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。     

基于改进麻雀搜索算法的最大指数熵分割方法

为了解决基本麻雀搜索算法(sparrow search algorithm,SSA) 依赖初始种群和求解精度不高的问题,提出一种基于Circle混沌映射和随机游走的改进的麻雀优化算法(improved sparrow optimization algorithm,CRSSA) 。该算法为了增强麻雀种群的多样性,在麻雀初始阶段引入混沌Circle 映射; 采用随机游走对最优麻雀进行扰动,使其在麻雀寻优后期,增强算法全局搜索能力,跳出局部最优。同时选取15个测试函数对其算法进行性能测试。结果表明：与原始的SSA 、蜉蝣算法(mayfly algorithm,MA) 、粒子群优化算法(particle swarm optimization algorithm,PSO) 、鲸鱼优化算法(whale optimization algorithm,WOA) 和灰狼优化算法(gray wolf optimization algorithm,GWO) 相比,改进的麻雀搜索算法具有寻优速度快、求解准确度高和鲁棒性强等优点。将该方法应用在多阈值图像分割中,通过对比不同算法的峰值信噪比(peak-to-signal ratio,PSNR)、结构相似性(structural similarity index,SSIM)、适应度函数值和运行时间性能指标,可有效解决多阈值分割问题,具有一定的工程应用价值。     

基于粒子群优化的马氏距离模糊聚类算法

为解决传统模糊聚类迭代算法对初始化敏感,易陷入局部最优及处理高维数据时精度下降的问题,对基于马氏距离的模糊聚类算法(fuzzy c-means algorithm based on Mahalanobis distance,M-FCM)进行优化。将马氏距离代替欧氏距离,通过构造类内紧致度、类间分离度与类间清晰度结合的适应度函数,利用粒子群优化算法(particle swarm optimization,PSO)对马氏距离模糊聚类进行研究,提出了基于粒子群优化的马氏距离模糊聚类算法(Mahalanobis distance fuzzy clustering algorithm based on particle swarm optimization,DPSOM-FCM),并将此新算法与FCM(fuzzy c-means algorithm),M-FCM,PSO-FCM,IFPSOFCM(importance for fuzzy clustering algorithm based on particle swarm optimization)算法,在UCI(university of californiairvine)数据库的6个标准数据集上进行实验对比分析。结果表明,DPSOM-FCM算法具有算法收敛性和聚类有效性,并且聚类精确度优于其他算法,对高维数据的聚类识别能力强,即该算法具有全局优化作用。     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

果蝇优化算法对多峰函数求解性能的仿真研究

多峰函数的寻优能力一直是衡量算法优越性的依据之一,许多传统的算法对其求解容易误将局部极值当做全局极值,针对这一问题,以Schaffer多峰函数为例,运用改进的果蝇优化算法(Improved Fruit Fly Optimization Algorithm,IFFOA)对Schaffer函数进行寻优求解,同时对其他4个测试函数进行求解.通过matlab软件测试、分析了改进的果蝇算法寻优能力的影响因素,最后通过相同的参数,分别采用遗传算法(GA)和改进的果蝇算法进行对比,通过对比发现,改进的果蝇优化算法在收敛精度和收敛速度方面,均优于和声搜索算法(HS)算法,从而验证了IFFOA算法的优越性和有效性,可以将IFFOA算法应用于其他领域.     

基于改进搜索者算法的IIR滤波器设计

在无限冲击响应(infinite-impulse-response,IIR)滤波器设计中,针对非线性且多峰的系数误差面,采用改进的搜索者算法(modified seeker optimization algorithm,MSOA)求得系数的最优解。MSOA算法通过在SOA(seekeroptimization algorithm)中引入自学习过程以降低收敛于局部最优的概率,并通过增加淘汰机制提高种群多样性,从而提高了收敛于全局最优解的有效性。仿真结果表明,MSOA较SOA在搜索全局最优解方面具有更高的精确性;在减少种群数的情况下,MSOA较SOA具有更好的稳定性,其优势更明显。SOA可以看成是MSOA的一个特例,MSOA的最简形式即为SOA。根据具体问题灵活调整自学习过程的规模,实现收敛速度和精度的权衡,达到最优搜索效率。     

基于均值的云自适应鸟群优化算法

针对鸟群算法(bird swarm algorithm,BSA)在求解高维复杂优化问题时,存在收敛速度慢、寻优精度低等缺点,提出了一种基于均值的云自适应鸟群优化算法(a cloud adaptive bird swarm optimization algorithm based on mean,CAMBSA)。通过云理论引入惯性权重修正鸟群觅食策略,同时引入"均值"的概念,修改鸟群觅食策略中的"认知部分"和"社会部分",有利于协调种群全局搜索能力,避免算法陷入早熟;为了使算法在迭代后期具有较好的多样性,采用混沌扰动。仿真试验表明,所提出的算法具有较好的收敛速度和寻优精度。     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。     

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...     

面向无人机路径规划的双层多目标粒子群算法

无人机路径规划问题是一个复杂的多目标优化问题，目前常用粒子群优化算法及其变种算法来解决此类问题。本文在基于使用无人机执行物资投放任务的场景下，提出与之相应的无人机路径规划问题模型，并根据其特点分析其约束条件以及目标函数，在传统需要优化的基本目标函数之外，额外增加了等待时间与延迟时间这一对相互冲突的目标函数。然后提出一种基于分解的双层多目标粒子群优化算法(double layer multi-objective comprehensive learning swarm optimization algorithm framework based on set decomposition, MODCS-PSO/D)，该算法使用集合和概率表示粒子的速度与位置，将连续空间中的问题转化到离散空间内，然后结合综合学习策略构建双层粒子群算法，并在此基础上引入基于分解的多目标优化框架(multi-objective evolutionary algorithm based on decomposition, MOEA/D)平衡多个待优化目标，同时增加了额外的搜索策略以避免出现早熟现象。最后通过进行对比...     

改进算术优化算法求解考虑机器老化效应和工件释放时间的作业车间调度问题

研究考虑机器具有老化效应和工件带有释放时间约束的作业车间调度问题（job shop-scheduling problem, JSP）。建立以最小化最大完工时间为目标的调度优化模型,并设计1种改进的算术优化算法（improved arithmetic optimization algorithm, IAOA）对该问题进行求解。算法首先通过排序值转换规则将IAOA连续解空间映射到JSP的离散空间,并对JSP进行编码,然后使用插入式贪婪解码算法进行解码。提出了非线性数学优化加速函数和6种邻域搜索策略对标准算术优化算法（arithmetic optimization algorithm, AOA）进行改进。通过在33个JSP数据集上进行测试并与AOA、灰狼优化算法和算术三角函数优化算法进行对比分析,结果表明提出的IAOA具有较好的优化效果以及收敛能力,且该算法克服了AOA求解精度低、收敛速度慢的缺陷。     

基于自组织映射和生物地理优化的聚类算法

针对传统生物地理优化算法(bio-geographic optimization algorithm,BBO)的种群随机初始策略会降低聚类算法性能的问题,提出了一种基于自组织映射算法(self-organization feature map,SOM)和BBO的混合聚类算法(improved SOM and bio-geography optimization,ISOMBBO),通过优化初始化神经元权值的方法改进SOM算法,然后以改进的SOM来计算数据聚类的初始簇中心,最后在BBO优化框架下进行数据簇结构的寻优.在4个标准数据集(Iris、Wine、Glass与Diabetes)的实验中,实验结果表明该算法不仅提高聚类的有效性,而且相对于传统的优化算法具有更好的优化能力和收敛度.     

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...     

改进鲸鱼算法及其在乘员约束系统中的应用

针对鲸鱼优化算法(whale optimization algorithm,WOA)"早熟收敛"的缺陷,文章提出一种改进的鲸鱼优化算法(modified whale optimization algorithm,MWOA).该算法在WOA的基础上嵌入自适应权重来协调算法的全局搜索与局部开发,同时引入反向学习策略和相关性...     

局部阴影下光伏阵列最大功率点跟踪算法的研究

传统的最大功率点跟踪(MPPT)算法在光伏阵列多峰情况下容易陷入局部最优，蝴蝶优化算法有全局优化能力，但由于收敛精度较低而没有被广泛使用。提出了一种改进蝴蝶优化算法与扰动观察法相结合的MPPT算法，引入混沌映射理论和动态切换概率改进蝴蝶优化算法。先通过蝴蝶优化算法的全局搜索能力定位最大功率点范围，后切换小步长扰动观察法精准定位最大功率点。混合算法结合了蝴蝶优化算法和扰动观察法的优点，通过Simulink仿真实验，与传统蝴蝶优化算法、粒子群算法作对比，改进后的算法能够适应复杂多变的光照环境，且在收敛精度和速度方面均有一定优势。     

电力系统经济调度的量子粒子群改进算法

电力系统经济调度(economic dispatch,ED)通过合理配置电力资源,在满足实际运行约束的前提下,使发电成本率最小化。针对ED问题,将量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法与随机扰动策略相结合,提出了一种改进的随机扰动量子粒子群优化(QPSO with random perturbation,RPQPSO)算法。扰动策略采用2种方式,在进化后期根据随机概率对群中的每个粒子进行扰动,避免算法陷入局部最优。为了验证其有效性,利用一组标准测试函数对RPQPSO算法进行了性能测试,测试表明,该算法有助于增加种群多样性,提高算法的全局搜索能力。通过将该算法应用到典型电力系统中进行测试,该算法相较于传统遗传算法、粒子群算法和QPSO算法,在解的质量、鲁棒性和收敛性等方面都取得了较大的提高,表现出优异的求解性能。     

基于多机制优化螺旋飞行特征的乌燕鸥算法

乌燕鸥优化算法(sooty tern optimization algorithm, STOA)是近年来出现的一种新兴的群智能优化算法,因其独特的螺旋式寻优方式和在实际工程问题中显著的优化效果而备受研究与关注。然而, STOA算法本身也存在着收敛速度较慢,搜索精度较低,并且容易陷入局部最优等缺点。因此,提出一种融合混沌映射、自适应惯性权重与高斯变异的多机制乌燕鸥优化算法(multi-mechanism sooty tern optimization algorithm incorporating chaotic mapping, adaptive inertia weight and gaussian mutation, GT-STOA),以促进群体多样性并增强算法全局搜索和局部寻优的能力。同时,为验证算法寻优效果的显著性,基于12个具有不同特征的测试函数,选取九种典型的优秀元启发式算法进行对比验证。实验结果表明GT-STOA相较于其它九种算法具有更高的寻优精度和更快的收敛速度,并且易跳出局部最优找到全局最优解。此外,为了研究GT-STOA解决实际问题的能力,对压力容器设计问题进行优化求解,所得实验数据显示GT-STOA较传统STOA算法在求解精度上提升了42.54%。     

一种用于解决特征选择问题的新型混合演化算法

为结合不同演化算法的优势,提出一个混合鲸鱼算法(hybrid whale optimization algorithm,HWOA).在HWOA算法中鲸鱼优化算法(whale optimization algorithm,WOA)的收缩环绕机制被正余弦算法(sine cosine algorithm,SCA)取代,以实现...     

基于分层多子群的教与学优化算法

文章针对教与学优化(teaching-learning-based optimization,TLBO)算法在求解高维函数优化问题时易陷入局部最优与"早熟"现象、迭代后期收敛速度慢、求解精度低的缺点,提出了一种基于分层多子群的教与学优化算法(hierarchical subpopulation TLBO,HSTLBO),对平均学生水平进行重新定义,并根据适应度值对教学因子动态取值;通过预设的一个等级层次结构,将种群划分为若干个子群,构成层次结构的底层;底层子群粒子相对独立进化,保证种群多样性,每个子群的最优粒子则构成层次结构的上一层,提升算法的全局收敛能力,子群自下而上更新。通过10个Benchmark函数将提出的算法与其他算法进行对比实验,结果表明,HSTLBO在求解精度和收敛速度方面均优于其他算法。     

基于动态权重蚱蜢优化算法的突变运动跟踪

针对传统跟踪器在跟踪过程中因目标突变运动导致跟踪失败的问题,提出了一种基于动态权重蚱蜢优化算法(weighted grasshopper optimization algorithm, WGOA)的突变运动跟踪方法。首先采用变异算子增加种群多样性,提升蚱蜢优化算法(grasshopper optimization algorithm, GOA)的全局探索能力。然后,在蚱蜢位置更新过程中引入非线性动态权重,既保证算法的全局探索性能,又增强算法局部开发性能,进而提高算法的收敛速度。最后,将WGOA应用于视觉跟踪来解决目标的突变运动。实验结果表明,WGOA具有较高的收敛精度和收敛速度,将其应用在视觉跟踪,可获得较好的跟踪精度及鲁棒性,特别是对于目标的突变运动。