基于混沌精英和Lévy飞行策略的鲸鱼优化算法

针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)存在的收敛速度慢、精度低的问题,提出了基于Tent混沌精英和Lévy飞行策略的鲸鱼优化算法(TELWOA)。使用Tent混沌映射初始化鲸鱼种群,保持种群的多样性,并通过引入精英反向学习策略,对初始种群的精英个体生成反向解,选取适应度高的种群作为下一代鲸鱼种群,加快算法收敛速度。其次,通过使用非线性收敛因子,缓解算法全局搜索和局部搜索能力不平衡的现象。最后,在鲸鱼位置寻优过程中使用Lévy飞行策略,避免算法陷入局部最优,提升算法的全局搜索能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析,证明了TELWOA算法在收敛精度、算法稳定性和全局寻优能力上与对比算法有显著提升,具有一定的实际工程应用能力。

融合学习差异与Lévy飞行的动态平衡正余弦算法

为了提升正余弦算法的收敛性能,本文提出一种融合学习差异与Lévy飞行的动态平衡正余弦改进算法,定义为SCALLD算法。通过引入学习差异策略,减少搜索个体对其位置信息的依赖,增强全局探索能力;加入Lévy飞行机制,丰富种群多样性,提升探索能力;采用动态平衡策略,平衡探索与开发能力,提高收敛速度和稳定性。在CEC2022基准测试函数上的实验表明,与六种算法相比,SCALLD展现出更优的收敛性能和稳定性,Wilcoxon秩和检验进一步证明了SCALLD的竞争优势,为解决复杂优化问题提供参考。

Lévy飞行的正余弦乌燕鸥混合算法及应用

为解决标准乌燕鸥算法(STOA)易陷入局部最优和收敛速度慢等缺点,提出一种混合正余弦算法(SCA)和Lévy飞行的自适应乌燕鸥算法(SLSTOA)。采用正余弦算法的搜索方式,同时采用非线性递减自适应正弦因子,改进乌燕鸥算法的攻击搜索方式,来增强STOA算法的全局与局部探索能力。乌燕鸥个体和最优个体通过Lévy飞行策略进行变异,来增加种群多样性和扩大搜索空间,以达到提高跳出局部最优和全局探索能力。与四种先进的元启发式算法比较,SLSTOA算法性能通过6个基准测试函数进行评价,结果表明,相比其他四种元启发式算法,SLSTOA算法精度高、稳定性好和鲁棒性强。同时为验证SLSTOA算法的科学性与实用性,将其应用于解决32t/22.5m桥式起重机主梁结构优化设计中。

基于Lévy飞行的粒子群算法在大地电磁反演中的应用

粒子群优化算法在大地电磁测深反演中相较于一般的线性反演算法具有多种优点。然而标准粒子群算法在多维优化问题中存在早熟问题,为此,采用基于Lévy飞行随机游走策略的优化粒子群算法来处理局部最优解,增加寻优能力。通过对地电模型的反演对比表明,改进后的粒子群算法相较于标准粒子群算法适应度值下降速度更快、寻优能力更好。最后将该算法应用于已知钻孔旁实测数据,结果较好,表明该算法具有较好的实用性。

基于量子行为和Lévy飞行改进野狗算法的SCR脱硝系统模型辨识

传统野狗优化算法搜索范围有局限性,寻优结果往往不是全局最优,针对此问题,提出一种基于量子行为和Lévy飞行的改进野狗优化算法(Quantum Dingo Optimization Algorithm,QDOA)。量子行为赋予种群移动轨迹和速度的不确定性,使算法的搜索范围可覆盖整个可行空间;Lévy飞行策略的随机步长性,克服算法迭代后期易陷入局部最优问题,提升了求解精度。通过基准测试函数进行性能测试,QDOA相较其他几种算法在准确性、精度方面表现突出。应用QDOA对宁夏某电厂660 MW燃煤机组选择性催化还原(Selective Catalytic Reduction,SCR)脱硝控制系统高负荷段、中低负荷段现场数据进行模型辨识,建立了SCR脱硝系统阀门开度与入口氨气流量、入口氨气流量与出口NOx质量浓度之间的传递函数,经检验辨识后的模型能较好地反映该SCR脱硝控制系统的动态特性,证明了该算法的可行性。

一种自适应t分布和Lévy飞行机制的沙猫群优化算法

沙猫群算法是一种新颖的群智能优化算法。为了进一步提高该算法的收敛精度,避免陷入局部最优问题,引入自适应t分布和Lévy飞行机制改进沙猫群算法,称之为TLSCSO算法。首先设计一个非线性收敛因子,用来平衡算法的探索和开发,再引入自适应t分布,提高收敛精度,最后引入Lévy飞行机制,使算法跳出局部最优。在CEC 2022的12个测试函数上与其他算法进行对比,计算结果表明,TLSCSO在大部分测试函数上能够找到更好的解,且收敛速度快。

Lévy飞行和热交换的混沌乌燕鸥算法及应用

为解决乌燕鸥算法对抗局部最优能力和寻优能力较低的问题,提出了一种混合Lévy飞行和热交换混沌乌燕鸥算法(LTCSTOA)。首先,采用Hénon混沌映射对算法种群初始化,保证算法种群多样性。其次,采用混合Lévy飞行和热交换算法的搜索策略,并在不同算法搜索阶段,引入自适应因子γ和自适应惯性权重,提高了算法的跳出局部区域的能力和收敛精度。最后,采用热交换算法对最优乌燕鸥个体进行扰动,提高算法的全局寻优能力。选用7个测试函数验证了不同改进策略的算法有效性,仿真结果表明:与其他算法相比,LTCSTOA算法收敛性能更优,具有较高的收敛精度、稳定性和鲁棒性。将LTCSTOA算法应用于二级斜齿圆柱齿轮传动机构可靠性轻量化设计,优化结果表明:与原设计相比,LTCSTOA算法获得的体积和重合度分别降低了约为51.86%和18.6%,实现了齿轮传动机构轻量化设计的目的。

一种基于Lévy飞行轨迹的蝙蝠算法

针对新型元启发式蝙蝠算法存在收敛速度慢、求解精度低的现象,文中提出一种基于Lévy飞行轨迹的蝙蝠算法.该算法具有易跳出局部最优,收敛速度快且求解精度高等特点.通过对12个典型的测试函数进行仿真实验,结果表明该算法是有效、可行的,且在求解高维空间问题中也表现出优越的逼近性能.

具有Lévy飞行特征的蝙蝠算法

针对基本蝙蝠算法易早熟、收敛精度低等不足,在分析蝙蝠算法优化机理和局限性的基础上,从算法仿生原理入手,采用Lévy飞行搜索策略更为真实地模拟蝙蝠的捕食行为,取代原有算法的速度和位置更新方式,充分利用Lévy飞行会产生较大跳跃这种不均匀随机游走的特性,有效避免局部极值的吸引.通过标准测试函数对所提算法进行仿真测试,结果表明所提算法有效克服了原算法易早熟、收敛精度低等缺陷,在寻优精度和全局收敛性能方面明显优于基本蝙蝠算法和粒子群优化算法,是解决复杂函数优化问题的一种有效工具.

基于Lévy飞行的飞蛾扑火优化算法

由于飞蛾扑火优化(MFO)算法收敛速度和计算精度还有待提高,提出一种改进的基于Lévy飞行轨迹的飞蛾扑火优化(LMFO)算法。增强局部搜索能力,大幅度提升收敛速度和求解精度。对12个无约束基准函数进行实验测试,测试结果表明,改进后的LMFO是有效可行的。

基于Lévy飞行特征的蝙蝠算法及其在WSN定位中的应用

针对蝙蝠算法收敛易早熟、收敛速度慢等不足,提出一种改进的基于Lévy飞行特征自适应的蝙蝠算法。采用Lévy飞行策略取代原算法中蝙蝠飞行速度和位置的更新方式,充分利用Lévy飞行的重尾效应,有效避免局部最优值的吸引,加快了收敛速度,达到寻优能力和搜索能力的平衡。在无线传感器网络自身定位应用中,把定位问题转换为一个全局优化问题,使用改进的算法进行定位计算。通过Zigbee平台的实验表明,改进后的算法在不同空间位置的定位精度更高,收敛速度更快。算法实现条件简单、精度高,具有较高的实际工程应用价值。

基于Lévy飞行微粒群算法的液压系统可靠性优化

针对微粒群算法易于陷入局部最优解、早熟的缺点,将Lévy飞行引入微粒速度迭代公式中,并动态改变微粒群速度迭代公式中Lévy飞行的权重值,提出动态Lévy飞行微粒群算法。根据T-S故障树理论,建立液压支架液压系统的可靠性模型,进而得出可靠性费用目标函数。将提出的动态Lévy飞行微粒群算法应用于液压支架液压系统的可靠性优化中,并通过标准微粒群算法、布谷鸟搜索算法和基于Lévy飞行微粒群算法比较,验证所提出算法的优越性。

基于Lévy飞行的自适应差分进化算法

针对目前差分进化算法存在全局搜索与局部寻优的矛盾、搜索停滞、收敛速度慢的问题,提出一种改进算法:基于Lévy飞行的自适应差分进化算法。该算法鉴于Lévy飞行步长符合重尾分布的特点,在变异过程中结合差分进化算法的基本变异和Lévy飞行变异两种模式,并通过引入自适应缩放因子和交叉概率算子,改善种群在交叉与变异过程中的不足。通过理论分析与Benchmark函数的数值验证,并与其他6种算法进行比较。结果表明,所提新算法能够在全局搜索与局部寻优之间进行较好的平衡,而且收敛速度更快,种群多样性得到了很好的保存,一定程度上避免了搜索停滞的出现。

一种基于lévy飞行轨迹的果蝇优化算法

针对果蝇优化算法是模仿果蝇寻找食物行为而进行全局搜索最优解的新算法,该算法存在容易陷入局部最优解和收敛速度慢的缺点,提出一种基于lévy飞行轨迹的改进果蝇优化算法。引入lévy飞行轨迹随机性,将它应用在果蝇算法中的个体嗅觉寻找食物的随机方向上增加搜索的多样性和搜索的范围。最后通过数值仿真实验对8个标准测试函数来进行作对比检验,结果表明该算法在求解高维函数优化问题更好。

基于Lévy飞行的风驱动优化算法

针对风驱动优化算法易陷入局部极值的缺陷,本文提出一种基于Lévy飞行的风驱动优化改进算法。改进算法使用Lévy分布对迭代搜索到目前为止的最优空气质点进行随机扰动,扰动结果作为被选择变异的空气质点的更新位置,此策略充分利用Lévy飞行频繁的短距离局部搜索与偶尔较长距离游走的特性,加快算法局部搜索速度和引导算法跳出局部极值。在对10个测试函数的性能分析实验结果表明,改进算法的寻优性能较WDO、AWDO、GWDO、PSO、GA、FPA等算法有显著提升,从而验证了所提改进策略的有效性。

融合Lévy飞行和精英反向学习的WOA-SVM多分类算法

元启发算法-SVM是多分类评价模型的典型架构,在多分类综合决策判定中具有重要的理论与实践意义,为此提出了一种融合Lévy飞行和精英反向学习的鲸鱼优化算法(Lévy flight and elite opposition-based whale optimization algorithm,LFEO-BWOA)-SVM多分类评价算法。利用Lévy飞行策略替代螺旋轨迹策略更新位置信息,有效克服了鲸鱼优化算法易陷入局部寻优的不足;引入精英反向学习机制增加种群多样性,提高了鲸鱼优化算法全局寻优的能力。实验仿真结果表明,LFEO-BWOA-SVM算法在分类准确率上比传统SVM、BP神经网络分别提高17.84%和4.51%,准确率为98.73%,在训练时间上比标准WOA-SVM和PSO-SVM分别缩短了9.34%和84.94%。实验结果证明,LFEO-BWOA-SVM算法的寻优能力和收敛速度均有明显提升,准确率和快速性良好。

自学习策略和Lévy飞行的正弦余弦优化算法

针对正弦余弦算法(SCA,sine cosine algorithm)局部搜索能力差的缺陷,提出自学习策略和Lévy飞行的正弦余弦优化算法(SCASL,sine cosine optimization algorithm with selflearning strategy and Lévy flight)。首先,提出正弦余弦算法自学习策略和非线性权重因子,使搜索个体记忆自身历史最优位置,在寻优过程中指导搜索个体更新位置,提高SCA的局部搜索能力;算法寻优后期,当搜索陷入局部最优时,采用基于Lévy飞行的停滞扰动策略使算法跳出局部最优,提高SCA的局部最优规避能力。基于13个经典基准测试函数对算法性能进行测试的实验结果表明,SCASL相比标准SCA和较新的优化算法SSA,VCS,WOA,GSA,具有更高的计算效率,收敛精度以及更强的局部最优规避能力。求解无人作战飞机航迹规划的仿真结果表明,在有6个敌方威胁源的战场环境中,相比SCA,SCASL求解得到的飞行航迹具有更小的航迹代价。综上,所提出的SCASL具有较强的寻优能力。

具有Lévy飞行和反向学习的增强型人工蜂群算法

针对人工蜂群算法(artificial bee colony,ABC)存在寻优精度不高、收敛速度较慢、容易被局部极值吸引的不足,提出一种具有Lévy飞行和反向学习(opposition-based learning,OBL)策略的增强型人工蜂群算法(enhanced artificial bee colony algorithm with Lévy flight and opposition-based learning strategy,ELOABC)。首先,在雇佣蜂和观察蜂阶段,引入Lévy飞行改进新产生的解,由于Lévy飞行具有随机步长性,因此可以避免算法陷入局部最优;其次,在侦查蜂阶段,变异解由停滞解和当前最优解的位置决定,再结合反向学习策略生成变异解的反向解,保留两者中更好的解以提高算法解的精度;最后,利用15个基准测试函数对增强型人工蜂群算法的性能进行实验测试。实验结果表明,改进算法性能明显优于其他算法。

分数阶策略和带有Lévy飞行的螺旋蝙蝠算法

针对蝙蝠算法在求解多峰、复杂非线性问题时,搜索效率降低、易陷入局部最优等不足,提出了一种改进的蝙蝠算法。引入具有短期记忆特性的分数阶策略来更新蝙蝠位置,增加种群多样性,提高了算法收敛速度;用带有Lévy飞行的阿基米德螺旋策略产生局部新解,增强局部开发能力,同时有助于算法跳出局部最优;采用新的非线性动态机制调节响度和脉冲发射率,以平衡算法的探索和开发。选取CEC2014测试集,包括单峰、多峰、混合以及复合函数,对提出的算法和其他群智能算法进行仿真实验,测试结果表明提出的算法搜索效率和求解精度相较于对比算法得到提升,用Friedman统计分析验证了算法的优越性。将提出的算法用于求解机械工程减速器设计问题,与PSO-DE、WCA、APSO进行实验对比,验证该算法的有效性。

基于Lévy飞行的差分乌鸦算法求解折扣{0-1}背包问题

针对大规模的折扣{0-1}背包问题(D{0-1}KP)难以用确定性算法求解的问题,提出了基于Lévy飞行的差分乌鸦算法(LDECSA)。首先,利用混合编码解决D{0-1}KP的第二数学模型的编码问题;其次,利用新的贪心修复与优化算法(NROA)处理求解过程中产生的不可行解;然后,针对乌鸦个体过早陷入局部最优和收敛较慢等缺陷,引入Lévy飞行和差分策略;最后,通过实验确定了感知概率和飞行长度的合理取值以及差分策略的选择。对四类大规模D{0-1}KP实例的计算结果表明:LDECSA非常适合求解大规模D{0-1}KP,能得到满意的近似解。