求解函数优化和特征选择的改进金豺狼优化算法

针对基本金豺狼优化算法(Golden Jackal Optimization, GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点,提出一种改进GJO算法(I-GJO)。在改进算法中,设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子,以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略,从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性,选取6个基准函数优化问题进行数值实验,并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明,I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题,对16个基准数据集的数值结果显示,改进算法能有效去除冗余特征和提高分类精度。     

基于黄金正弦与重启机制的二进制樽海鞘算法

针对樽海鞘算法在解决优化问题时存在收敛速度慢，易陷入局部最优解等问题，提出一种基于黄金正弦与重启机制的二进制樽海鞘改进算法.利用佳点集策略进行种群初始化，提高种群多样性；使用黄金正弦算法对樽海鞘领导者位置进行二次更新，提升算法的收敛速度和精度；在追随者位置更新过程中引入重启机制，防止算法陷入局部最优.为验证改进算法的性能，选取8个经典基准函数进行仿真实验，通过标准差评估、Wilcoxon检验及收敛速度对比等方法进行对比分析，结果表明，与现有5种二进制群优化算法相比，改进算法的收敛速度和寻优精度均有明显提升.     

基于多策略融合灰狼优化算法的特征选择方法

针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法.首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率.选取6个基准测试函数进行数值实验.结果 表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法.最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征.     

解决高维优化和特征选择的多策略改进正弦余弦算法

针对基本正弦余弦算法(sine cosine algorithm, SCA)求解高维复杂优化问题时存在精度低、收敛慢和易陷入局部最优等缺点,提出一种改进的SCA(improved sine cosine algorithm, iSCA)。首先,该算法设计出一种基于倒S形函数的非线性转换参数规则替代原有线性策略,从而实现从全局搜索到局部搜索的良好过渡;其次,嵌入个体历史最佳信息修改位置搜索方程以指导寻优过程,进一步改善算法的解精度和加快收敛;最后,引入翻筋斗觅食机制生成新的位置以增加群体多样性,从而降低算法陷入局部最优的概率。选取10个高维基准测试函数、10个UCI高维数据集和2个风电机组故障数据集进行仿真实验,并与基本SCA、MSCA(memory-guided SCA)和I-GWO(improved grey wolf optimizer)算法比较,结果表明,iSCA算法在精度和收敛指标上均优于其他比较方法。     

融合动态收敛因子与黄金正弦的花朵授粉算法

为了解决传统花朵授粉算法收敛精度较低、易收敛到局部最优等问题,提出了融合动态收敛因子与黄金正弦的花朵授粉算法(DGSFPA).在异花授粉中引入动态收敛因子,来提高算法收敛精度.在自花授粉中进行黄金正弦优化,以增强跳出局部最优的能力.通过与其他3种算法在测试函数上的比较,验证了改进算法具有更高的收敛精度和更快的收敛速度.将DGSFPA应用于求解压力容器设计优化问题中,研究结果表明:改进算法所得4个设计变量值均比其他3种算法所得值小,且其总成本比花朵授粉算法减少5270.82元,比人工蜂群算法减少876.72元,证明了DGSFPA的有效性和可行性.     

一种改进的人工蜂群算法

人工蜂群算法是一种模拟蜜蜂群智能搜索行为的随机优化算法,已被成功用于解决许多优化问题。该文针对基本人工蜂群算法在收敛速度和局部寻优方面存在的缺点,提出了一种具有平衡能力的改进算法。此算法在观察蜂阶段引入惯性权重,使用随着迭代次数动态变化的惯性权重因子来平衡种群的局部搜索和全局探测能力,防止算法陷入局部最优和加快寻优速度;在侦察蜂阶段(scout bees),则利用正弦函数搜索操作,正弦函数服从均匀分布,能很好地搜索全部范围,以提高种群多样性。通过对5个基准测试函数进行仿真实验,并与原算法进行比较,结果表明,改进的算法在收敛速度和搜索精度上基本优于人工蜂群算法。     

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法.首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法.通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(...     

基于自适应调整权重和搜索策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)收敛速度慢、收敛精度低、易陷入局部最优的问题,提出一种基于自适应调整权重和搜索策略的鲸鱼优化算法(AWOA).设计一种随着鲸鱼种群变化情况而自适应调整权重的方法,提高了算法的收敛速度; 设计一种自适应调整搜索策略,提高了算法跳出局部最优的能力.利用23个标准测试函数,分别针对高维和低维问题进行测试,仿真结果表明,AWOA在收敛精度和收敛速度方面总体上明显优于其他多种改进的鲸鱼优化算法.     

融合多策略的黄金正弦灰狼优化算法

【目的】为解决灰狼优化算法(grey wolf optimization, GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization, G-GWO)。【方法】首先,利用非线性调整收敛因子、动态调整比例权重和引入黄金正弦策略对GWO算法进行改进;然后,选取三类基准测试函数进行寻优实验,并与GWO算法、其他智能优化算法和其他改进GWO算法进行对比,从寻优的收敛精度、鲁棒性和收敛速度方面验证G-GWO算法的优越性;最后,建立板料冲压成形工艺参数与质量参数的BP神经网络(BP neural network, BPNN)代理模型,选用8种算法分别优化BP神经网络的权值和阈值,对比优化后的代理模型精度,验证G-GWO算法在实际工程应用中的有效性。【结果】G-GWO算法在三类基准测试函数的收敛精度、鲁棒性和收敛速度较其他算法均有较大优势,优化后的代理模型最大减薄率相对误差为3.47%,最大增厚率相对误差为4.99%。【结论】改进策略能提高GWO算法的性能,这可作为建立高精度代理模型和后续的...     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

多策略集成的改进技能优化算法及应用

针对技能优化算法(Skill Optimization Algorithm,SOA)寻优精度不高、收敛速度慢等缺点,本研究提出一种多策略集成的改进技能优化算法(Multi Strategy integrated Skill Optimization Algorithm,MSSOA)。MSSOA采用佳点集策略初始化种群,提高初始种群在解空间内的分布质量;根据算法特点在全局搜索阶段采用自适应权重,改进个体行进的步长;根据不同个体采用不同的t-分布扰动方式,平衡全局搜索和局部搜寻的关系,增强算法后期局部搜寻能力。通过12个测试函数、2个工程应用问题对其性能进行测试,测试结果表明MSSOA有着理想的寻优精度和收敛速度,能够解决复杂的工程问题。     

混合策略改进的金枪鱼群优化算法

针对金枪鱼群优化(Tuna Swarm Optimization, TSO)算法前期收敛速度慢和容易陷入局部最优等不足,提出混合策略改进的金枪鱼群优化算法(Improved Tuna Swarm Optimization Algorithm Based on Hybrid Strategy, HTSO)。首先,用Circle混沌映射初始化种群,提高种群的丰富性;其次,利用莱维飞行(Levy flight)在空间随机游走的搜索特点,提高算法在螺旋式觅食时的幅度,减少算法陷入局部最优的次数,帮助其快速找到全局最优。通过14个基准测试函数,在不同维数下比较传统TSO算法、HTSO、鲸鱼优化算法(Whale Optimization Algorithm, WOA)、灰狼优化(Grey Wolf Optimizer, GWO)算法和哈里斯鹰优化(Harris Hawks Optimization, HHO)算法的性能。仿真结果表明,不管是在低维还是在高维的情况下,HTSO比其他4种算法有更好的寻优性能和鲁棒性。最后对HTSO进行wilcoxon秩和检验,验证结果表明,HTSO与其他对比算法存在显...     

基于4VA信息素的蝗虫优化算法

针对标准蝗虫优化算法(Grasshopper Optimization Algorithm, GOA)存在的不足,基于对蝗虫活动习性和行为特征的模拟,结合GOA模型,提出一种基于4-乙烯基苯甲醚(4-vinylanisole, 4VA)信息素的蝗虫优化算法(Grasshopper Optimization Algorithm Based on 4-vinylanisole Pheromone, VAGOA)。首先,基于4VA是蝗虫的聚集信息素,设计4VA信息素表达式;其次,对不同蝗虫群体(群居型蝗虫和散居型蝗虫)中的个体分别采用不同的搜索策略,在探索和开发之间取得平衡,使算法全局探索能力和局部开发能力均得到有效提升,增强算法的全局寻优能力和规避陷入局部最优的能力。通过12个基准函数的仿真实验,并与GOA、PSO、HCUGOA、SA＿CAGOA算法相比较,结果表明VAGOA的全局搜索能力有明显提高,在函数优化中明显具有更快的全局收敛速度及更好的稳定性。     

基于混合变异算子的布谷鸟优化算法

针对布谷鸟寻优算法在多维优化函数搜索中存在收敛速度慢、寻优精度低的缺陷,提出了一种基于混合变异算子的布谷鸟优化算法。该算法在每次迭代后采用全局收敛引导的非均匀变异算子对鸟窝位置进行变异,再根据最优位置适应度值的变化率确定是否陷入了局部最优值,若陷入局部最优则利用高斯变异算子对鸟窝位置进行调整,从而提高了收敛速度以及寻优精度。通过6个经典测试函数的测试,实验表明改进后的布谷鸟算法具有较好的寻优精度和收敛速度。     

融合模拟退火的改进教与学优化算法

针对教与学优化算法(TLBO)在解决复杂优化问题时易陷入局部最优的缺点,提出了一种融合模拟退火的改进教与学优化算法(SAMTLBO).该算法首先对学员阶段做了改进,在保持TLBO算法简单易实现的基础上,利用模拟退火方法增强了TLBO算法摆脱局部最优的能力,最后用4种算法对8个无约束优化函数仿真.数值实验表明,该算法无论是在收敛速度还是在寻优精度上均优于基本TLBO算法、ETLBO算法和DMTLBO算法.     

改进算术优化算法求解考虑机器老化效应和工件释放时间的作业车间调度问题

研究考虑机器具有老化效应和工件带有释放时间约束的作业车间调度问题（job shop-scheduling problem, JSP）。建立以最小化最大完工时间为目标的调度优化模型,并设计1种改进的算术优化算法（improved arithmetic optimization algorithm, IAOA）对该问题进行求解。算法首先通过排序值转换规则将IAOA连续解空间映射到JSP的离散空间,并对JSP进行编码,然后使用插入式贪婪解码算法进行解码。提出了非线性数学优化加速函数和6种邻域搜索策略对标准算术优化算法（arithmetic optimization algorithm, AOA）进行改进。通过在33个JSP数据集上进行测试并与AOA、灰狼优化算法和算术三角函数优化算法进行对比分析,结果表明提出的IAOA具有较好的优化效果以及收敛能力,且该算法克服了AOA求解精度低、收敛速度慢的缺陷。     

基于改进麻雀搜索算法的空气质量指数预测

为更准确地预测空气质量指数(Air Quality Index, AQI),提出一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)的AQI预测模型(ISSA-BP)。利用麻雀搜索算法(Sparrow Search Algorithm, SSA)的全局搜索性能对BP神经网络的权值和阈值进行优化,解决传统BP神经网络在预测AQI过程中出现的收敛速度慢、易陷入局部最优等问题。同时,针对SSA在优化过程中的缺陷,引入立方映射和优化策略增强算法的全局搜索及收敛能力,进一步提高预测性能。应用ISSA-BP模型预测杭州市AQI,实验结果表明,与其他模型相比,该模型的预测精度有显著提升。本研究为大气污染防治提供了新的预测方法。     

基于PSOGWO-SVM的网络入侵检测方法

针对SVM算法的核函数及参数选择不科学会导致检测的准确率比较差的问题,提出了一种融合粒子群搜索的灰狼优化算法,利用PSOGWO算法优化SVM的参数,确定SVM分类器的最优检测模型,并基于NSL KDD数据集进行对比实验。结果表明：基于PSOGWO SVM的入侵检测方法实现了SVM的参数最优化,而且在检测率、收敛速度、模型平衡性等方面有明显提升,该方法在网络入侵检测方面具有更好的性能。