基于正余弦的非线性哈里斯鹰优化算法

针对哈里斯鹰优化算法(HHO)收敛精度低、易陷入局部最优等问题,提出了一种基于正余弦的非线性哈里斯鹰优化算法(SCNHHO)。首先,采用佳点集策略对种群进行初始化,使种群分布更均匀,提高算法收敛速度和精度;其次,在探索阶段引入正余弦策略,利用正余弦函数的震荡特性扩大搜索范围,寻求更多潜在的优质解;最后,在开发阶段引入非线性参数来平衡探索与开发,避免算法陷入局部最优。针对不同维度的基准测试函数进行性能测试,结合Wilcoxon秩和检验与Friedman检验的结果,将该算法与其他5个对比算法进行分析。结果表明,改进算法性能较原始HHO算法有较大提升,并且优于斑马优化算法(ZOA)、鲸鱼优化算法(WOA)和2种哈里斯鹰算法的变体(MHHO和IHHO),验证了改进策略的有效性。最后通过三杆桁架设计问题进一步验证了SCNHHO的实用性。

融合混沌映射和自适应T分布的蜣螂优化算法

针对原始蜣螂优化算法(DBO)存在的收敛精度低、易陷入局部最优等问题,提出一种改进的蜣螂优化算法。该算法采用混沌映射初始化蜣螂种群以提高种群的多样性,引入北方苍鹰优化算法的勘探策略以增强算法的全局勘探能力,并改进一种非线性边界收敛因子以平衡其收敛速度和收敛精度。同时,采用自适应T分布扰动策略以增强算法跳出局部最优的能力。实验结果表明,改进后的DBO算法在15个基准测试函数的求解寻优中,有13个测试函数的求解结果优于原始蜣螂优化算法、麻雀搜索算法、灰狼优化算法、鲸鱼优化算法和哈里斯鹰优化算法的求解结果,表现出更高的收敛精度、更快的收敛速度及更高的稳定性。

多策略融合改进的蜣螂优化算法

针对标准蜣螂优化算法(DBO)存在的全局探索能力欠缺、收敛精度低及易陷入局部最优等不足,提出了一种融合多策略的改进蜣螂优化算法(MSDBO).首先,引入社会学习策略引导推球蜣螂进行位置更新,提高了算法全局探索能力,避免算法陷入局部最优;其次,提出一种方向跟随策略,建立起小偷蜣螂与推球蜣螂个体间的交互,提高了寻优精度;最后,引入环境感知概率,引导小偷蜣螂合理采用方向跟随策略,兼顾了性能与时间消耗.在12个基准测试函数上进行求解分析,并与其他优化算法进行对比,证明了MSDBO的寻优性能明显优于对比算法,在压力容器设计优化问题上的结果验证了MSDBO求解实际工程约束优化问题的有效性.

基于混沌映射的改进金枪鱼群优化算法对比研究

Kubernetes作为当前云资源管理的标准平台,因其默认调度机制的局限性,目前普遍采用基于群智能优化算法的改进方法进行Pod的调度。而针对群智能优化算法存在的寻优性能易受初值影响、迭代后期容易早熟收敛等问题,选择金枪鱼群优化(Tuna Swarm Optimization,TSO)作为基础算法,根据混沌映射具有的遍历性、随机性等特点,提出了基于混沌映射的种群初始化优化方案。选择目前研究中普遍涉及的Tent、Logistic等多种混沌映射,分别对金枪鱼种群进行初始化,以提高初始种群的多样性。通过一系列基准测试函数进行仿真实验,对比基于不同混沌映射的改进金枪鱼群优化算法的实验结果,证明了基于混沌映射的优化方案可以有效提高原始TSO算法的收敛速度和寻优精度。

解决高维优化和特征选择问题的多策略改进麻雀搜索算法

为解决基本麻雀搜索算法(sparrow search algorithm,SSA)在求解高维复杂优化问题时存在收敛速度慢、容易陷入局部最优解及后期种群多样性变弱等问题,提出了一种基于海鸥优化算法算子和鲸鱼优化算法算子的改进麻雀搜索算法(improved sparrow search algorithm based on seagull optimization algorithm operator and whale optimization algorithm operator,SWSSA)。首先,该算法设计了自适应种群比例策略以增强种群在迭代过程中的多样性;其次,在局部搜索阶段融入鲸鱼优化算法气泡网捕食策略,增强麻雀搜索算法的局部搜索能力、加快收敛速度;然后,在追随者位置引入改进的海鸥优化算法算子降低算法陷入局部最优的概率。最后,选取了12个高维基准测试函数和16个UCI网站上的高维数据集进行仿真实验,将SWSSA与基本SSA、SSA变体版本、黄金正弦算法(golden sine algorithm,GSA)、蝴蝶算法(butterfly optimization algorithm,BOA)、黏菌算法(slime mold algorithm,SMA)、海鸥算法(seagull optimization algorithm,SOA),以及其他学者改进的算法进行比较。结果表明,本文提出的算法在12个测试函数上的收敛精度取得最优的比例达到了100%,在约95%的测试函数上收敛速度最快,在16个数据集中有9个数据集分类准确率最高和6个最佳特征子集数量最少。可见所提算法在处理高维函数优化和数据集特征选择问题上具有一定的优势。

自适应差分变异的人工鱼群算法

针对人工鱼群算法存在的全局搜索能力欠缺,鲁棒性差及易陷入局部极值等不足,提出一种自适应差分变异的人工鱼群算法(ADMAFSA).首先,该算法采用自适应视野和步长策略,改善种群个体在较优区域的精细搜索能力,提升算法的寻优精度.其次,在人工鱼群的随机行为中引入反向学习机制,通过发掘潜在的寻优空间,提高算法的全局搜索性能,避免算法早熟收敛.最后,借鉴差分进化算法对质量较差的人工鱼进行变异操作,从而增加鱼群的多样性,降低算法陷入局部极值的可能性.为验证改进算法的性能,本文对6个基准测试函数和8个CEC2019函数进行仿真,与其他AFSA变体、新型智能算法进行对比,实验结果表明,ADMAFSA在寻优精度和鲁棒性方面均有所提高.最后,在齿轮系设计问题上,进一步证明了改进算法具有较好的优化效果.

改进麻雀搜索算法优化BP神经网络的短时交通流预测

针对BP神经网络预测短时交通流量过于依赖初始参数的问题,提出一种基于改进麻雀搜索算法(ISSA)来优化BP神经网络的短时交通流预测模型(ISSA-BP)。针对标准麻雀搜索算法(SSA)易收敛于原点,容易陷入局部最优等问题,对麻雀群体中的发现者和部分加入者的位置更新公式分别进行改进,改进后的发现者将基于搜索维度的大小和当前最优值的位置来进行全局搜索,部分加入者将根据其与最优位置之间的距离来进行全局搜索。通过实验对BP,PSO-BP,SSA-BP,ISSA-BP 4种短时交通流预测模型的预测效果进行对比分析,结果显示,ISSA-BP短时交通流预测模型的误差最小,ISSA-BP模型相较BP模型在MAE评价指标上的预测精度提升了48.85%,有着更好的预测精度。

多策略融合的改进黏菌算法及其应用

针对黏菌算法存在自适应能力有限,抗停滞能力弱等不足,提出多策略融合的改进黏菌算法。采用Bernoulli混沌初始化,丰富种群多样性,提升算法优化精度和收敛速度;提出动态非线性递减策略,动态调节黏菌个体探索幅度,协调并优化算法全局搜索与局部开发能力;结合麻雀算法的预警机制与折射反向学习策略,优化黏菌个体分离觅食过程,防止前期优质个体流失以及后期种群多样性匮乏,提升算法整体抗停滞能力。通过对基准测试函数及部分CEC2017测试函数进行寻优对比实验,测试结果表明改进算法具有更好的寻优精度、稳定性。利用改进算法优化XGBoost参数并将其用于变压器故障诊断,进一步验证了改进策略的有效性及算法的工程实用性。

混沌映射的粒子群算法分析比较

为解决粒子群算法(Particle Swarm Optimization, PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题,提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征,基于6种混沌映射对粒子群算法分别进行初始化,进而增加种群多样性和解的覆盖。引入动态惯性权重系数,提高算法收敛速度。通过6个测试函数进行仿真实验,对比不同混沌映射数据结果,实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。

改进正弦算法引导的蜣螂优化算法

蜣螂优化器(dung beetle optimizer,DBO)是一种有效的元启发式算法。蜣螂优化算法虽然具有寻优能力强,收敛速度快的特点,但同时也存在全局探索和局部开发能力不平衡,容易陷入局部最优,且全局探索能力较弱的缺点。提出了一种改进的DBO算法来解决全局优化问题,命名为MSADBO。受改进正弦算法(improved sine algorithm,MSA)的启发,赋予蜣螂MSA的全局探索和局部开发能力,扩大其搜索范围,提高全局探索能力,减少陷入局部最优的可能性。同时加入了混沌映射初始化和变异算子进行扰动。为了验证MSADBO的有效性,对该算法采用23个基准测试函数进行了测试,并与其他知名的元启发式算法进行了比较。结果表明,该算法具有良好的性能。为了进一步阐述MSADBO算法的实际应用潜力,将该算法成功地应用于3个工程设计问题。实验结果表明,所提出的MSADBO算法可以有效地处理实际应用问题。

全局扰动和互利因子作用的飞蛾扑火优化算法

为解决飞蛾扑火优化(moth-flame optimization, MFO)算法收敛速度慢、容易陷入局部最优等问题,提出一种飞蛾扑火优化(DBMFO)算法。使用Bernoulli混沌映射,提高初始种群的多样性;引入全局扰动因子,提高算法的全局搜索能力;使用互利因子对全局扰动后的位置再次进行更新,避免新的算法陷入局部最优,使得算法更快收敛。通过对10个基准函数进行仿真实验,确定迭代系数的取值,通过Wilcoxon秩和检验来验证算法性能,其结果表明,改进的DBMFO算法在求解的精确度以及收敛速度上均有明显提升。

融合学习行为策略的改进黑猩猩优化算法

针对黑猩猩优化算法收敛速度慢、寻优精度低以及容易陷入局部最优的问题,提出融合学习行为策略的改进黑猩猩优化算法(modified chimp optimization algorithm,MChOA)。采用准反向学习策略更新种群,增加种群的多样性和随机性,提高算法全局搜索能力,同时避免算法陷入局部最优。基于黑猩猩学习行为策略,通过随机选择“模仿学习”算子或“情绪感应”算子更新黑猩猩个体位置,增强算法局部开发能力,加快算法的收敛速度。选取16个基准函数以及12个CEC2014进行仿真实验测试,结果表明MChOA与传统ChOA相比具有较高的求解精度和较好的寻优性能。通过两个工程设计问题的求解,证明了MChOA在实际工程问题上也具有较高的实际应用价值。

一种改进灰狼优化算法

针对原始灰狼优化算法(GWO)易陷入局部最优和全局搜索能力较弱的问题,提出一种改进灰狼优化算法(Improved Grey Wolf Optimization,IGWO)。该算法首先通过引入非线性收敛因子来调整控制参数,进一步平衡GWO的全局搜索和局部开发能力。其次,在灰狼位置更新的过程中结合布谷鸟优化算法的搜索机制,帮助灰狼种群陷入停滞时跳出局部最优。最后,在6个基准测试函数进行仿真实验,结果表明IGWO能提升GWO的性能。

一种基于新移动策略的灰狼优化算法

针对标准灰狼算法存在的收敛速度慢和容易陷入局部最优的问题,提出一种改进的灰狼优化算法(dynamic approach grey wolf optimization,DAGWO)。该算法采用新的个体位置移动策略,增加狼群攻击的多样性和随机性,提高了收敛速度;同时,引入基于停滞检测的随机初始化策略增加种群多样性,提高了全局搜索能力。通过12个基准测试函数的仿真实验,表明DAGWO算法的收敛速度和求解精度均明显优于其他算法。此外,将DAGWO算法应用于减速器设计问题,证明了其在工程优化问题上的可行性和有效性。

融合知识共享和精英反向学习的成长优化算法

为解决成长优化(growth optimizer,GO)算法易陷入局部最优的问题,提出一种融合知识共享和精英反向学习的成长优化算法(growth optimization algorithm integrating knowledge sharing and elite opposition-based learning,KSOBLGO).该算法结合基于知识共享的优化算法(gaining-sharing knowledge based algorithm,GSK)和精英反向学习策略,旨在提高算法的全局搜索能力并避免陷入局部最优解的困境.首先采用精英反向学习策略,通过引入优秀个体的信息增加初始种群的多样性,避免算法过早收敛,导致局部滞留.将基于知识共享的优化算法融合其中,称为知识共享阶段,该阶段提高种群中较优个体的局部搜索能力和较差个体的全局搜索能力,使探索和开发达到良好的平衡状态.经过对13个基准测试函数进行仿真实验,研究结果表明KSOBLGO算法在收敛速度和寻优精度等方面取得显著的提升,验证该改进算法的有效性.

一种基于迭代自适应的鲸鱼优化算法

针对鲸鱼优化算法(WOA)后期收敛精度差和高维下容易陷入局部最优等不足,提出一种基于迭代自适应的鲸鱼优化算法(IAWOA)。首先用Circle混沌映射鲸鱼个体位置,使个体鲸鱼位置分布得更加均匀;其次随着迭代自适应改变螺旋气泡网大小,使螺旋气泡网前期较大而后期慢慢变小;再者用levy flight更新个体随机位置,帮助算法跳出局部最优;最后,通过12个基准测试函数,将IAWOA与其他3种算法进行仿真实验。实验结果表明,IAWOA有更好的收敛精度和鲁棒性。

融合随机森林决策的海鸥优化算法

针对海鸥优化算法(SOA)在求解优化问题时容易早熟、算法性能过于依赖参数以及解的精确度较低等问题,提出了一种融合随机森林决策的海鸥优化算法(RFSOA)。首先,在海鸥前期迁徙阶段,引入非线性递减参数A对海鸥位置进行改变,调整算法的全局寻优能力,避免在迭代过程前期算法便会陷入局部最优的情况;其次,在海鸥攻击阶段,引入机器学习中随机森林思想,将每个海鸥个体位置看作任一决策树的分支,利用其构造决策树进行海鸥位置的改变,位置变化时采取螺旋状位置更新策略或最优高斯游走策略,增加海鸥位置改变的随机性,并利用贪心策略保留优质个体,从而提高寻优精度。选择Benchmark测试函数及0-1背包问题部分算例进行算法性能测试,结果显示RFSOA具有寻优能力强、精确度高的优点,更适合求解较高维度的连续函数优化问题及带有约束的实际应用问题。

基于HBA-SVR的光伏发电量预测模型研究

为改善光伏发电随机性的特点,需要对光伏发电的准确度进行预测,以保证电力系统的正常运行。使用支持向量回归(SVR)作为预测模型,并使用一种蜜獾算法(HBA)对SVR进行优化,建立了基于HBA-SVR的预测模型。蜜獾算法具有初始种群多样性良好、收敛速度快且不陷入局部最优的特点。为验证蜜獾算法的性能,使用四种基准测试函数对蜜獾算法的寻优性能进行了测试,结果表明了蜜獾算法具有良好的寻优性能。最后输入构建发电量的预测模型,并用数据集进行了实例分析,结果表明所提出的模型具有良好的预测性能,提高了光伏发电站的预测准确度,为相关领域提供了参考。

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE.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,另一种群的个体由差分操作进化而来.此外,通过采用一种信息分享机制,在算法执行过程中两个种群中的个体可以实现协同进化.为了进一步提高PSODE算法的性能,摆脱陷入局部最优点,还采用了一种变异机制.通过4个标准测试函数的测试并与PSO和DE算法进行比较,证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.

基于变因子加权学习与邻代维度交叉策略的改进CSA算法

针对乌鸦搜索算法(CSA)优化高维问题时存在寻优精度低、局部极值逃逸能力弱等问题,提出一种耦合多个体变因子加权学习机制与最优个体邻代维度交叉策略的改进乌鸦搜索算法(ICSA).该算法随迭代进程动态修正模型控制参数(感知概率和飞行长度),利用多个体的变因子加权学习机制保证子代个体同时继承跟随乌鸦与上代最优个体的位置信息以避免单个体继承的过快种群同化并减小陷入局部极值的风险;同时构建历史最优个体的邻代维度交叉策略,并按维度绝对差异大的优先替换原则更新最优个体位置,以保留历代最优维度信息并提高算法的局部极值逃逸能力.数值实验结果分别验证了模型参数对CSA算法性能的一定影响,加权学习因子不同递变形式对ICSA算法性能改善的有效性与差异性以及改进算法的优越寻优性能.