一种基于改进的磷虾群和粒子群的混合算法

针对基本磷虾群(KH)算法在求解高位复杂优化问题时容易陷入局部最优、求解精度低等缺点,提出了一种基于改进的磷虾群和粒子群的混合算法(AIPSOKH).该算法首先对KH算法中的觅食权重和诱导权重采用非线性递减策略,然后将其与惯性权重线性递减的粒子群算法(LDWPSO)混合,采用双子种群同时计算的并行策略进行迭代计算,借鉴自然选择中适者生存的进化机制提升母种群中个体的质量,以此来避免算法陷入局部最优,并提升其求解精度.最后通过8个标准测试函数的对比实验表明,在全局搜索能力和求解精度上与提到的2种算法相比都有着显著优势.     

一种正交对角化的磷虾群算法

针对磷虾群算法在处理高维复杂问题时,容易陷入局部最优、收敛速度慢、求解精度低等不足,提出了一种正交对角化的磷虾群算法.该算法根据适应度值排序分组磷虾群,通过正交对角化策略,吸收优质磷虾的经验,引导磷虾群寻优,同时兼顾"平凡"磷虾按常规方法寻优,从而提升了全体磷虾寻优能力,并保持了种群多样性.对标准测试函数的实验表明了该...     

具有记忆的果蝇优化算法

针对基本的果蝇优化算法(FOA)在寻优进化过程中,极易陷入局部极值区域致使算法的收敛精度和收敛速度下降的缺点,提出了一种改进的果蝇优化算法PFOA.从微粒群算法(PSO)更新粒子的方法中得到启发,在果蝇优化算法中加入了个体经验信息和群体经验信息。PFOA使果蝇个体在寻优进化过程中充分地利用了种群历史信息来增加种群的多样性,从而使果蝇个体能够跳出局部最优解区域,提高算法收敛精度和速度。经过对标准测试函数的仿真实验,表明PFOA在收敛精度、收敛速度上比其他FOA具有明显的提高。     

加速度粒子群算法在多旅行商问题中的应用

标准粒子群算法(PSO)在求解多旅行商问题(MTSP)时易发生早熟收敛,为此提出一种新的加速度粒子群算法。借鉴力学思想将粒子的运动描述为受力以后在解空间中的搜索运动,粒子受个体最优、全局最优的牵引力,并受局部最优的排斥力,加速度由粒子所受的合力决定。通过审敛操作判断早熟收敛,当发生早熟时局部最优对所有粒子产生的排斥力使种群跳出局部最优继续搜索。为进一步提高算法效率,针对MTSP问题的特点设计了基于维度的粒子学习策略和编解码方法。仿真结果表明,该算法能够有效克服早熟收敛,从而提高解的收敛性和稳定性,为MTSP问题提供了一种可行的方法。     

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。     

一种基于粒子群算法和育种算法的混合算法

目的 求解无约束优化问题.方法 结合粒子群算法收敛速度快而育种算法不易陷入局部最优的特点,设计了一种新的算法.结果 数值试验结果 表明算法对于多峰值函数有很好的优化效果.结论 当群体最优信息停滞时,新算法能够使粒子群算法中的粒子跳出局部最优解,最终求得全局最优解.     

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.     

改进的量子粒子群优化算法对多维多选择背包问题的求解

针对多维多选择背包问题无法在多项式时间内找到最优解, 且由于其强约束限制条件, 在求解过程中易陷入局部最优的问题, 提出一种改进的量子粒子群优化算法对该问题进行求解. 首先, 在量子粒子移动过程中, 通过判断其与下次迭代个体的位置关系确定其位置信息的可用性, 通过该信息充分保留粒子位置的多样性; 其次, 提出一种新的位置扰动方法, 避免种群陷入局部最优. 最后, 将该算法在标准数据集上进行测试, 对算法的收敛速度和运行时间进行分析, 测试结果表明, 该算法在求解准确性上得到明显提升.     

改进的樽海鞘群算法及在焊接梁问题中的应用

针对樽海鞘群算法的求解精度较低,收敛速度较慢等缺陷,提出一种改进的樽海鞘群算法。首先,对领导者个体执行精英反向学习策略以平衡算法的勘探和开发能力;然后,为提高算法的求解精度,受差分进化算法的启发,引入一种差分策略来更新追随者位置;最后,在搜索过程中对食物位置进行Gauss变异以避免陷入局部最优,为算法进行全局搜索奠定基础。在10个标准测试函数和一个经典工程问题上进行了实验,结果表明,改进的樽海鞘群算法的搜索性能明显优于其对比算法。     

基于多种群多策略的竞争粒子群算法

针对标准粒子群算法遇到的易陷入局部最优、收敛差、求解精度低等问题,提出了多种群多策略竞争粒子群优化算法.新算法将每一代粒子根据适应度排序,将其划分为不同的子种群,并引入非线性Logistic混沌映射权重、收缩因子和混合高斯-柯西扰动机制来更新这些子种群.使用不同的粒子更新方式平衡了算法整个时期的全局搜索和局部开发能力,从而加快了收敛速度.最后,将多种群多策略竞争粒子群优化算法与标准粒子群算法和其它优化算法在11个测试函数上进行对比,结果表明,新算法在跳出局部最优解、和寻优精度方面显著优于标准粒子群算法,且有更快的收敛速度.在寻优能力和算法稳定性上大幅度强于其它对比算法.     

融合麻雀搜索机制的改进混沌海鸥优化算法

针对海鸥优化算法收敛速度偏慢、易陷入局部最优解及求解精度低等问题,提出一种融合麻雀搜索机制的改进混沌海鸥优化算法(improved chaotic seagull optimization algorithm incorporating sparrow search mechanism, PSSOA)。使用分段线性混沌映射(piecewise linear chaotic map, PWLCM)对种群进行初始化,使海鸥个体更为均匀地分布在给定空间内;改进非线性搜索因子和随机因子,加快算法收敛速度,更好地平衡算法全局搜索和局部搜索;融合麻雀算法中的麻雀飞行机制,在后期局部搜索阶段扩大个体局部寻优范围,对海鸥位置进行二次更新,帮助个体跳出局部最优,提高寻优精度。使用16个基准测试函数进行仿真实验,将PSSOA与海鸥算法(seagull optimization algorithm, SOA)、粒子群算法(particle swarm optimization, PSO)、灰狼算法(grey wolf optimizer, GWO)和海洋捕食者算法(marine predators algo...     

一种改进的自适应粒子群优化算法的研究

针对标准粒子群算法（PSO）早熟收敛、进化后期收敛慢和精度较差等缺点,提出一种改进的自适应粒子群优化算法。该算法根据粒子的适应度值一致等价于粒子位置的特点,通过比较粒子适应度值与当前全局最优适应度值的差来自适应调整惯性权值,并按当前种群平均粒距对种群中部分粒子进行变异操作,增加种群多样性,使粒子跳出局部极值。通过几种典型函数的仿真实验表明,该算法在收敛速度和收敛精度上都比标准粒子群优化算法有明显的提高。     

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。     

一种改进的粒子群算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,通过调整粒子的速度更新公式,使粒子获得更多信息来调整自身的状态,以增强算法跳出局部最优的能力.通过对6个基准函数的仿真实验,表明了改进算法的有效性.     

改进磷虾群算法在变电站选址中的应用*

随着用电设备使用的增多,必需新建变电站来扩大电力负荷输出规模,针对如何快速并有效地确定候选变电站最优站址的问题,提出了一种新型改进磷虾—粒子群优化算法;在算法中,首先将随机产生的初始种群分为两个子种群,分别用于磷虾算法和粒子群算法,然后再将更新后的种群合并,通过种群的分离与合并,所有个体可以彼此交换位置信息,既能增加种群多样性又可避免陷入局部解,并且在保证找到全局最优解的情况下不添加任何附加操作;为了验证算法的有效性,将其用于变电站选址的工程问题中,由仿真结果可知:混合磷虾—粒子群优化算法寻优效率高,结果准确。     

基于Boltzmann学习策略的粒子群算法

针对粒子群算法过早收敛导致容易陷入局部极值的问题,提出了一种基于Boltzmann学习策略的粒子群算法(BLSPSO).借鉴模拟退火算法的思想,在标准粒子群算法中引入Boltzmann学习策略.在BLSPSO前期粒子能够学习不同的极值点,适当保持粒子个体多样性,提高算法全局寻优能力.在BLSPSO后期粒子更倾向于学习全局最优粒子,提高收敛速度,保证算法的稳定性.仿真结果表明,所提出的算法具有寻优能力强、搜索精度高等优点,可有效避免标准PSO算法的早熟收敛.该算法在求解多极值问题上与其他PSO算法相比有较好表现.     

一种求解复杂优化问题的改进粒子群优化算法

为了提高粒子群优化算法中粒子搜索最优解的效率,该文在标准粒子群优化算法的基础上,提出一种改进的粒子群优化算法。该方法通过对粒子飞行轨迹的分析,对种群中每个粒子构建了评价粒子性能差异的等级标准,并对认识系数和社会系数设计了对应的动态变化系数模型。通过引入迁徙策略,使迁徙行为随机生成的新粒子更有可能接近全局最优解,更加有利于群体搜索跳出局部最优解和寻找全局最优解。实验结果表明,与其他比较算法相比,该文提出的改进粒子群优化算法具有寻优能力强和搜索精度高等优点,测试准测上的实验数据验证了改进算法的有效性和可行性。     

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.     

基于单增量和全局维度学习策略的萤火虫算法

萤火虫算法的搜索过程较依赖于最优萤火虫，而最优萤火虫并不进行有导向的寻优移动，算法易陷入局部最优.为此，提出了一种基于单增量和全局维度学习策略的萤火虫算法.在萤火虫个体移动时，该算法并不叠加萤火虫个体的当前位置，而是将累加的位置增量作为新的搜索方向，用于更新萤火虫的位置.该算法大大降低了萤火虫当前位置对搜索过程的影响，有利于算法更快的跳出当前局部最优，进行更大范围的寻优；其次，对最优萤火虫进行一定次数的单维度学习，将学习后的萤火虫引导种群进化.在基准测试函数上的实验结果表明，该算法优于其他几种改进的群智能优化算法，具有良好的跳出局部最优的能力.     

一种新的变异粒子群算法

基于对现实中鸟的飞行方式的模拟,提出了一种新的变异粒子群优化算法(VPSO).该算法增加了粒子的飞行(搜索)模式,粒子具有随时调整其飞行(搜索)方式的能力.实验结果表明:笔者算法在一定程度上改善了标准PSO存在的易陷入局部最优之不足,具有比标准PSO更强的跳出局部最优的能力和更好的全局优化能力,可用于求解高维复杂优化问题.