一种最优粒子逐维变异的粒子群优化算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优、收敛速度过慢、精度低等问题,提出一种新的变异策略,对全局最优粒子进行逐维的重心反向学习变异.逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性.仿真实验与基于柯西变异的混合粒子群算法(HPSO)及重心反向粒子群优化算法(COPSO)在9个标准测试函数上进行了对比.实验表明逐维重心反向变异算法(DCOPSO)具有较高的收敛速度及精度.

基于逐维高斯变异的混沌麻雀优化算法

针对麻雀算法初始化种群盲目性、全局搜索能力尚差容易陷入局部最优等问题,提出了一种逐维高斯变异的混沌麻雀优化算法.该算法首先利用singer混沌映射策略对种群进行初始化,克服种群初始化的盲目性。然后引入翻筋斗觅食策略来提高种群的全局搜索能力,最后引入惯性权重因子,针对最优原子采用逐维度高斯变异,提高其跳出局部最优解的能力,提高算法的全局搜索能力。将优化的麻雀算法与其他算法进行实验对比,实验结果表明改进算法相比原始算法具有明显的优势。

基于反吸引速度更新机制的改进蜉蝣算法

针对蜉蝣算法(MA)前期收敛速度较慢、后期寻优精度不高等问题,提出一种基于反吸引速度更新机制的改进蜉蝣算法(MMOA)。采用改进型Tent混沌序列初始化蜉蝣种群,使蜉蝣分布更加均匀,提升了种群的多样性;结合MA的特点,引入反吸引速度更新机制指导蜉蝣速度更新,平衡算法的全局搜索和局部寻优能力,进而提升算法的收敛性能;对全局最优蜉蝣进行逐维的重心反向学习变异,降低各维度间的干扰,帮助算法跳出局部最优并加速收敛。基于12个标准测试函数和部分CEC2017测试函数进行对比仿真实验,结果表明:MMOA较灰狼优化(GWO)算法、MA等算法在收敛速度、寻优精度和稳定性等方面都具有明显优势。

融合对偶学习的动态蜘蛛蜂优化算法及其应用

针对经典蜘蛛蜂优化算法初始种群分布不合理、搜索与开发之间的转换不平衡、易陷入局部最优等问题,提出了一种融合对偶学习的动态蜘蛛蜂优化算法(dynamic spider wasp optimizer combined with duality learning,CLDSWO)。首先,结合Tent和Sinusoidal映射,设计了TS(Tent-Sinusoidal)映射,并采用TS映射生成分布更广泛且均匀的初始蜘蛛蜂种群。其次,设计了一个动态权衡因子,自适应地调整狩猎和交配行为之间的转换,实现全局搜索和局部优化之间的平衡。引入了基于对偶学习的变异机制,在对偶学习的过程中,引入逐维变异机制,加速算法的收敛,增强逃离局部最优的能力。为了验证CLDSWO算法的有效性,利用10个基准函数和CEC2017函数进行实验,并通过Wilcoxon检验证实仿真结果的显著性,实验结果表明,CLDSWO在平衡收敛精度和速度方面更具竞争力。将CLDSWO算法应用至压力容器设计问题和无源时差定位问题中,结果表明CLDSWO的精度分别提升了1.28%和36.67%,验证了CLDSWO算法在求解实际工程应用问题中的有效性。

混合策略改进的麻雀搜索算法

针对麻雀搜索算法存在的迭代过程中种群多样性减少且容易陷入局部最优以及收敛速度慢等问题,提出混合策略改进的麻雀搜索算法(MSSSA)。利用Circle映射初始化麻雀个体位置,增加初始种群的多样性。结合蝴蝶优化算法(BOA)中蝴蝶飞行方式,改进发现者的位置更新策略,增强算法全局探索能力。采用逐维变异方法对个体位置进行扰动,提升算法跳出局部最优的能力。在仿真实验中与4种基本算法和5种改进算法基于10个基准测试函数进行比较并进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和求解精度,全局寻优能力得到大幅提升。

混合策略改进的蝴蝶优化算法

针对蝴蝶优化算法存在的求解精度低、易陷入局部最优等缺陷,提出混合策略改进的蝴蝶优化算法。首先,利用Circle映射初始化蝴蝶个体的位置,增加初始个体的多样性;其次,在局部搜索阶段利用动态切换概率控制改进正弦余弦算法与蝴蝶优化算法的转换,充分利用少量的蝴蝶个体,增强算法的局部开发能力;然后,在全局和局部位置更新处引入自适应余切权重系数,控制蝴蝶个体下一代的移动方向和距离,提高算法的收敛速度和精度;最后,引入逐维变异策略,对全局最优位置变异,引导种群向最优位置进化,避免陷入局部最优。对八个基准函数进行仿真实验,结果表明,改进算法的收敛性能更佳,与其他改进算法相比具有一定的竞争力。

一种改进的樽海鞘群算法

针对樽海鞘群算法在对函数优化问题求解上出现的求解精度不高、收敛速度慢的缺点,提出了一种改进的群海鞘群算法。对于领导者引入加权重心取代最优个体位置,防止过早聚集在最优个体附近;对于追随者引入自适应惯性权重平衡算法的全局搜索和局部寻优能力;最后对于个体进行逐维随机差分变异,减少维间干扰,提高了种群的多样性。仿真实验结果表明改进的樽海鞘群算法在均值、标准差和收敛曲线优于标准樽海鞘群算法和其他改进算法,说明改进后的算法提高了寻优性能,有较高的求解精度和较快的收敛速度。

基于混沌的多策略优化麻雀算法及应用

针对原始麻雀搜索算法在寻优过程中出现多样性降低,难以跳出局部最优,以及收敛精度不够等问题,提出一种基于混沌的多策略优化麻雀算法.首先,通过Circle混沌映射进行种群初始化,生成分布更加均匀的麻雀种群,增加种群的多样性;其次,引入自适应比例,对发现者的种群规模占种群总规模的比例进行动态变化,平衡算法的全局搜索与局部挖掘能力;然后引入Levy飞行改进发现者位置更新方式,提高算法的搜索范围与局部搜索能力,并且加快收敛于最优值的速度;最后,选择逐维变异与反向学习相融合的方式来扰动当前全局最优位置,通过贪婪算法来筛选出变异前后的最优值作为当前全局最优值,从而提高算法跳离局部最优的能力.本次选择12个基准函数和Wilcoxon秩和检验进行验证,并于六种其他算法进行对比,证明了以上多种策略对于算法的性能提升明显.同时,将该改进算法应用于工程实践中,本文选择压缩弹簧设计优化问题,验证所提改进算法在工程设计中的可行性与优越性.

改进哈里斯鹰优化算法求解作业车间调度问题

针对哈里斯鹰优化(harris hawks optimization,HHO)算法在解决以最小化最大完成时间为目标的作业车间调度问题,存在收敛后期陷入局部最优和早熟的缺陷问题,提出一种改进哈里斯鹰优化算法。在哈里斯鹰算法中引入变邻域搜索,更好地深入探索最优哈里斯鹰个体的邻域,提高算法的局部开发能力;当算法的最优解停滞更新时,采用逐维柯西高斯变异策略产生新的候选解,增强种群的多样性和跳出局部最优的可能性;引入逐维自适应变异策略,扰动最优解,避免算法过于早熟。求解作业车间调度问题的仿真结果表明,改进哈里斯鹰优化(IHHO)算法实验结果优于哈里斯鹰优化(HHO)算法、灰狼优化(GWO)算法以及鲸鱼优化算法(WOA),有效地避免了哈里斯鹰优化算法早熟,陷入局部最优的问题。