引入粒子群算法加速因子和个体认知的改进蝙蝠算法

针对蝙蝠算法后期收敛速度慢、易陷入早熟收敛、求解精度低的缺点,提出一种引入粒子群算法中的个体认知与加速因子的改进方法。该方法增加了蝙蝠的个体历史飞行经验,提高了个体自主性,以避免群体经验过度影响带来的进化能力丧失。利用加速因子对速度的控制,增加蝙蝠的可飞行范围,提高搜索能力,加快收敛速度。最后选取标准测试函数对设置不同加速因子的改进算法进行仿真验证,并与基本蝙蝠算法进行对比,结果显示改进后的算法在收敛速度和求解精度上有进一步提高。     

引入PSO加速因子和个体认知的改进蝙蝠算法

针对蝙蝠算法后期收敛速度慢,易陷入早熟收敛,求解精度低的缺点,提出一种引入粒子群算法中的个体认知与加速因子的改进方法。该方法增加了蝙蝠的个体历史飞行经验,提高了个体自主性,以避免群体经验过度影响带来的进化能力丧失;利用加速因子对速度的控制,增加蝙蝠的可飞行范围,提高搜索能力,加快收敛速度。最后选取标准测试函数对设置不同加速因子的改进算法进行仿真验证,并与基本蝙蝠算法进行对比,结果显示改进后的算法在收敛速度和求解精度上有进一步提高。     

保持个体活性的改进FA算法

在对基本FA算法进行分析的基础上,指出FA算法存在全局搜索能力不足,以及因聚集而早熟收敛现象.为克服FA算法的不足,提出了保持个体活性的改进FA(IFA)算法,分别从γ值自适应调节、过程萤火虫位置更新、聚集萤火虫重新激活以及最优个体的局部处理等多个方面对基本FA算法进行了改进.通过在10个基准测试函数上的测试,并与基本FA算法、PSO算法、ABC算法和其他改进FA算法进行对比,实验结果表明,改进的IFA算法能够很好地保持种群的多样性,具有较快的收敛速度与较好的求解精度,适合复杂函数优化问题.     

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。     

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。     

新型灰狼优化算法在函数优化中的应用

针对灰狼优化算法在求解连续函数优化问题时精度不高、易出现早熟收敛等缺陷,提出一种改进的灰狼优化算法.该算法在初始种群个体时采用混沌序列方法,为算法全局搜索的多样性奠定基础.根据个体适应度值将种群分为两个子种群,分别执行不同的搜索方式,以平衡算法的开采能力和勘探能力.选取几个标准测试函数对算法性能进行测试,测试结果表明,与其他群智能优化算法相比,该算法在求解精度和收敛速度方面均具有较强的竞争力.     

嵌入遗传算子的改进灰狼优化算法

针对基本灰狼优化算法(GWO)存在求解精度低、后期收敛速度慢和易陷入局部最优的问题,提出一种基于遗传算子的改进灰狼优化(IGWO)算法用于求解无约束优化问题.该算法首先利用佳点集理论初始化种群,为算法全局搜索多样性奠定基础;然后在决策层以外的群体中随机选取三个个体与决策层个体执行算术交叉操作,引导群体向决策层区域移动以增强算法局部搜索能力和加快算法收敛速度;最后,对决策层个体进行多样性变异操作以避免算法陷入局部最优.采用几个标准测试函数进行仿真实验:当维数较高(D=30或D=50)时,IGWO算法的总体性能上均优于基本GWO算法.实验结果表明IGWO算法在收敛速度和求解精度指标上明显优于对比算法.     

基于Logistic模型的改进人工蜂群算法

针对基本人工蜂群(ABC)算法存在着收敛速度慢、易陷入局部最优、求解精度低等缺点,提出一种基于Logistic模型的自适应人工蜂群(A-ABC)算法.首先,利用反向学习策略初始化种群个体以保证群体的多样性,为算法进行全局搜索奠定基础;其次,通过引入参数λ对ABC算法的搜索方程进行改进以产生新的候选个体,在进化过程中,λ的大小基于Logistic模型自适应调节,以协调算法的探索能力和开发能力;引入基于排序的选择概率以避免算法出现早熟收敛.对几个典型的Benchmark函数进行了测试,实验结果表明,与基本ABC算法相比,A-ABC算法具有更高的求解精度和更快的收敛速度.     

基于同步扰动随机逼近的混合萤火虫算法

针对标准萤火虫算法(FA)中存在的种群过早收敛、容易陷入局部最优等不足,提出一种以memetic算法为框架、将同步扰动随机逼近和萤火虫算法相结合的混合算法(FA-SPSA),即首先使用萤火虫算法对种群进行全局寻优,然后使用同步扰动随机逼近算法对选出的部分最优个体进行局部搜索,从而增强萤火虫算法跳出局部最优解的能力。通过6个标准测试函数对FA-SPSA算法的性能进行检验,并与标准萤火虫算法、果蝇算法、改进的果蝇算法等其他4种算法进行比较,结果表明,FA-SPSA算法在寻优精度、收敛速度、鲁棒性等方面的性能总体上优于对比算法。     

多策略自适应共生生物搜索算法

针对共生生物搜索算法搜索速度慢、收敛精度不高且易早熟的缺点,提出了一种多策略自适应改进算法。首先,根据适应度将种群分为3个群体,每个群体采用不同的搜索策略以实现不同功能。其次,提出了一种基于实时信息反馈的的混合搜索策略,使其搜索策略实现自适应调整。最后,对超边界个体进行变异操作,以增加种群多样性。对14个标准测试函数的仿真测试表明改进算法全局优化能力更强,具有更好的搜索速度和收敛精度。     

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。     

用对数函数描述收敛因子的改进灰狼优化算法及其应用

针对灰狼优化(grey wolf optimization,GWO)算法在求解复杂高维优化问题时存在解精度低、易陷入局部最优等缺点,提出一种基于对数函数描述收敛因子的改进GWO算法。采用佳点集方法初始化种群以保证个体尽可能均匀地分布在搜索空间中;提出一种基于对数函数描述的非线性收敛因子替代线性递减收敛因子,以协调算法的勘探和开采能力;对当前最优的3个个体执行改进的精英反向学习策略产生精英反向个体,以避免算法出现早熟收敛。研究结果表明改进算法具有较好的寻优性能。     

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.     

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.     

一种随机调整控制参数的鲸鱼优化算法

针对标准鲸鱼优化算法在处理复杂优化问题时出现搜索精度低和易出现早熟收敛等缺点,提出一种随机调整控制参数的改进鲸鱼优化算法(EWOA)。受粒子群优化算法中惯性权重的启发,利用随机分布的方式调整控制参数,以平衡鲸鱼优化算法的全局搜索和局部搜索能力。对当前最优个体执行服从正态分布的变异扰动,以避免算法出现早熟收敛现象。此外,采取佳点集方法替代随机方法产生初始个体以提高算法的全局收敛速度。6个标准测试函数的仿真实验结果表明EWOA能有效处理高维复杂优化问题。     

云计算环境下基于改进GSO的目标主机选择算法

目标主机的选择是虚拟机动态迁移过程中的重要阶段,是实现负载均衡的关键。针对基本萤火虫算法存在的精度不高、收敛较慢的问题,提出了一种改进的萤火虫优化算法,用于解决虚拟机迁移时虚拟机和目标物理主机的映射问题,实现多目标最优求解。该算法通过引入步长调整因子,能够动态调整移动步长,克服了步长过大或过小导致的精度不高、后期收敛较慢的缺点。全面考虑物理主机负载指标,建立负载均衡模型,将萤火虫算法中个体与节点资源相对应,利用萤火虫发光机制寻优求解,以实现目标主机的优化选择。仿真实验表明,该算法能够快速完成目标主机的选择,有效平衡系统资源,实现数据中心负载均衡。     

群体组织启示下的粒子群算法改进

从社会学的视角分析粒子群的组织结构,试图通过增强群体组织管理来防止算法的早熟收敛.借鉴社会管理学中发挥个体能动性和规范成员行为并重的管理理念,构造基于团队式管理的粒子群算法.使用标准测试函数对该算法进行仿真实验,并用正交试验法进行了参数优化.实验结果表明,相对现有的一些改进方案,文中提出的改进算法简单易实现,在一些问题求解上表现出较好的寻优和收敛性能.     

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。     

高速收敛混沌粒子群算法的云计算任务调度

针对传统粒子群算法在处理云计算任务调度问题时,存在求解精度不高、容易陷入早熟收敛等缺陷,提出一种改进的高速收敛混沌粒子群算法.首先,采用混沌序列对初始化过程进行优化;其次,利用适应度方差对早熟现象进行有效诊断,并对算法在负梯度方向进行修正,使其跳出局部最优,实现高速收敛.仿真实验表明:改进后的粒子群算法能有效地避免早熟,收敛速度及求解精度都明显提高,非常适合云计算任务调度.     

基于改进果蝇算法的旅行商问题

通过将原果蝇算法用于求解几个简单函数极值问题上,发现原果蝇算法存在易陷入局部收敛和收敛精度低等不足.为了改进这些不足,使其可以用于解决旅行商问题,结合粒子群算法和遗传算法特点,将粒子群算法的全局极值更新法和遗传算法变异操作引入到原果蝇算法中,提出新的改进果蝇算法.通过引入这些操作,可以扩大解的搜索空间,防止过早收敛和早熟.然后再借助MATLAB软件对TSPLIB库中几个典型的旅行商问题进行求解,并对改进果蝇算法与粒子群算法结果进行比较分析,证明了改进果蝇算法在求解旅行商问题上具有较好特性,具有更好收敛性和更高收敛精度.