一种融合多种策略的改进鲸鱼优化算法

针对标准鲸鱼优化算法容易陷入局部最优、收敛精度低的问题,提出一种融合动态划分等级策略和交叉存档策略的自适应鲸鱼优化算法,记为IWOA。首先引入自适应收敛因子,根据适应度值动态调整个体在迭代过程中的包围步长,平衡算法的探索和开发能力;然后对适应度不同的个体采用不同的自主学习策略,在增加种群多样性的同时加快算法的收敛速度;最后提出一种交叉存档策略,赋予陷入更新停滞的个体更好的位置,增强算法跳出局部最优的能力。在22个基准测试函数上的实验结果表明,IWOA在收敛速度和寻优精度等方面均有显著改善。在压力容器设计问题中的应用也表明IWOA可以有效解决复杂的非线性优化问题。     

基于改进鲸鱼优化算法的资源调度方法

针对在大量数据背景下云计算资源调度模型存在调度效率低、分配不合理等问题,提出一种基于改进鲸鱼优化算法（m-WOA）的云计算资源调度方法。提出了云计算资源调度模型,针对基本鲸鱼优化算法存在迭代后期种群多样性减弱、易陷入局部最优等不足,提出使用Tent混沌反向学习策略来增强种群多样性;并使用精英随机组合策略平衡算法开发和探索能力。将改进后的m-WOA算法用于数值仿真实验和云计算资源调度模型求解。实验结果表明,m-WOA具有更好的收敛精度和更强的稳定性;m-WOA能有效减少云计算完成时间和能源消耗,并提供更合理的资源调度分配方案,从而提升云计算资源利用率。     

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。     

基于混合鲸鱼优化算法的鲁棒多用户检测

针对冲击噪声环境下多用户检测误码率高的问题,提出一种基于混合鲸鱼优化的鲁棒多用户检测算法。该算法首先利用基于非线性控制策略的改进鲸鱼优化算法,加速寻优算法迭代过程的收敛;再利用自适应差分进化算法丰富算法种群个体信息,增强优化算法的全局收敛性;同时将适应度较好的个体信息保存到集合中,以保证下一次迭代寻优方向的可靠性,最终实现对最优解位置的快速解算。仿真结果表明,基于本文算法设计的多用户检测器相比采用遗传算法、差分进化算法,以及鲸鱼优化算法的多用户检测器寻优迭代次数更少,且误码率低。     

基于改进鲸鱼优化算法的GBDT回归预测模型

针对梯度提升决策树（gradient boosting decision tree, GBDT）参数难以选择的问题, 提出一种基于改进鲸鱼优化算法（improved whale optimization algorithm, IWOA）的GBDT回归预测算法. 首先, 提出一种改进的鲸鱼优化算法, 利用混沌映射初始化种群提高种群多样性, 引入惯性权重与差分进化算法中的变异交叉策略解决迭代后期易陷入局部最优的问题; 其次, 利用IWOA对GBDT的关键参数寻优, 避免参数选择的盲目性, 提高回归预测模型的泛化能力; 最后, 建立IWOA-GBDT回归预测模型, 并利用UCI数据集对模型进行验证. 实验结果表明, 相比于决策树、 支持向量机、 Adaboost和GBDT算法, 该模型算法具有更好的拟合效果, 并有一定的实用价值.     

基于改进鲸鱼算法优化支持向量机的故障诊断的研究与应用

故障诊断在工业生产过程中具有很重要的作用,尤其是对于要求比较高的分子蒸馏来说,微小的故障都会造成其提纯率,因此提出一种基于改进鲸鱼算法优化支持向量机的故障分类方法(improved whale optimization algorithm-support vector machine, IWOA-SVM),加入反向学习策略和对数权重因子到普通鲸鱼算法中。首先,用反向学习策略(opposition-based learning, OBL)代替随机初始种群,用反向学习策略选取出反向种群,对种群进行择优选择,一方面OBL能够高效地提高群智能算法的全局搜索能力,另一方面提高鲸鱼算法在重复迭代中的多样性,使其跳出局部最优解;其次,引入自适应权重因子并将其加入到鲸鱼优化算法中,利用权重因子的动态变化,很大程度上增强了全局搜索能力;最后,采用改进之后的鲸鱼算法对SVM的参数进行寻优,并利用优化之后的支持向量机对刮膜蒸发过程获得的故障数据进行诊断识别,将IWOA-SVM的结果与其他3种做对比。结果表明,IWOA-SVM算法分类准确率提升了2%,且其准确率保持在98%以上,在分类结果的准确性以及算法的鲁...     

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.     

基于非线性收敛因子和标杆管理的改进教与学优化算法

针对教与学优化算法寻优精度低、收敛速度慢以及局部最优避免性弱的问题,提出了一种改进教与学优化算法（MTLBO）。在算法的教学和学习阶段,分别引入了非线性收敛因子调整策略和标杆管理策略。基于2种策略的随机组合形成了3种不同的MTLBOs,与标准教与学优化算法（TLBO）的对比实验结果表明,3种MTLBO均优于TLBO,其中,引入2种策略的MTLBO3取得了最佳的数值实验结果,其远优于原始TLBO。为进一步验证提出算法的有效性,与其他著名的群智能优化算法进行了数值实验对比。数值结果和收敛曲线表明,MTLBO3的寻优性能明显优于其他对比方法,具有更高的求解精度、更快的收敛速度以及更佳的局部最优避免能力。最后,使用有约束的工程优化问题进一步验证了提出算法的有效性。     

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。     

基于改进克隆选择算法的函数优化问题

根据传统克隆选择算法的不足,提出了一种改进的克隆选择算法.设计了具有自适应能力的改进变异算子,抗体基因位变异概率取决于抗体亲和度;并提出了兼顾亲和度和浓度两种因素的改进选择算子.通过函数优化仿真实验证明了改进算法在收敛速度和寻优结果上均优于传统克隆选择算法.     

求解动态优化问题的改进原对偶遗传算法

针对求解动态0-1优化问题的原对偶遗传算法(pri mal-dual genetic algorithm,PDGA)中一个关键的运算──原对偶映射(pri mal-dual mapping,PDM)进行改进,提出了一种新的适应性的PDM方法.在新的映射方法中,利用种群中染色体各个基因位点上取值的统计信息来计算该基因位点进行PDM运算的概率.在一组动态优化函数的仿真实验中,改进的PDGA算法表现出比原始算法更好的性能.     

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法.首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法.通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(...     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。     

带非均匀动态变异的改进粒子群优化方法

针对基本粒子群(PSO)算法在前期收敛速度较快和搜索精度差的缺陷,提出了一种带非均匀动态变异的改进粒子群优化方法.该方法通过引入非均匀动态变异算子不但克服了粒子群算法在后期易陷入局部最优的缺陷,而且极大地增强了群体的多样性,进而提高了算法的搜索效率.最后,通过两个复杂多峰函数的计算仿真,其结果表明该方法是非常有效的.     

基于动态罚函数的PSO-CO算法

本文分析了协同优化算法中所存在的问题,采用动态罚函数的解决思路,对系统级中的一致性等式约束问题进行改造,使其成为一无约束问题.另外,提出不同学科分配不同的惩罚权重的方法,大大提高了计算精度.同时,以粒子群算法替代了原有的求解算法,消除了初始解对优化结果的影响,也改善了算法的整体求解速度.在Matlab软件中实现该算法的运行,同时通过两个典型算例对该算法进行验证,表明其具有较好的优化性能.     

混沌演化算法求解动态优化问题

提出了一种结合混沌序列的演化算法——混沌演化算法,将其用于处理动态优化问题,并对动态多峰benchmark优化问题进行了数值实验,实验结果表明:混沌演化算法在处理动态优化问题时是有效的.     

基于免疫机理的动态函数优化算法

基于免疫细胞在生发中心反应时的进化与学习机理，提出了一种新的动态函数优化算法．该算法模拟了多群体细胞以及细胞的多样性、再循环和免疫记忆功能，其特点是，由基群体和克隆群体产生多个搜索子群体，群体细胞的亲和度会反向调节它的变异率，产生并更新大小有限的记忆细胞池，连续检测函数是否变化．用移动峰函数作为动态环境下的测试基准，以离线误差的平均值作为算法性能的评价指标进行了仿真实验．结果表明，所提算法能够在函数变化频率不大的情况下，以较小的平均误差和方差逼近函数最优值，完成动态函数的优化任务。