透镜成像反向学习的精英池侏儒猫鼬优化算法

侏儒猫鼬优化算法(dwarf mongoose optimization,DMO)是新提出的一种元启发式算法,该算法具有较强的全局探索能力和稳定性,但由于原始算法中仅依靠雌性首领带领整个猫鼬种群进行搜索,会产生收敛速度较慢、易陷入局部最优以及探索阶段与开发阶段之间的平衡较差等问题。针对上述问题,提出一种融合透镜成像反向学习的精英池侏儒猫鼬优化算法(improved dwarf mongoose optimization,IDMO),采用透镜成像反向学习策略,避免算法在迭代过程中陷入局部最优,增强算法的探索能力;在阿尔法组觅食时引入精英池策略,提高了算法的收敛精度,进一步增强算法探索能力。通过基准测试函数进行实验,表明IDMO算法具有良好的寻优性能和鲁棒性,且算法收敛速度得到显著提升。通过对汽车碰撞优化问题的求解,进一步验证了IDMO算法具有良好的适用性和有效性。

融合联合反向学习与宿主切换机制的䲟鱼优化算法

䲟鱼优化算法(ROA)是2021年提出的元启发式优化算法,其模拟了海洋中䲟鱼寄生依附宿主、经验攻击和宿主觅食的行为。ROA的结构简单且易于实现,但全局性稍显不足,易导致算法收敛速度慢甚至后期难以收敛的现象。针对上述问题,在探索阶段加入宿主切换机制,引入新宿主白鲸,提高原算法的探索能力;同时加入联合反向学习策略,增强了算法跳出局部最优的能力,进一步提高了算法的综合优化性能。通过以上改进,提出了一种融合联合反向学习与宿主切换机制的䲟鱼优化算法(IROA)。为了验证IROA的性能与改进优势,将IROA与原始ROA、6种典型的原始算法以及4种关于ROA的改进算法进行对比。通过CEC2020标准测试函数的实验结果表明,IROA具有更强的寻优能力和更高的收敛精度;最后针对汽车防撞性设计问题的求解,进一步验证了IROA的优势和工程适用性。

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。

基于混沌宿主切换机制的?鱼优化算法

鱼优化算法(ROA)的寻优过程包括依附宿主、经验攻击和宿主觅食3种模式,它的探索能力与开发能力较强;但原始算法通过经验攻击切换宿主,导致探索与开发之间平衡较差、收敛较慢且容易陷入局部最优。针对上述问题,提出了一种基于混沌宿主切换机制的改进鱼优化算法(MROA)。首先,设计一种新的宿主切换机制,以更好地平衡探索和开发的能力;然后,为了使鱼初始宿主多样化,引入Tent混沌映射进行种群初始化,进一步优化算法的性能;最后,将MROA与原始ROA和爬行动物搜索算法(RSA)等6种算法在CEC2020测试函数上进行对比实验。分析实验结果可知,MROA求得的最优适应度值、平均适应度值和适应度值标准差分别比ROA、RSA、鲸鱼优化算法(WOA)、哈里斯鹰优化(HHO)算法、精子群优化(SSO)算法、正余弦算法(SCA)和乌燕鸥优化算法(STOA)平均提高了28%、33%和12%。基于CEC2020的测试结果表明,MROA具有良好的寻优能力、收敛能力和鲁棒性;同时,通过求解焊接梁设计问题和多片式离合器制动器设计问题,进一步验证了MROA在工程问题中的有效性。

改进算术优化算法的无线传感器网络覆盖

针对算术优化算法在无线传感器网络部署中易陷入局部最优、搜索能力弱和收敛精度不足等问题,提出一种改进的算术优化算法(improved arithmetic optimization algorithm,IAOA)来解决上述问题.首先,融合随机反向学习策略增加种群的多样性,其次引入正弦控制因子改进数学函数加速器,使探索与开发之间更平衡,增强了算法的寻优能力.仿真实验结果表明,改进后的算法具有更快的收敛速度和更高的收敛精度,有效提高了无线传感器网络的覆盖率.

基于改进黏菌算法的无线传感器网络覆盖

为了解决无线传感器网络覆盖中节点部署成本高和有效覆盖率低等问题,提出了一种基于改进黏菌算法(Improved Slime Mould Algorithm,ISMA)的无线传感器网络覆盖方法。通过改进参数p更好地平衡了开发和探索能力,通过引入混沌精英突变策略和贪婪选择更新了最优位置,避免了算法对最优解的过度依赖,提高了算法跳出局部最优的能力。仿真实验证明:ISMA具有更好的寻优能力,能有效减少节点冗余,提高无线传感器网络的覆盖率。