优化问题.     

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。     

蚁群优化算法在发电机励磁控制中的应用研究

针对现有发电机励磁控制器参数优化中存在的寻优时间长、易陷入局部最优的问题,提出了一种引入杂交及变异算子的蚁群算法。该算法利用蚁群算法良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的思想,利用杂交及变异算子来进行局部寻优,使其能快速搜索到全局最优点。MATLAB仿真结果表明,该算法可行且有效。     

求解无约束全局优化问题的新型混合遗传算法

目的更好地解决遗传算法在求解全局优化问题时易陷入局部最优点的缺陷。方法将传统优化的无约束搜索和黄金分割法应用到局部搜索阶段,提出一种改进算法局部寻优能力的新型混合遗传算法(NHA)。结果与结论测试函数的数值实验结果表明该算法对改进遗传算法的缺陷是十分有效的。     

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。     

一种基于混沌搜索改进的人工蜂群算法

针对人工蜂群算法存在容易陷入局部最优解以及收敛速度慢的不足,提出了一种改进的人工蜂群算法.该算法在基本人工蜂群算法的基础上,根据可能解上的适应值定义搜索步长来解决陷入局部最优的问题,根据可调的参数定义食物源选择概率模型来解决收敛速度慢的问题,该选择的概率模型是基于混沌搜索定义全局最优解的搜索方法.最后,在7种不同的测试函数上对改进后的算法进行了实验测试,实验结果表明该改进算法比基本人工蜂群算法有着更高的搜索精度和较低的时间复杂度.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法(TPSO)。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

蚁群优化算法的无人机室内航迹规划

由于室内无人机导航较为复杂,针对现有的传统(基本)蚁群算法存在早期盲目搜索、易陷入局部最优和收敛速度慢等问题,探索一种高效、准确的航迹规划方法意义重大。为提高收敛速度使其避免陷入局部最优等算法缺陷,提出一种改进蚁群算法的室内无人机三维航迹规划方法,该方法设计初始信息素的调节因子,增强蚁群搜索的方向性;设计启发概率函数,改进状态转移规则,有效提高蚁群可见性精度;改进算法的信息素更新方式,增加信息素挥发率的动态调整策略,提高算法的收敛速度,扩大搜索空间,有效避免其陷入局部最优。通过仿真实验进行算法适应性验证,结果表明：改进蚁群算法有效提高全局搜索能力,减少收敛迭代次数,得到的最优路径长度比传统蚁群算法平均缩短38.6%,平均用时减少3.8%,显著提高蚁群优化算法的适应性,体现出在特定应用场景下的优越性。