基于协同进化思想的人工鱼和粒子群混合优化算法

在分析人工鱼群算法(AFSA)、粒子群算法(PSO)存在不足的基础上,提出一种将PSO群与AFSA群作为两个独立进化的群,同时进行搜索的算法.该算法利用协同思想与正反馈机制,让AFSA群跟踪PSO群的全局最优解,PSO群跟踪AFSA群的全局最优解的算法.这样,一方面利用AFSA的快速找到全局极值邻域的能力克服PSO易陷入局部的不足;另一方面利用PSO的快速收敛能力来提高AFSA的收敛速度和求解精度.基于典型的函数和实例测试的结果都说明了该算法具有收敛速度较快、精度较高的特点.     

改进人工鱼群算法在认知无线电决策引擎中的应用

针对遗传算法、粒子群算法等应用于认知无线电决策引擎时存在收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于改进人工鱼群算法的认知无线电决策引擎．利用改进人工鱼群算法全局收敛性强、鲁棒性能好、初值敏感度低等特点,更快速、高效地优化调整传输参数,从而寻找特定条件下的最优配置方案．仿真结果表明,在多载波通信系统下,该认知决策引擎具有收敛精度高、平均适应度值高、稳定性强等特点,性能优于二进制量子粒子群认知引擎．     

基于粒子群与人工鱼群混合算法的TSP求解模型

传统的群智能算法不断被优化和改进,但由于传统单纯算法的固有缺陷和局限性很难从根本上去除,因此衍生出许多群智能混合算法。针对人工鱼群算法(AFSA)收敛速度慢及粒子群算法(PSO)全局收敛性差的缺陷,提出了一种新的粒子群与人工鱼群的混合算法。算法以人工鱼群算法为基础,将粒子群算法的线性递减惯性权重策略引入到人工鱼群算法中,对人工鱼进行编码处理以及动态改变人工鱼个体的视野,使之形成新的粒子群人工鱼群混合算法(PSO-AFSA)。完成算法融合并将混合算法应用于旅行商(TSP)问题。仿真结果表明:与传统的人工鱼群算法和粒子群算法相比,该混合算法全局收敛性效果更好,收敛速度更快。     

基于改进人工鱼群算法的PID控制器参数优化

针对基本人工鱼群算法易陷入局部极值,难以保证得到全局最优解的问题,提出基于改进人工鱼群算法的PID控制器参数优化方法,在其基础上,引入了攻击行为,即当水中的食物稀少时,鱼就会因为抢夺食物而发生攻击其他鱼的行为。通过仿真实验证明,具有攻击行为的人工鱼群算法有助于引导人工鱼跳出局部最优解域,在全局范围内搜索最优解,提高了PID控制器参数优化的效率。     

改进人工鱼群算法及其收敛性分析

为了克服人工鱼群算法容易收敛于局部最优和解精度不高的缺点,提出了一种新的小生境人工鱼群算法(NAFS)。在算法后期根据鱼群聚集程度引入小生境排挤机制,维持种群的多样性。为了说明该算法的有效性,利用压缩映射定理从理论上证明了该算法的全局收敛性。最后,通过在四个典型Benchmark函数上的实验,并与差异演化算法、粒子群算法、鱼群算法对比,证明该算法的解精度比原始人工鱼群算法有较大的提高。     

基于混合智能算法的支持向量机的粮食产量预测

考虑到粮食产量的非线性,提出一种基于混合智能算法的支持向量机的预测模型,针对粒子群算法(PSO)易于陷入局部最优的特点,融合改进的粒子群算法(GAPSO)以及人工鱼群算法(AFSA)得到混合智能算法(GAPSO-AFSA),通过种群自身内部的变异交叉以及族外竞争机制,使得目标函数值向全局最优解快速收敛,提高了算法的全局搜索能力,最终得到支持向量机的最优参数组合.将支持向量机预测模型用于中国粮食产量预测中,通过试验验证了模型的正确性,并证实了该预测模型拥有较好的预测效果.     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

基于高斯优化的精英鱼群算法研究

针对鱼群算法迭代后期易陷入局部最优解的缺点,提出一种基于淘汰赛体制的改进型鱼群算法——精英鱼群算法(LOAFSA).该算法包含基于巴莱多法则的淘汰赛体制和基于高斯优化的种群动态管理策略,在保持种群数量平衡的基础上在迭代初期就具有较优秀的精英鱼群.实验表明:对于多元函数求解极值问题,该算法具有很好的全局最优值搜索能力.将其应用于RAN架构无线接入网的数学优化模型中,利用鱼群算法寻找最优的一组发射功率使得系统容量功率最优.     

基于改进人工鱼群算法的机器人路径规划

为改进人工鱼群算法在路径规划中的寻优作用,利用改进视觉范围和拥挤度因子函数,提高鱼群算法在机器人路径规划中的寻优工作。在传统鱼群算法中,视觉范围是恒定不变的。视觉范围决定寻优的全局和局部工作,拥挤度因子对算法收敛性具有影响。同时,在传统鱼群算法中,每次都选取最优解来执行,在栅格环境中往往会导致全局最优和局部最优互扰,导致路径规划不合理,为此,利用改进视觉范围拥挤度因子,同时记录可行解,当存在鱼群找到目标点时,就记录下找到目标点的鱼群轨迹,形成路径规划的可行解,在可行解中,选取路径最短为最优,保证路径的规划的合理性。与传统鱼群算法对比,证实研究算法在路径规划中具有更好的寻优工作,通过MATLAB仿真实验,验证了算法的有效性和稳定性。     

混沌人工鱼群的鲁棒保性能控制权值矩阵优化方法

针对鲁棒保性能控制中的权值矩阵依赖经验选取,无法最大限度的减小系统保守性的问题,提出了一种基于混沌人工鱼群算法的鲁棒保性能控制权值矩阵优化方法.该方法中,将保性能控制鲁棒界作为优化的目标函数来寻找最优权值矩阵是整个算法实现的关键.该种改进的人工鱼群优化算法融合了混沌搜索与自适应步长和视野的人工鱼群优化算法,有效的解决了基本人工鱼群算法的后期收敛速度慢、易陷入局部最优等缺点.通过测试函数对比验证了该种改进人工鱼群优化算法的优越性,并通过应用实例验证了该权值矩阵优化方法的有效性.     

一种混合仿生算法在弹道优化中的应用

针对导弹滑翔段弹道优化问题,考虑人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与粒子群混合优化算法。算法的主要策略是在人工鱼群算法的基础上,将人工鱼群优化算法中的觅食行为变为粒子群在感知范围内进行小范围寻优,在人工鱼群算法的最后,再利用粒子群进行精确寻优。以导弹飞行中的吸热量为优化目标,运用此算法设计得出了导弹滑翔段的优化弹道。     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

改进人工鱼群算法及其在时滞系统辨识中的应用

针对人工鱼群算法(AFSA)存在收敛速度慢和寻优精度低等问题,本文提出了一种改进人工鱼群算法(IAFSA).该算法中的人工鱼能够根据鱼群当前状态调整自身的视野和步长来平衡局部搜索和全局搜索.此外,算法中还加入了引导行为,即人工鱼在觅食行为未发现更优的位置时,当前人工鱼向最优人工鱼移动一步.仿真结果表明,改进人工鱼群算法在收敛速度、寻优精度和克服局部极值等方面有很大优势.本文将改进鱼群算法应用时滞系统的辨识中,辨识结果表明改进算法能获取被控对象的精准数学模型,并具有较强的抗干扰能力.     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

混合量子进化算法及其在多用户检测中的应用

将量子进化算法(QEA)和粒子群算法(PSO)互相结合,提出了两种混合量子进化算法.通过对多用户检测问题的求解表明,新的算法不仅操作更简单,而且全局搜索能力有了显著的提高.     

改进的人工鱼群算法在置换Flow Shop调度中的应用

分析了人工鱼算法(AFSA)存在的不足,在保持AFSA算法基本行为的基础上,提出了在觅食行为过程中采用基于交换列表的排序法,在随机移动行为中采用自适应的小范围移动行为的改进人工鱼群算法。根据置换Flow Shop调度问题的数学模型,给出了基于改进的人工鱼群算法的置换Flow Shop调度问题的求解策略,并详细讨论了求解步骤。仿真实验结果表明:该算法具有较强的全局搜索能力、更高的搜索效率,同时验证了该算法的可行性和有效性。     

自动化立体仓库固定货架拣选路径问题研究

为提高自动化立体仓库拣选效率,以存取时间最短为目标,针对单巷道固定货架拣选作业过程,构建了解决拣选作业路径优化问题的数学模型,提出结合模拟退火算法的混合粒子群算法.该算法在求解过程中用粒子群算法初始化种群,提高了优化效率,缩短了搜索时间;在迭代过程中采用模拟退火算法,利用其概率突跳能力,以避免基本粒子群算法迭代过程中陷入局部最优和早熟收敛.通过实例验证,该算法比标准粒子群算法所用时间短、收敛速度快、迭代次数少.     

微粒群优化在Job-shop调度中的应用

Job-shop调度问题是典型的NP-难问题,利用微粒群优化的全局搜索能力和高搜索效率以及模拟退火算法的局部搜索能力,发展了一种快速、且易于实现的新的混合启发式算法,并将其应用于求解标准Job-shop调度问题,计算结果以及与其他算法的比较说明,该算法是一种求解Job-shop调度问题的可行且高效的方法。