单纯形法的改进萤火虫算法及其在非线性方程组求解中的应用

萤火虫算法(FA)是一种基于群体搜索的启发式随机优化算法,其模拟自然界中萤火虫利用发光的生物学特性而表现出来的社会性行为。针对萤火虫算法存在着收敛速度慢、易陷入局部最优、求解精度低等不足,利用单纯形法局部搜索速度快和萤火虫算法全局寻优的特点,提出一种基于单纯形法的改进型萤火虫算法(SMFA)。通过对标准测试函数以及非线性方程组的实验仿真,并与其他算法进行的对比分析表明,改进后的算法在函数优化方面有较强的优势,在一定程度上有效地避免了陷入局部最优,提高了搜索的精度。

一种小规模多种群布谷鸟算法

针对布谷鸟算法后期收敛速度慢、计算精度不高等不足提出一种小规模多种群改进方法。将这种方法运用在基本布谷鸟算法CS(Cuckoo Search)和自适应步长布谷鸟算法(ASCS)中,改进后的算法分别称为小规模多种群布谷鸟算法MPCS(Small-scale and multi-population cuckoo search algorithm)、小规模多种群自适应步长布谷鸟算法MPASCS(Small-scale and multi-population cuckoo search with self-adaptive step)。通过8个标准测试函数进行测试,实验结果表明改进后的算法比改进之前的算法有更快的收敛速度、更高的计算精度和收敛成功率。

改进的萤火虫优化算法求解Van Genuchten方程参数

Van Genuchten方程是应用最广泛的土壤水分特征曲线方程,该方程的关键是4个参数的取值。为了精确地求解这些参数,引入萤火虫算法进行求解,提出了一种基于生物寄生行为的人工萤火虫优化算法(GSOPB)。该算法将萤火虫群分为寄生群和宿主群两个种群,两种群间隔一定的迭代次数相互交换部分萤火虫;淘汰宿主群中适应度较差的一半萤火虫,以体现"优胜劣汰"的生物进化法则。标准测试函数的仿真结果表明了GSOPB算法的有效性;对Van Genuchten方程参数的优化结果表明,GSOPB算法的求解精度优于其他方法,可以作为求解Van方程参数的新方法。

求解0-1背包问题的萤火虫算法

将贪心策略和变异策略与萤火虫算法相结合,提出一种求解0-1背包问题的贪心萤火虫算法。通过增加贪心策略和变异策略,在一定程度上能使萤火虫跳出局部极值,提高算法的性能。通过对多个实例的仿真,将该算法与其它算法如贪心遗传算法、贪心微粒群算法进行对比,对比结果表明,该算法在求解0-1背包问题上具有更强约束处理能力和快速收敛效果。

一种协作的萤火虫算法在聚类问题上的应用

将协作搜索机制引入到萤火虫算法中,通过协作搜索机制在一定程度上能使萤火虫跳出局部极值,从而提高算法的寻优性能。通过对多个UCI数据集的仿真实验,并与其他算法,如K-均值算法、人工蜂群算法和粒子群算法进行对比。实验结果表明:基于协作的萤火虫聚类算法在聚类分析方面较这些算法具有更好的效果。

自适应布谷鸟算法及其在化工优化中的应用

动态优化问题广泛存在于化工自动控制过程中,对其求解是化工过程工业发展的一个不可忽视的环节。群智能算法求解此类优化问题时不可避免地存在后期收敛速度慢、求解精度的不高等不足,这一直是一个研究热点。针对新兴的布谷鸟算法与以上问题,提出一种变步长自适应布谷鸟搜索算法(VSACS),将基本布谷鸟搜索(CS)算法中的随机步长改进成根据迭代次数自适应调整的步长。通过15个标准测试函数的测试,结果验证了改进的算法有较快的收敛速度和较高的求解精度。最后将改进的算法用于批示反应器、管式反应器、生物反应器等3个典型的化工动态优化问题中,获得了满意的实验结果,同时也进一步表明该算法的有效性。

基于Predator-Prey行为的萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解函数全局最优值时,存在着易陷入局部最优、收敛速度慢和求解精度低等问题,提出了1种基于生物捕食-被捕食(Predator-Prey)行为的双种群GSO算法(GSOPP)。该算法通过引入种群间的追逐与逃跑以及变异等策略加快了收敛速度,且能获得精度更高的解。最后,通过对8个标准测试函数进行测试,结果表明,改进后的GSOPP算法比基本GSO算法有更优的性能。

模拟生物理想自由分布模型的萤火虫算法

通过分析生物在觅食行为中选择资源斑块的理想自由分布模型,提出1种模拟生物理想自由分布模型的萤火虫算法(IFDGSO)。该算法将萤火虫群中几个不重叠的个体最优位置的适应度视为资源斑块的食物数量,根据理想自由分布模型随机分配相应数量的萤火虫到每个资源斑块中,间隔一定的迭代次数,将各资源斑块的萤火虫重新组合,并重新随机分配。标准测试函数的仿真结果表明,改进后的IFDGSO算法比基本GSO算法有更优的性能。将IFDGSO算法用于解决伸缩绳设计和焊接条设计这2个典型的工程约束优化问题,结果表明,该方法具有收敛速度快、优化精度高、稳定性好的特点,具有较好的全局寻优能力。

单纯形法的布谷鸟搜索算法及其在约束优化问题中的应用

为求解约束优化问题,针对布谷鸟搜索算法(CS)后期收敛速度慢,求解精度不高等不足,利用单纯形法局部搜索能力强的特点,提出了基于单纯形法的布谷鸟搜索算法(SMCS)。算法首先用CS算法进行全局搜索,再用单纯形法进行局部搜索。10个标准测试函数的实验结果表明,SMCS算法相对于CS算法有更强的寻优能力,再将算法用于求解减速器设计、伸缩绳设计、焊接条设计等约束优化问题。实验结果表明,CS算法和SMCS算法均能求出比其他文献更优的解,且SMCS算法求出的解更优、稳定性更强。