融合三维螺旋运动和混合反向学习策略的改进鹈鹕优化算法

针对鹈鹕优化算法收敛速度较慢、初始化过程随机产生初始种群导致种群多样性差,在后期易陷入局部最优等问题,提出了一种融合三维螺旋飞行和混合反向学习策略的鹈鹕优化算法。首先使用Gauss映射初始化种群,提高种群多样性;其次利用三维螺旋飞行和混合最优最差反向学习策略,加强算法跳出局部最优的能力;最后,引入自适应平衡因子与自适应步长,提出鹈鹕坠落策略,以模拟捕食过程中群体的微小变化。最后,通过12个基准函数和实际案例对IPOA(improved pelican optimization algorithm)进行测试,并与8个仿生算法进行对比,测试结果与Wilcoxon符号秩和检验结果均表明IPOA收敛精度与稳定性等各项性能都有所提升,具有明显优势。

引入精英反向学习和柯西变异的混沌蜉蝣算法

为提高蜉蝣算法的收敛速度,提升算法寻优能力,提出一种引入精英反向学习和柯西变异的混沌蜉蝣算法。利用Circle混沌映射序列优化初始种群使种群分布更加均匀,提高种群多样性。在蜉蝣更新阶段,对蜉蝣中的精英个体进行反向学习策略,防止算法陷入局部最优,提高算法收敛速度。为保证种群进化方向和扩大寻优范围,将自适应概率阈值和柯西变异的扰动机制相结合,对劣势蜉蝣个体附近生成更大的扰动。通过8个基准测试函数实验对比和Wilcoxon秩和检验,实验结果表明,混沌蜉蝣算法在收敛速度、求解精度以及稳定性等方面有较大提高。

一种融合反向学习机制与差分进化策略的蛇优化算法

蛇优化(snake optimizer,SO)算法存在前期收敛速度慢和易陷入局部最优的问题,为此提出一种融合反向学习机制与差分进化策略的改进蛇优化(improved snake optimizer,ISO)算法。反向学习机制可提高种群质量,以提升算法寻优速度;差分进化策略有助于算法精准寻优,降低算法陷入局部最优的几率。在10个基准测试函数上的实验结果表明,ISO算法拥有更高的寻优精度和更快的收敛速率。将其应用于支持向量机(support vector machine,SVM)的参数选取中,进一步验证了ISO算法的有效性。

基于混沌反向学习和水波算法改进的白鲸优化算法

针对原始的白鲸算法(beluga whale optimization,BWO)在某些情况下,中后期的探索和开发能力不足、多样性和求解精度降低、容易陷入局部最优等问题,提出一种基于混沌反向学习和水波算法改进的白鲸优化算法(TWBWO),进一步提高白鲸算法的计算精度和收敛速度,增强全局搜索和跳出局部最优能力。结合混沌映射和反向学习策略提高种群的质量和多样性,加快收敛速度。引入水波算法(water wave optimization,WWO)的折射操作,避免寻优时轻易陷入局部最优,提高计算精度。实验结果表明,TWBWO算法较之原始算法和其他经典算法在收敛速度和求解精度以及稳定性方面更为优秀,性能和寻优能力更强。

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm,BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning,OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm,SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。

适应度反向学习的平衡灰狼算法及其应用

针对传统灰狼优化算法位置更新时勘探与开发失衡,收敛速度慢且陷入局部最优的问题,提出一种改进的灰狼算法(balanced grey wolf algorithm based on fitness back learning,BGWO),引入非线性控制参数,增强算法前期勘探能力,加速收敛;在种群迭代阶段采用重心反向学习的最优适应度权重更新策略,平衡算法的勘探与开发。16组基准函数测试结果表明,改进后算法能自适应跳出局部最优,在加快算法收敛速度的同时提高全局收敛能力与精度。将BGWO应用于PV型旋风分离器粒级效率GBDT(gradient boosting decision tree)的建模,提高了GBDT的精度,模型相关系数0.980,均方误差0.00079,BGWO-GBDT与GBDT、PSO-GBDT和GWO-GBDT相对比,建模精度和稳定性明显提高,验证了BGWO的有效性。

基于精英反向学习与正余弦算法优化的蛇算法

针对蛇算法求解精度不高和收敛速度慢等缺点,提出一种基于精英反向学习策略和正余弦算法优化的蛇算法(ESSO)首先在初始化种群时,引入精英反向学习策略生成初始种群,以增加初始个体的多样性;在战斗模式下,引入正余弦算法对蛇个体的位置进行更新,使其有效地避免陷入局部最优,并引入自适应权重,平衡全局和局部搜索能力;最后基于12个基准函数进行测试以评估改进算法的效率。结果表明,改进算法与其它6种算法相比,具有更好的全局搜索能力和稳定性,同时,寻优精度和收敛速度也相较原算法有所增强。

基于折射反向学习的改进正弦余弦探路者算法

针对探路者算法(Pathfinder Algorithm,PFA)在寻优时收敛速度慢、求解精度低与极易陷入局部最优等问题,提出一种基于折射反向学习的改进正弦余弦探路者算法运用于函数优化问题当中。首先,通过折射反向学习策略初始化种群,利用折射与反向原理相结合使初始解更加靠近最优解位置,优质的种群定位能为迭代期的策略执行提供良好基础;其次,在探路者位置更新阶段引入改进的正弦余弦个体位置更新方式,该方式将原更新式中的线性步长搜索因子进行替换,以非规律的模式产生新代探路者个体,从而降低个体忽略最优解的概率,同时提出一种自适应权重添加至原更新式当中,配合正、余弦函数对算法的全局搜索与局部开发能力进行平衡;最后,将本文算法运用于12个经典的基准测试函数与10个具有复杂特征的CEC2014基准测试函数上进行寻优求解,并将其运用于压力容器设计与三杆桁设计问题,同时选取了合适的评价指标对算法性能进行评估。实验结果表明:本文算法在收敛速度、寻优精度与局部最优规避性方面均有较大提升,出色的工程优化性能也证明了本文算法的鲁棒性。

种群熵启动反向学习的动态多种群粒子群算法

针对传统粒子群优化算法在求解复杂优化问题时容易陷入局部最优和停滞的问题,提出采用种群熵启动反向学习的动态多种群粒子群算法。借鉴狮群算法划分狮群的思想,采用动态多种群划分策略,将粒子划分成3个不同行为子群,对其实施不同的位置更新公式,保持粒子在搜索过程中的多样性;在迭代阶段,为避免算法早熟,构建了各维重心反向变异策略丰富变异备选个体,并结合种群熵指标进行种群状态评价适时启动变异策略,帮助粒子跳出局部最优。最后,通过8个基准测试函数与同种类6种经典和新型改进算法,在不同维度下进行测试对比。数值实验结果表明,改进策略显著提升了粒子群算法搜索能力,在搜索精度和搜索速度方面均优于其他对比算法。

基于反向学习的状态空间模型进化算法的充电桩故障诊断预测研究

随着电动车充电站的迅速普及,使用中的充电站出现的问题种类和数量持续上升,相应产生的数据量也在不断增长。传统的手动数据管理方法已显得效率不高,不利于充电桩系统的正常运行。为此,文中提出了一种反向学习状态空间模型演化算法,应用于充电桩的故障诊断与预测,可进行反向学习自适应诊断,预测结果准确,处理速度快,有效提高了充电桩大数据的处理效率;同时将训练结果与实际故障数进行对比,验证了算法的准确性和有效性。研究成果为今后充电桩的安全运行提供了有效的技术支撑,具有重要意义。

精英反向学习及柯西扰动引导的瞪羚优化算法

针对瞪羚优化算法收敛精度低和易陷入局部最优的问题,提出一种精英反向学习及柯西扰动引导的瞪羚优化算法(improved gazelle optimization algorithm,IGOA)。首先,对瞪羚个体利用精英反向学习策略进行初始化,提升初始解的质量并增加种群多样性;其次,在算法迭代初期,利用二阶段非线性惯性权重引导种群的位置更新方式,提高算法的精度并均衡算法的全局搜索和局部搜索;最后,将存活率引导的柯西扰动策略引入勘探阶段种群的位置更新公式中,提升算法跳出局部最优的能力。利用12个基准测试函数和Wilcoxon秩和检验在8个对比算法上进行实验检测,结果表明改进算法寻优精度更高、收敛速度更快且具有跳出局部最优的能力。在齿轮系和三杆桁架设计两个实际工程问题上验证了IGOA的实用性和有效性。

基于反向学习与柯西变异的正余弦算法研究

针对正弦余弦算法(sine cosine algorithm, SCA)后期收敛速度慢、计算精度差的特点,本文提出了一种基于反向学习和柯西变异的正余弦算法(an opposition-based learning and cauchy mutation sin cosine algorithm, OSCA)。新算法利用反向学习机制与柯西变异生成新个体,增加了种群的多样性,通过贪婪选择加快收敛速度并提高计算精度,使算法具备较强的探索潜在较优空间的能力。将新算法与其他优化算法进行对比,18个测试基准函数的仿真实验结果来看,新算法在收敛速度和计算精度上都具有明显的优势。

基于精英反向学习的萤火虫k-means改进算法

为解决传统k-means聚类算法在聚类精度及中心点选取方面的问题,提出一种基于精英反向学习的萤火虫k-means改进算法。针对k-means算法的弱点,利用萤火虫优化算法具有较强全局搜索能力这一特性,使用精英反向学习策略对萤火虫进行改进,扩大萤火虫的搜索范围并提高收敛速度,对萤火虫的吸引度和步长因子进行改进,提升聚类效率。将改进算法运用到UCI标准数据集进行聚类仿真实验,该算法在寻优精度和收敛速度上有更好的结果,验证了其有效性。

基于精英反向学习策略的麻雀搜索算法

针对麻雀搜索算法(Sparrow Optimization Algorithm,SSA)存在收敛速度慢、容易陷入局部极值的问题,提出了一种基于精英反向学习(EOBL,elite opposition-based learning)的麻雀搜索算法。该算法引入精英反向学习策略,通过精英个体反向学习生成反向解,同时获取精英麻雀的动态边界,对比更新前后麻雀,如果更优则替代之前的麻雀,从当前解和精英反向解中挑选优异个体作为下一代种群,有效的提高了算法全局搜索能力和搜索精度。通过标准测试函数进行对比仿真,结果表明加入精英反向学习麻雀搜索算法具有很好的全局搜索能力和收敛速度。

基于一般反向学习的群体随机搜索算法框架

通过研究群体随机搜索算法解的迭代过程机制,提出区域变换搜索模型.结合反向学习(OBL)概念,提出了一般反向学习(GOBL)策略,并构造了基于一般反向学习的群体随机搜索算法的框架.理论分析证明,当父体算法收敛时,基于该算法和一般反向学习策略构造的算法也是收敛的.

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.

具备反向学习和局部学习能力的粒子群算法

为解决粒子群优化(Particle Swarm Optimization,PSO)算法中存在的种群多样性和收敛性之间的矛盾,该文提出了一种具备反向学习和局部学习能力的粒子群优化算法(Reverse-learning and Local-learning PSO,RLPSO).该算法保留了初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置.当检测到算法陷入局部最优时,利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习,将其迅速牵引出局部最优区域.反向学习过程可改善粒子种群的多样性,保证了算法的全局探测能力;同时,利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索,该过程可与粒子群的飞行过程并行执行,且局部学习的缩放因子可随进化过程动态调节.局部学习可提高算法的求解精度,保证算法的迅速收敛.实验结果表明,RLPSO算法同其他PSO算法相比,在高维函数优化中具有收敛速度快、求解精度高的特点.

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。

应用反向学习策略的群搜索优化算法

群搜索优化算法(Group Search Optimizer,GSO)是一类基于发现者-加入者(Producer-Scrounger,PS)模型的新型群体随机搜索算法。尽管该算法在解决众多问题中表现优越,但其依然面临着早熟和易陷入局部最优的问题,为此,提出了一种基于一般反向学习策略的群搜索优化算法(GOGSO)。该算法利用反向学习策略来产生反向种群,然后对当前种群和反向种群进行精英选择。通过对比实验表明,该方法效果良好。

应用精英反向学习的多目标烟花爆炸算法

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.