基于非线性和遗传变异的灰狼优化算法

灰狼优化(grey wolf optimization,GWO)算法是模拟灰狼的种群活动而提出的群智能算法,该算法因其在高维度的求解精度较高而受到广泛关注,但是它与其他群智能算法一样存在收敛慢和易陷入局部最优的缺点。针对GWO算法所存在的问题,文章基于非线性控制因子和遗传算法中的变异思想,提出了一种改进的基于非线性控制因子和遗传变异的GWO算法(grey wolf optimization algorithm based on the nonlinear control factor and genetic variation,NGGWO),并提出一种基于余弦变换的非线性收敛因子,用于平衡算法的全局与局部搜索能力;同时,在算法中引入遗传变异策略,用于解决算法陷入局部时的停滞现象;通过一组基准测试函数,将NGGWO与GWO和其改进算法进行比较。实验结果表明,NGGWO基本优于GWO算法,相比于该文提出的3种改进GWO算法,NGGWO也具有性能上的优势。     

改进的灰狼算法在电动汽车充电调度中的应用

针对灰狼优化算法(grey wolf opotimizer, GWO)易早熟收敛和陷入局部最优的缺点,提出一种基于精英反向学习的改进灰狼算法(grey wolf optimizer based on particle swarm optimizer, PSO-GWO)。首先,利用精英反向学习机制初始化种群,使种群保持多样性;然后提出一种非线性控制因子策略,增加算法的搜索能力,提高算法的收敛速度;最后基于差分进化和粒子群思想更新了位置方程,从而提升算法的收敛性能。采取10个基准测试函数将本文提出的改进算法与差分进化算法、粒子群算法、传统灰狼算法、其他学者提出的改进灰狼优化算法进行对比。实验结果表明,本文提出的算法与其他算法相比,在求解多峰函数问题上效果显著,可以搜索到最优解0,同时求解最优非0解函数的效果也体现地较优越;同时运用改进的算法在实际电动汽车充电调度上进行了对比分析,发现也取得了不错的效果。     

狼群算法的研究与应用综述

狼群算法(wolf pack algorithm, WPA)是一种比较新的群智能优化算法,是一种通过模拟狼群捕食行为和猎物分配规则而抽象出的自然启发式算法,自问世以来就受到众多学者的关注。首先对狼群算法的原理进行分析,然后总结算法的改进策略,接着列举算法的相关应用,最后对狼群算法进行展望。     

基于改进灰狼算法的自动导航小车控制策略

针对灰狼算法(grey wolf optimizer, GWO)易陷入局部最优、后期收敛速度慢等问题,通过引入改进Tent混沌映射反向学习策略和非线性收敛因子,并加入差分进化的变异、交叉、选择操作,提出一种改进的差分灰狼优化算法(improved differential evolution grey wolf optimizer, IDE-GWO)。将改进算法应用于优化自动导航小车(automated guided vehicle, AGV)的比例积分微分(proportion integration differentiation, PID)控制参数,并与其他几种算法进行对比。Simulink仿真实验结果表明：该改进算法优化PID参数的控制效果明显优于其他智能优化算法,能够有效地提升AGV轨迹跟踪性能,使得AGV实际轨迹能较好拟合目标轨迹。     

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...     

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...     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

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.     

WSN中基于灰狼和乌鸦搜索算法的簇头选择路由方案

针对无线传感器网络的节点吞吐量低、生命周期短和延迟时间长等问题,提出一种基于灰狼和乌鸦搜索混合优化算法的簇头选择路由方案,该方案综合考虑节点剩余能量、节点间距离和传输延迟等因素,采用基于灰狼优化(Grey Wolf Optimization,GWO)和乌鸦搜索(Crow Search Algorithm,CSA)混合优...     

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.     

基于选择策略的简化蝗虫优化算法

针对蝗虫优化算法(Grasshopper optimization algorithm, GOA)收敛速度慢、收敛精度不高的问题，提出基于选择策略的简化蝗虫优化算法(Simplified grasshopper optimization algorithm, SGOA)。首先运用选择策略处理初始种群，有助于快速缩小算法的搜索范围。其次通过选择策略将整个种群分为精英种群和一般种群，精英种群由当前最优蝗虫指导位置更新，有利于实现算法的趋优和加速；一般种群的位置更新取决于自身位置、精英种群及当前最优蝗虫位置，有利于保持算法的稳定。为验证SGOA求解高维复杂函数的广泛适用性，选取GOA、经典的粒子群优化算法(Particle swarm optimization, PSO)、高效的灰狼优化算法(Gray wolf optimization, GWO)以及鲸鱼优化算法(Whale optimization algorithm, WOA)作为SGOA的对比算法。以上5种算法求解9个标准测试函数的统计结果表明：SGOA的收敛精度、稳定性以及寻优成功率均显著高于其他算法。     

一种新的混合粒子群优化算法

将禁忌搜索思想引入粒子群优化算法中,改进惯性权重,添加罚函数重新构造适应度函数;在此基础上,提出了一种基于禁忌搜索的新的混合粒子群优化算法(NHPSO),通过4个标准测试函数实验,结果表明:NHPSO算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度解的能力。     

复数编码的樽海鞘群算法及其应用

为了提升樽海鞘群算法的性能,提出一种复数编码的樽海鞘群算法(A Complex Encoding Slap Swarm Algorithm,CESSA)。首先采用复数编码构建樽海鞘群,拓展种群多样性;其次利用灰狼算法头狼搜索食物行为分别指导当前樽海鞘个体和上一个樽海鞘个体的搜索行为并取两者的平均值。通过13个基准测试函数和4个非线性方程的仿真实验,所有实验结果表明采用综合改进策略的CESSA算法在全局搜索和局部勘探方面具有相对优势。     

基于QPSO的图像分割算法

文章将具有量子行为粒子群优化(QPSO)算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用QPSO算法自适应选取分割阈值;仿真实验针对Lena图像分割问题,将标准粒子群优化(PSO)算法与QPSO算法分别独立运行,仿真结果表明,基于QPSO优化的图像分割算法不仅克服了PSO容易过早陷入局部最优值的缺点,而且分割速度更快,是一种更有效的分割方法.     

一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

基于改进灰狼算法优化支持向量机的短期交通流预测

实时、准确的短期交通流预测是智能交通系统的基础和关键技术之一.由于灰狼优化算法(GWO)存在收敛速度慢、易陷入局部最优解等缺陷,为进一步提升短期交通流预测的精度,提出了基于改进灰狼算法(IGWO)优化支持向量机(SVM)的短期交通流预测模型.首先,本文提出引入帐篷(Tent)混沌序列初始化灰狼种群,更改收敛因子的线性递...     

菌群优化算法研究综述

菌群优化算法是一种模仿大肠杆菌觅食行为的新兴的群智能优化技术。介绍了菌群优化算法的基本原理,给出了算法改进及其应用,总结了现有菌群优化算法存在的问题,并指出其未来的研究方向。     

基于灰狼粒子群混合算法的相机标定优化方法

针对传统标定方法参数考虑较少、标定精度不高的缺点,将群智能算法思想应用其中,并在现有的粒子群算法和灰狼算法基础上进行优化,取长补短,提出一种混合算法.首先,基于张正友方法获得标定的参数范围,在该范围内随机生成参数作为初始值,然后以最小平均误差为准则,利用灰狼粒子群优化混合算法,建立目标函数,进一步求解相机的内外参数.研究结果表明,该算法求解结果准确、稳定,可重复操作,可以有效地提高标定精度,结果好于其他几种方法.     

融合简化粒子群的教与学优化算法

教与学优化算法(teaching-learning-based optimization algorithm,TLBO)是一种基于班级"教师阶段"和"学生阶段"的新型群智能优化算法.针对算法求解高维非线性复杂优化问题时精度较低的缺点,提出一种混合的教与学优化算法(HTLBO).首先,对"教师阶段"中的学生平均水平重新定义,并采用一种自适应策略根据粒子的适应度值对学习因子动态取值;然后,在迭代的过程中,根据适应度值将种群分成两个子种群,对于适应度值好的子种群采用改进的教与学优化算法(ATLBO)更新以增加种群的多样性,对于适应度值差的子种群采用简化粒子群算法(SPSO)以提升子种群的收敛性;最后,通过10个无约束优化问题进行对比测试实验,结果显示,HTLBO在探索性能和收敛速度方面优于TLBO等其他4种类型的算法.