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.     

改进的鲸鱼优化算法及其在烧结配料中的应用

针对标准鲸鱼优化算法(WOA)易早熟的缺点,提出一种改进的鲸鱼算法。设计一种基于指数函数的收敛因子以协调WOA算法的探索与开发能力,提出基于旋转操作的精英学习算法来提高算法的局部寻优能力,并采用自适应变异操作以减少算法陷入局部最优的概率。通过10个标准测试函数验证改进的鲸鱼算法IWOA的有效性。研究结果表明:IWOA具有收敛速度快、全局寻优能力强的优点;将IWOA算法应用于钢铁烧结的配料过程,有效降低了配料过程的成本。     

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。     

一种遗传算法交叉算子的改进算法

为了有效克服遗传算法收敛速度慢和易陷入局部极值点的缺点,提出了一种遗传算法交叉算子的改进算法,即采用自适应交叉概率,给不相关大的个体赋予较大的被选概率的配对方式进行交叉操作;在适应度比例轮盘赌的基础上辅以父子竞争的选择操作.二元多峰值Schaffer函数优化的仿真实例结果表明:与保留最优个体策略的遗传算法相比,改进算法能有效减少无效的交叉操作,收敛速度和全局搜索能力都得到了较大提高,其平均收敛代数和收敛到最优解的概率都优于保留最佳个体策略的遗传算法.     

基于莱维飞行和布朗运动的鲸鱼优化算法

针对鲸鱼优化算法存在的求解精度不高、收敛速度较慢和易陷入局部最优等缺点，设计了一种基于莱维飞行和布朗运动的鲸鱼优化算法.先利用莱维飞行方法对鲸鱼种群进行初始化，以增加初始种群的多样性；再根据布朗运动原理对鲸鱼种群的位置更新进行随机扰动，以避免算法提前陷入局部最优.将改进的鲸鱼优化算法与鲸鱼优化算法、粒子群优化算法、遗传算法和蚁群优化算法在7个不同的基准测试函数上进行对比测试，结果表明，改进的鲸鱼优化算法在求解精度、收敛速度方面均优于其他4种算法.对初始化阶段采用莱维飞行策略的改进鲸鱼优化算法与采用随机搜索策略的鲸鱼优化算法的初始解探索范围进行仿真对比实验，结果表明，改进鲸鱼优化算法一定程度上可以避免陷入局部最优.     

采用危险度预警的进取麻雀搜索算法

为了解决麻雀搜索算法在迭代后期种群多样性降低且容易陷入局部最优的问题,提出一种采用危险度预警的进取麻雀搜索算法。首先制定保持进取策略,选取种群中适应度值优秀的个体与适应度值变化幅度大的个体共同培育生成学习样本,加快寻优速度。然后将种群进化过程分为稳定阶段和进取阶段,并在每个阶段执行不同策略：稳定阶段策略利用全局最优解和学习样本引导种群进化,增强局部开发能力;进取阶段策略利用个体历史最优解和学习样本引导种群进化,增加种群多样性并提高全局探索能力。此外,设计危险度预警策略用于检测种群是否陷入局部最优,并通过保存的优秀样本动态更新较差个体,帮助种群跳出局部最优。与其他几种有代表性的改进麻雀搜索算法一起针对CEC2017测试集进行对比实验,其结果证明了本文算法在收敛速度和收敛精度上有明显改进,能有效避免陷入局部最优。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

基于改进樽海鞘群算法的提梁机主梁轻量化设计方法

针对樽海鞘群算法在优化过程中存在收敛速度慢、求解精度低、易于陷入局部最优解等缺点，提出了基于柯西和高斯混合变异的一种自适应变异策略的樽海鞘群算法，该算法通过选出适应度值最好的前S个个体进行自适应变异，可避免算法陷入局部最优解.通过柯西和高斯变异动态调整参数的变化提高算法的局部搜索能力和收敛速度.选取10个测试函数分别对樽海鞘群算法及改进樽海鞘群算法进行测试比较.数值分析表明，改进的樽海鞘群算法收敛速度快，寻优能力强且精度高.将改进后的算法用于提梁机主梁结构的优化设计中，该结构在满足强度、刚度、稳定性等设计要求条件下，主梁的截面积减少了13.58%,轻量化效果显著，表明该算法具有良好的工程应用价值.     

一种新的自适应步长果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度低和后期收敛速度慢的问题,提出了一种自适应步长果蝇优化算法(ASFOA).该算法在运行过程中根据上一代最优味道浓度判断值和当前迭代次数来自适应调整进化移动步长,使算法在初期的步长大而避免种群个体陷入局部最优,到后期果蝇移动的步长变小而获得更高的收敛精度解,并加快收敛速度.通过6个标准测试函数对改进算法进行仿真测试,结果表明ASFOA算法具有更好的全局搜索能力,其收敛精度、收敛速度均比FOA算法及参考文献中其他改进果蝇优化算法有较大的提高.     

基于改进自适应遗传算法的船联网拓扑优化算法

提出了一种改进的自适应遗传算法优化船联网拓扑结构.考虑实际应用场景,以及网络的连通度、节点度、通信链路质量及通信成本等因素,最大化船联网总链路增益.改进的遗传算法在选择操作中,提出自适应个体适应度调节公式,动态调整当前种群中个体的适应度值,减小个体间适应度的差值,增加适应度较低个体通过选择过程进入下一步操作的概率,提高种群多样性.交叉和变异过程中,引入自适应调节系数,调整交叉和变异概率,尽可能使适应度值较高的个体进入下一次迭代过程.仿真实验表明,提出的改进算法能够避免早熟收敛,跳出局部极值,最终收敛得到船联网最优拓扑结构,且收敛速度更快,算法效率更高.     

基于分组和动态参数设置的差分进化算法

提出一种基于分组和动态参数设置的差分进化算法。为增强算法在进化前期的全局搜索能力及后期的局部开发能力,设计了一种动态改变精英解选取范围的策略;针对个体特征的不同,将种群按个体适应度值分组,分别采用了不同的自适应缩放因子;为克服算法在进化过程中易陷入局部最优的缺点,提出了一种交叉概率的自适应设置策略。用30个CEC2014测试函数的仿真实验以及与3种差分进化算法和3种非差分进化算法的比较,说明所提算法具有良好的寻优性能。     

融合多策略的萤火虫算法

针对萤火虫算法在求解高维复杂函数时存在的收敛速度慢、寻优精度低和易陷入局部最优等缺点,提出一种融合多策略的萤火虫算法（IMSFA）。首先,利用混沌映射和动态对立学习策略优化初始种群,加快算法的收敛速度;其次,对个体的移动策略进行多样化设计,降低算法陷入局部最优的概率,提高算法的寻优精度;最后,对超出解空间的个体使用归优边界限制策略,保证算法可以朝着一个较优的方向进行搜索。在8个基准函数上对IMSFA进行优化测试,并使用Wilcoxon秩和检验对其进行评估,结果表明,IMSFA在收敛速度、搜索精度、克服局部最优和寻优稳定性方面有着出色的表现。     

多种群并行的自适应差分进化算法

为了提高搜索速度,同时克服传统算法过早陷入局部最优值的不足,提出了一种改进自适应差分进化算法.改进算法在充分分析经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并相应地引入与之匹配的变异算子,转换成一个多种群并行的优化问题,保证在加快算法收敛速度的同时有效跳出局部极值点...     

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.     

求解全局优化问题的改进灰狼算法

灰狼算法是一种高效的优化技术,但其在一些问题上存在求解精度不高、收敛速度较慢和易于陷入局部最优的缺点。因此,提出了一种改进的灰狼优化算法（MGWO）。该算法引入了3种改进策略：平衡算法全局搜索性和局部开发性的指数规律收敛因子调整策略、提高算法求解精度的自适应位置更新策略和修订动态权重策略。通过两组在10个基准测试函数上...     

采用动态知识因子的基于知识共享的优化算法

针对基于知识共享的优化算法(GSK)之不足,提出一种采用动态知识因子的基于知识共享的优化算法(DKGSK)。首先,个体通过自适应权重来调节其搜索,在算法前期以较大步长进行全局探索,增强了算法全局探索能力;在算法后期以较小步长进行局部搜索,提升了算法局部开发能力。其次,个体使用动态知识因子来调控其搜索步长,使搜索步长更具灵活性和随机性,提升了个体的局部搜索能力,从而增强了算法的局部开发能力。再次,个体借助列维飞行增强其跳出局部最优的能力,从而增强了算法规避陷入局部最优的能力。通过12个基准测试函数的数值实验与仿真,结果表明DKGSK的全局收敛速度和优化精度方面均得到了明显的改善,规避陷入局部最优的能力得到了增强。     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

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.     

基于交叉的全局人工蜂群算法的研究

人工蜂群(Artificial Bee Colony,ABC)算法在求解函数最优值时,存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题,对算法进行了深入研究,结合其他仿生智能优化算法的机制,提出了一种能有效提高收敛速度,增强算法开发性和全局寻优能力,并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真,结果表明,与ABC算法、全局最优人工蜂群算法(GABC)相比,基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.     

SIGA:一种新的自适应免疫遗传算法

为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA（Self-adaptive Immune Genetic Algorithm）。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3～90倍,求解精度达到10^-3,并有效地抑制了早熟现象。