多策略改进的麻雀搜索算法及应用

针对麻雀搜索算法收敛速度慢、精确度不高、易陷入局部最优等问题,文中提出了一种融合多策略改进的麻雀搜索算法(improved sparrow search algorithm based on multiple strategies,ISSAMS)。通过引入Circle混沌映射初始化种群,增加种群的多样性,提高全局搜索能力;利用正余弦搜索策略,更新发现者的位置,选择最佳位置,增强局部搜索能力,避免陷入全局最优;加入萤火虫扰动更新最优个体位置,寻找可行解,提高局部搜索能力和寻优速度。为了验证算法改进的有效性,选取5个基准函数进行仿真实验,其中3个基准函数为单峰函数,2个为多峰函数,并与遗传算法、灰狼算法、粒子群算法和麻雀搜索算法比较。通过仿真实验结果表明基于多策略改进后的麻雀搜索算法具备跳出局部最优解能力,收敛速度更快,同时精确度更高,在对比其他4种算法后其总体性能更好。通过将该改进应用到优化BP神经网络的阈值和权值中,对比未改进的麻雀搜索算法优化的BP模型,其误差降低了14.73%,并且与另外3种算法优化的BP模型对比,其基于多策略改进的麻雀搜索算法优化模型的平均绝对百分比误差是最低的,效果最好,进一步验证了该改进算法的有效性。

蜉蝣算法在供应链库存优化中的应用

针对蜉蝣算法(mayfly algorithm,MA)全局搜索能力差、搜索精度不高和自适应能力弱等问题,提出一种多策略融合的蜉蝣算法。首先,提出吸引力增强因子,同时引入自适应动态调节的重力系数,来平衡搜索和开发能力;其次,提出中值位置作为群体位置的一部分,加强种群交流,避免陷入局部最优;最后,引入正弦余弦策略,增强全局搜索能力,提高收敛精度并增强稳定性。8种典型功能函数的仿真结果证明改进后的算法收敛能力提高、收敛精度加强。将改进后的蜉蝣算法应用于工程中,在供应链库存系统中调节比例-积分-微分(proportion-integration-differentiation,PID)参数,与其他算法相比,成本下降9.5%,证明该算法在工程上具有适用性。

樽海鞘群算法的改进

针对樽海鞘群算法在求解过程中存在收敛速度慢、寻优精度低等问题,提出改进的樽海鞘群算法。采用混沌初始化,保证种群的多样性和均匀性;分别在领导者和追随者阶段引入正弦余弦策略和动态更新策略,提高算法全局和局部探索能力;对食物位置进行变异操作,有效避免算法陷入局部最优。为验证改进后算法的有效性,分别用其求解函数优化问题以及工程设计问题,其结果表明,该算法具有较高的收敛速度、寻优精度以及鲁棒性,总体性能优于其它智能优化算法。