混合人工蜂群算法

针对人工蜂群算法收敛速度慢、容易出现“早熟”的缺点,提出了一种混合的人工蜂群算法 (hybrid artificial bee colony, HABC)。在人工蜂群算法的迭代中引入淘汰规则和新的搜索策略,以提高算法的收敛速度;同时,为了维护群体的多样性,对种群中的个体采用差分进化。通过对一个调频(frequency modulated, FM)合成器参数优化问题测试,表明该算法能够有效地克服“早熟”现象,提高了全局寻优的能力。将其应用于线性系统逼近问题,仿真实验表明该算法是快速有效的。     

人群搜索和樽海鞘群的混合算法优化PID参数

为解决在优化全局时人群搜索优化算法(seeker optimization algorithm,SOA)容易过早收敛的问题,提出了一种新的基于人群搜索和樽海鞘群(salp swarm algorithm,SSA)的SOA-SSA混合算法。基于双种群进化策略,种群中的部分个体由人群搜索优化算法进化,其余个体由樽海鞘群算法进化。SOA和SSA的个体都使用信息共享机制实现协同进化,增加了种群的多样性,避免了算法过早收敛。实验结果表明：该算法在高维函数和PID参数优化方面都是可行的。与其他算法相比,SOA-SSA算法的收敛速度快、精度高、鲁棒性强,有更好的优化性能。     

基于适应值欧式距离比的均衡蜂群算法

针对人工蜂群算法探索能力强但开发能力弱等特性,提出一种均衡蜂群算法.该算法根据“适应值欧式距离比”策略和差分算法改进更新公式,“适应值欧式距离比”策略有助于多峰问题的优化,而差分算法善于优化单峰问题,为发挥两者的优势,提出了一种新的搜索结构,有利于探索与开发能力达到平衡.在初始化时引入混沌策略提高种群多样性.在连续域内,12个标准测试函数的仿真结果表明,本算法能有效地提高最优解的精度,加快收敛速度.在离散域内,采用4个标准柔性作业车间调度模型,验证了本算法在解决实际问题中的可行性和优越性.     

一种新颖的萤火虫算法求解PID控制器参数自整定问题

针对基本萤火虫算法存在自适应性不强、精度不高及收敛速度过慢等问题,提出一种新颖的萤火虫算法,即具有混沌搜索策略的自适应步长萤火虫算法。该算法通过引入协调因子,对搜索步长进行自动调节,解决了萤火虫步长过大或过小而带来的搜索精度低和收敛速度慢的问题,利用混沌搜索策略对精英个体进行训练和混沌优化,有效改善了萤火虫种群的多样性和自适应性。实验结果表明,改进后的算法在PID控制器参数自整定的应用中具有其他算法无法比拟的优势。     

具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm, BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

求解柔性作业车间调度问题的多策略融合Pareto人工蜂群算法

为克服单一算法在求解多目标柔性作业车间调度问题时最优性和多样性方面的缺陷,提出了一种多策略融合的Pareto人工蜂群算法(multi-strategy integration Pareto artificial bee colony algorithm, MSIPABC).算法在初始化阶段采用混合启发式策略产生质量较高的初始化种群;雇佣蜂采用多种探索操作实现蜂群自主邻域搜索;观察蜂选择较优食物源执行交叉操作,实现蜂群协作搜索,扩大搜索范围,并执行柔性作业车间关键路径相关局部搜索操作,进一步加强蜂群寻优能力;最后侦查蜂对种群重复解进行多样性重构.多种搜索策略的融合使算法不仅实现了人工蜂群的自主与协同搜索,而且达到了全局探索与局部寻优的平衡.通过验证,所提算法在求解质量和获取基准算例Pareto最优解数目方面具有优势.     

基于混合策略的引力搜索算法

为了提高引力搜索算法(gravitational search algorithm, GSA)在处理单目标优化问题上的综合能力,提出了一种基于混合改进策略的GSA。依照种群个体自身的进化情况,提出个体进化率的进化策略,以提高算法的收敛速度;采取方向性的变异策略,较好地平衡了全局搜索能力和局部开采能力,最大限度地降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验表明,基于混合策略的GSA算法可有效避免早熟收敛,在收敛精度和收敛速度上与标准的GSA算法以及相应的改进算法相比有显著提高。     

基于改进人工鱼群算法的梯级水库群优化调度

分析了人工鱼群算法存在的问题, 提出一种改进人工鱼群算法, 并将其用于梯级水库群的优化调度. 其改进思想是采用动态调整人工鱼视野和步长的方法, 较好地平衡了人工鱼群算法的全局搜索能力和局部搜索能力的矛盾; 在此基础上, 针对算法局部更新策略引起的更新操作前后个体空间位置变化较大, 降低收敛速度这一问题, 在局部更新时采用了阈值选择的策略. 通过实例验证了该改进算法的有效性, 并对改进算法的阈值参数进行了率定.     

求解大规模多背包问题的高级人工鱼群算法

针对复杂的大规模多背包问题,提出了一种基于高级人工鱼群算法的求解方法。为了解决人工鱼群算法收敛速度慢、求解精度低的问题,所提算法通过改进其初始化方法,优化人工鱼个体的行为选择方式和追尾行为来加快问题求解的收敛速度;同时引入了动态视野及步长和人工鱼调整策略来提高算法搜索的精度。仿真实验表明:与现有的算法相比,所提算法不仅能快速收敛,而且可以达到更高的精度,尤其是对于规模越大的多背包问题算法性能提升越明显。     

快速约束多目标进化算法及其收敛性

针对进化算法收敛速度缓慢、容易陷早熟的问题,提出了约束多目标优化问题的一种新的快速进化算法. 设计了能够从可行解空间和不可行解空间同时搜索的交叉算子,将约束条件和目标结合在一起,引入一种新的偏序关系用于比较个体之间的优劣,提出一种新的Niche值计算方法作为维持种群均匀性的主要动力,并采用已搜索解集避免了算法的重复搜索. 在此基础上, 设计了具有全局搜索能力的进化算法, 并证明了算法的收敛性. 仿真结果表明,与同类进化算法相比, 该算法能够快速收敛到Pareto前沿,并能很好地维持种群的多样性.     

一种改进的人工鱼群算法及其应用

人工鱼群算法是一种收敛速度快、全局优化能力强的新型群智能算法。然而,在基本鱼群算法的应用中发现:在迭代前期,算法具有较强的搜索能力;但在运行后期,其搜索能力减弱,易陷入局部极值,且搜索到的最优解精度不高。针对上述弱点,提出对可视域和步长采用自适应变化策略,引入变异算子策略,通过消亡操作对部分个体进行重新初始化或变异,对基本鱼群算法进行改进,并以函数优化和多维变量的非线性优化问题为例进行了实验研究。结果表明:改进后的人工鱼群算法具有较好的优化效果。     

求解FJSP的自适应免疫遗传算法

借鉴生物免疫系统的免疫调节机理,提出一种求解柔性作业车间调度问题的自适应免疫遗传算法(AIGA).该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过引入免疫算子和种群的自适应调节策略,保持了群体的抗体多样性.实验结果表明,该算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,能有效解决柔性作业车间调度问题.     

一种新的群集智能优化及其改进研究

研究一种新的群集智能优化算法—自由搜索(FS)算法。提出了该算法的改进策略,实时调整个体的邻域搜索半径和精英保留。用典型测试函数对FS的改进算法和微粒群算法(PSO)进行对比实验,实验结果验证了算法的正确性和高效性。该算法不仅在收敛精度、收敛速度方面较PSO算法有明显的提高,而且全局搜索能力更强。     

量子协同免疫算法用于SAT问题的求解

根据协同策略和量子免疫计算理论,提出一种求解SAT问题的量子协同免疫算法。该算法在将SAT问题转化为函数优化问题的基础上,采用多个子种群。分别采用量子比特编码来表达个体,采用通用的量子旋转门策略演化个体,采用量子交叉操作阻止早熟收敛;各种群独立演化,同时引入量子协同理论,采用协同算子使得算法的搜索效率更高。实验采用标准SATLAB库中的3 700个不同规模的问题对算法进行测试,并与简单克隆选择算法、量子遗传算法、量子免疫克隆选择算法进行比较。结果表明,量子协同免疫算法的平均成功率最高,平均运行时间和平均评价次数最少。     

基于改进人工蜂群算法的MIMO雷达稀疏阵列优化

为了提高多输入多输出(multiple input multiple output, MIMO)雷达稀疏阵列性能,提出了一种基于云模型的改进离散人工蜂群算法对MIMO雷达稀疏阵列进行优化。该算法首先对人工蜂群算法进行改进,用云模型替代轮盘赌作为新的选择模型来选择较优蜜源。云模型的随机性和稳定倾向性,能够维持种群的多样性,从而克服了人工蜂群算法易陷入局部最优的问题。为了保证搜索过程中阵元数量保持不变,加入了新的限制条件。仿真实验结果表明,该算法具有良好的性能,能够在保持主瓣宽度不变的情况下,得到更低的旁瓣水平。     

基于动力学的多父体杂交算法

多父体杂交算法将种群中多个个体张成一个空间,然后在此空间中进行空间搜索,该算法具有很强的解搜索能力和较快的运行速度.动力学演化算法根据粒子群的统计物理特性,模拟粒子群在空间中的运动,提出了一种基于统计物理的粒子选择机制.数值实验表明,动力学演化算法是有效的.结合动力学演化算法的选择策略和多父体杂交算法的遗传操作,提出一种新的基于动力学的多父体杂交算法.该算法对多父体杂交算法中的替换策略进行改进,有效地提高了算法的求解能力,数值实验表明新算法可以很好的收敛,能够快速的找到问题的最优解.     

一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

改进哈里斯鹰算法的仓储机器人路径规划研究

为提高静态环境下仓储移动机器人路径规划效率,解决传统哈里斯鹰（Harris Hawks optimization, HHO）算法在路径规划中存在收敛速度慢且易陷入局部最优的问题,提出了一种基于Tent混沌映射融合柯西反学习变异的哈里斯鹰优化算法（HHO algorithmbasedon Tentchaotic mapping hybrid Cauchy mutation and inverse learning, TCLHHO）。通过Tent混沌映射增加种群多样性,以提高算法的收敛速度;提出指数型的猎物逃逸能量更新策略,以平衡算法的全局搜索和局部开发能力;通过柯西反学习变异策略对最优个体进行扰动,扩大算法的搜索范围,增强全局搜索能力。根据真实仓储环境搭建二维栅格环境模型,并在Matlab中进行仿真对比实验。结果表明：该算法的规划速度、最优路径长度以及最优路径转折次数较对比算法具有较好的效果,验证了应用于智能仓储环境下改进的HHO路径规划问题的可行性和鲁棒性。     

自适应差分进化算法求解多平台多武器-目标分配问题

针对水面舰艇编队防空反导作战中的武器-目标分配问题,建立了编队防空火力分配模型,将自适应差分进化算法应用到模型的求解与仿真中,并根据参数优化,改善了问题求解的收敛特性。针对模型求解的特殊要求,采用适当的编码方案,使种群个体编码满足约束条件,利用混沌序列初始化种群,加强种群的搜索多样性,变异、交叉参数的动态自适应策略和混沌序列扰动避免算法陷入局部最优等方法对算法进行优化改进,较方便快捷地解决了多平台多类型武器-目标分配问题。实例证明,该方法能够获得满意的结果,与其他智能算法相比,在优化性能上有较大改进。