多策略改进的蜣螂优化算法

为了解决蜣螂优化算法(Dung Beetle Optimizer,DBO)收敛精度低、容易陷入局部最优等问题,提出了一种名为多策略改进蜣螂优化算法(ImprovedDung Beetle Optimizer,IDBO).首先,引入Circle混沌映射策略,旨在提高和改善初始解的多样性.其次,为了避免算法陷入局部最优,引入了精英存档策略,用于蜣螂位置的更新,从而提升算法的局部寻优能力.最后,采用Lévy飞行策略,旨在提高种群多样性,使算法能够跳出局部最优.在六种不同类型的基准测试函数上仿真,并对实验结果进行数值分析,改进后的IDBO算法在解决高维复杂问题时具有精度高、收敛速度快、鲁棒性强等优势.

用于土壤分层电阻率模型反演的人工蜂群结合混沌搜索算子及混沌算法

土壤结构参数的测量与反演是接地设计中的重要环节。为此基于求解土壤分层模型电位分布的高阶复镜像法以及土壤模型结构反演的原理,开发了基于直接搜索法的土壤分层结构反演算法。进而在人工蜂群算法的基础上,加入混沌搜索算子和混沌池,提出了1种用于土壤分层结构反演的混沌池人工蜂群算法,增强了反演算法的局部搜索能力和全局搜索能力。计算表明,较用于反演土壤分层结构的遗传算法,提出的算法拥有更小的反演误差,最大可以将反演的均方根误差缩小到遗传算法的1/10。通过对比几种基于直接搜索的算法,证明了该算法在收敛速度以及寻优能力上的优势,比遗传算法更加适合作为土壤结构反演的算法。

基于遗传交叉和多混沌策略改进的粒子群优化算法

为有效改进基本PSO算法的搜索能力,提出了一种基于遗传交叉和多混沌方式改进的粒子群算法。该算法为获得比当前群体更优的最优解,采用了以下四种措施:其一,对当前群体中的最优解和每个粒子最优解进行遗传交叉操作;其二,用混沌系统动态地调整PSO算法的惯性权重;其三,对整个解空间进行混沌全局搜索;最后,对当前群体中最优解进行多维和单维的混沌局部搜索。仿真实验结果表明:与其他三种算法相比,提出的算法在解决八个整数和混合整数非线性规划问题时不仅收敛速度最快,而且具有100%的成功率。

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法(CADE),该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。

基于混沌搜索的优化方法的研究进展

混沌是非线性系统中的一种较为普遍的现象,混沌现象具有随机性、遍历性和规律性的特点。在优化设计领域中,混沌现象的遍历性特点可以作为搜索过程中避免陷入局部极小的一种优化机制。目前混沌已经成为一种新颖的全局优化技术,基于混沌搜索的优化方法的研究受到了人们的重视。通过改进混沌搜索方法本身或是结合模拟退火、遗传等算法,优化性能获得提高。该文在大量文献的基础上,对基于混沌搜索的优化方法及其研究进展进行了总结。

求解CVRP的改进混合蛙跳算法研究

为了求解带有容量约束的车辆路径问题(CVRP),在建立CVRP数学模型的基础上,提出了改进的混合蛙跳算法(SFLA),并设计了新的初始群体构造方法。改进后的SFLA采用实数编码方式,融入自适应差分扰动机制及混沌局部搜索策略到局部搜索过程中,在保持SFLA全局收敛性的同时,增强了算法跳出局部最优解的能力,加快了算法收敛速度。通过与其他三种算法进行对比实验,结果表明了改进的SFLA在求解CVRP上的有效性和顽健性。

基于反馈和混沌变异的自适应进化策略

为了提高进化策略的搜索精度和全局搜索能力,提出了一种基于反馈和混沌变异的改进进化策略,将各代当前最优搜索结果反馈到变异步长的更新公式中,通过对变异算子中随机数方差的调整使进化策略的变异步长随搜索过程自适应地变化,同时根据混沌运动具有遍历性的特点,利用混沌变异产生个体,保证种群中的部分个体在搜索后期仍保持较大的跳出局部极小的能力,从而达到提高算法全局搜索能力和搜索精度。为了对比改进后进化策略与常规进化策略的优化效果,利用三个测试函数对两种进化策略进行了仿真测试,测试结果表明,与常规进化策略相比,提出的基于反馈和混沌变异进化策略具有更高的搜索精度和更强的全局搜索能力。

一种采用双混沌搜索的类电磁机制算法

针对现有算法中初始种群随机性强、局部搜索能力差、移动公式效率低等问题,提出了一种改进的类电磁机制算法.结合反向学习理论,引入带扰动因子的反向学习机制构造初始种群;提出了一种双混沌优化机制用于局部搜索;运用改进后的公式计算粒子之间的合力;设计了一种自适应移动算子来更新粒子.实验结果表明,改进后的算法具有更好的收敛效果和更高的求解精度.

基于竞争-协作式信息交互的并行混沌优化算法研究

针对混沌优化对初始值敏感、搜索精确解效率低等不足,研究一种基于竞争-协作式信息交互的并行混沌优化(ICPCO)算法.ICPCO算法采取并行混沌迭代机制,在每一次迭代搜索之后,根据并行优化解分布状况不同,分别采取竞争或协作式信息交互再次寻优.描述ICPCO算法思想和实现步骤,分析其收敛性和优化性能.仿真实验表明,ICPCO算法不仅具有全局搜索能力,而且以信息交互方式提高了优化效率和搜索精度,算法收敛,稳定性增强.

全局最优值引导的混沌蜂群算法

针对蜂群算法局部搜索能力差及容易陷入局部最优值的缺点,提出具有全局最优值引导的混沌蜂群算法。使用混沌序列初始化食源,增加初始解的随机性和多样性;观察蜂采用具有全局最优值引导的搜索策略,提高算法的收敛速度和全局搜索能力;在观察蜂搜索结束后,选取最优食源,对其进行混沌局部搜索,防止算法早熟,提高算法的局部搜索能力。经典函数的测试结果表明,相比其它算法,该算法能有效避免陷入局部极值,提高了算法的优化精度和收敛速度。

求解高维优化问题的扰动混沌蚁群优化算法

针对新型混沌蚁群优化算法(CAS)求解高维优化问题时存在的计算复杂和搜索精度低问题,提出了扰动混沌蚂蚁群(DCAS)算法。通过建立蚂蚁最佳位置更新贪婪规则和随机邻居选择方法有效地降低了计算复杂度;另外引入自适应扰动策略改进CAS算法,使蚂蚁增强局部搜索能力,提高了原算法的搜索精度。通过一组高维测试函数对DCAS算法的性能进行了高达1 000维的仿真实验。测试结果表明,新算法对复杂的高维优化问题可行有效。

具有混沌局部搜索策略的差分进化全局优化算法

提出了一种具有混沌局部搜索策略的差分进化全局优化算法(CLSDE),它是在每一代中通过DE/best/1/bin形式的差分进化算法找到最佳个体,然后在最佳个体的附近用混沌的方法进行局部搜索。8个基本的测试函数优化结果表明:若误差函数精度为10-10,CLSDE寻优成功率比DE和SACDE都要高,而且收敛速度比DE和SACDE都要快。

复合混沌-人工鱼群混合算法的改进及性能研究

针对人工鱼群算法在寻优过程中接近最优点时收敛速度下降而难以得到精确解,优化复杂问题时易陷入局部极值的缺点,提出了一种复合混沌搜索技术与改进人工鱼群算法相结合的混合算法。该算法采用更具遍历性的组合映射产生复合混沌局部搜索方法,来避免人工鱼长时间陷入局部极值区域,从而更加精确地达到全局最优点;同时,对人工鱼引入反馈-吞食行为进行改进,改进的人工鱼群算法降低了优化后期的复杂度,并提高了优化精度,保证了收敛效率。实验结果表明,在相同参数条件下,该混合算法的收敛速度、优化精度和全局寻优能力均优于基本人工鱼群算法,实例验证了算法的有效性。

基于动态全局搜索和柯西变异的花授粉算法

针对基本花授粉算法(FPA)收敛速度慢、寻优精度低以及容易陷入局部最优的缺点,提出了一种基于动态全局搜索和柯西变异的花授粉算法DCFPA。利用混沌映射增强花粉种群初始分布的随机性和均匀性,在全局授粉过程中,引入全局平均最优花粉位置和动态权重递减因子共同实现花粉个体位置的更新,牵引算法朝着正确的搜索方向进行,避免算法早熟收敛,最后利用Cauchy变异,增加种群多样性,帮助算法跳出局部最优。对6个测试函数进行仿真实验表明,DCFPA算法比FPA具有更好的全局优化能力,提升了算法的收敛速度与求解精度;与相关的改进算法比较结果也表明,DCFPA整体上也具有更好的优化性能。

带交尾行为的混沌人工萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解全局优化问题存在易陷入局部极小值、收敛速度慢和求解精度不高等缺陷,首先对基本萤火虫优化算法采用混沌搜索技术进行初始化,使算法获得质量较高且分布较均匀的初始解,在此基础上再引入交尾行为,提出了一种带交尾行为的混沌萤火虫优化算法(MCGSO)。该算法在一定程度上防止了基本GSO算法易陷入局部最优,且能够获得精度更高的解甚至可达到理论最优解。最后,通过对8个标准测试函数进行测试,测试结果表明,带交尾行为的混沌萤火虫优化算法比基本萤火虫优化算法有更高的收敛速度和求解精度。

基于双混沌机制粒子群算法的织物图像疵点检测研究

为了提高织物图像疵点检测的效果,采用双混沌机制粒子群算法。首先通过把粒子群划分为2个不同的种群,且保持每个种群中的粒子个数和维度不变,一个种群用全局搜索方法,另外一个种群用局部寻优方法;在全局搜索方法中采用立方混沌模型映射搜索,局部寻优中采用Logistic map混沌模型映射寻优,增加判断系统混沌和稳定的规则;最后建立织物图像疵点检测模型和算法流程。实验仿真显示该算法对织物图像能准确地检测出疵点,疵点检出率、误检率和消耗时间指标较优。

面向工程全局优化的混沌优化算法研究进展

近年来,基于混沌的初值敏感性、伪随机性、遍历性以及自相似分形等非线性动力学特性所发展的混沌优化方法,是一种有潜力的工程全局优化新工具,已广泛应用于科学与工程技术的各学科领域。根据混沌优化方法的发展历程,以算法基本思想和工程应用研究状况为重点,评述了混沌神经网络优化方法、第一类混合混沌优化算法(基于混沌搜索)、第二类混合混沌优化算法(混沌序列代替随机序列)以及混沌分形优化四种主要混沌优化算法。混沌映射最早被引入神经网络,发展了混沌神经网络优化方法,可解决复杂的组合优化等全局优化问题。遗传算法及粒子群等启发式随机算法虽具全局搜索能力,但易出现早熟并陷入局部最优。然后,出现了混沌搜索的概念,研究者将其嵌入启发式算法建立了第一类混合混沌优化算法,可有效克服原启发式算法早熟收敛的缺点。随后,利用混沌映射产生的混沌序列代替启发式算法中的随机参数形成了第二类混合混沌优化算法。混合混沌优化算法有益于实现快速全局收敛和提高计算精度。最后,利用混沌分形特性,从分形理论出发提出一类新颖的混沌分形优化算法,可搜索到优化问题的所有全局最优解。此外,对混沌优化算法研究的几个发展方向进行了展望,诸如加强混沌优化算法的参数设计、处理大规模优化、多目标优化问题以及使用代理模型等。

多策略混合的改进麻雀搜索算法

针对基本麻雀搜索算法(sparrow search algorithm,SSA)在处理复杂优化问题时存在的搜索空间不足、收敛速度慢和易陷入局部最优等问题,提出一种多策略混合的改进麻雀搜索算法(improved sparrow search algorithm based on multi-strategy mixing,IMSSA)。利用Sine混沌映射初始化麻雀个体位置,丰富种群多样性,解决种群分布不均匀、搜索空间不足等问题;引入带有惯性权重的多样性全局最优引导策略来加快收敛速度,调控算法的全局探索与局部开发能力;采用双样本学习策略使算法跳出局部最优,提高种群对解空间的搜索能力。通过测试函数对算法进行仿真实验,验证三种改进策略的有效性,并且进行Wilcoxon秩和检验和时间复杂度分析,结果表明IMSSA算法的各项性能均有显著提升。最后用算法优化支持向量机参数,建立轴承故障诊断模型,进一步证明了改进策略是可行有效的。

一种基于混沌蚂蚁群算法的系统参数辨识方法

提出了一种基于混沌蚂蚁群算法的控制系统辨识方法,这种方法在给定控制系统数学模型的条件下,将控制系统的参数辨识问题转化为参数的寻优问题,之后利用混沌蚂蚁群算法的全局优化搜索能力对问题进行求解。以典型控制系统为例进行了计算机仿真,实验结果表明,使用混沌蚂蚁群算法可以得到很好的参数估计结果。

基于改进的狼群算法的新型广义熵图像分割

为了更准确地分割出图像中需提取的目标,提出改进的狼群算法与新型广义熵结合实现图像分割。在狼群算法游走行为中引入周期性随机扰动策略动态调整算法权重,并在狼群算法攻击行为中引入混沌全局搜索,将此改进的狼群算法与新型广义熵结合完成图像分割,用峰值信噪比作为图像分割评价指标对结果进行验证。结果表明,该算法能更准确地分割出图像中需提取的目标,比基本狼群算法与新型广义熵结合的分割结果更准确清晰。