混合多策略改进的樽海鞘群算法及其应用

针对标准的樽海鞘群算法(salp swarm algorithm, SSA)在寻优过程中易出现局部最优和收敛速度慢等问题,提出一种混合多策略改进的樽海鞘群算法(ISSA)。利用佳点集策略生成初始种群,使个体均匀分布于搜索空间;将反向学习的思想融入到领导者位置更新中,提高算法的搜索精度;加入自适应t分布,利用迭代次数iter作为其自由度参数,改善算法的全局探索能力;引入精英反向学习,筛选更好的种群,避免陷入局部最优。通过一组基准函数和Wilcoxin秩和检验来检测改进算法的性能,实验结果表明,改进算法的探索能力和优化精度都得到明显改善且算法之间存在显著差异,通过实际机械设计案例进一步验证ISSA算法的有效性。

多策略增强型蛇优化器的避障路径规划

针对蛇优化器(SO)在机器人路径规划问题求解中存在初始种群多样性不足、前期全局寻优能力弱、后期收敛精度低、容易陷入局部最优等问题,提出一种用于机器人路径规划的多策略增强型蛇优化器(MSESO)。采用佳点集方法对蛇种群进行初始化,增加初始种群多样性,使种群对搜索空间的覆盖更全面;引入两个振荡因子平衡全局搜索与局部开发的过程,并动态更新搜索范围;融入自适应精英反向学习策略充分利用种群有效信息来提高种群质量,增大种群进一步逼近最优解的可能性,加快算法收敛速度和改善收敛精度。将MSESO应用于机器人路径规划,首先开展消融实验来验证改进策略的有效性,接着在不同复杂程度的地图开展MSESO与其他算法的寻路性能对比实验,验证改进算法的优越性。消融实验结果显示,MSESO提出的改进策略均能有效地提升路径规划性能;对比实验结果显示,MSESO的平均路径长度、路径长度方差、平均迭代次数均优于对照组算法,验证了MSESO在路径规划中的鲁棒性和优越性。

基于多策略融合鹈鹕优化算法的特征选择方法

针对鹈鹕优化算法在求解问题时存在随机性的缺陷,提出了一种基于多策略融合鹈鹕算法的特征选择方法.首先,采用佳点集理论对种群进行初始化,替代原鹈鹕算法中的随机策略,使得种群分布均匀,提高了遍历性;其次,利用反向差分进化算法在每一轮更新迭代后,对种群个体进行反向优化选择,从而提高全局搜索性能;采用自适应t分布变异策略来扰动最优解,防止其陷入局部最优.选择了6个标准测试函数进行模拟.实验结果证明,改进后的算法比其他算法能更加有效地选取最优特征,并提高分类准确率.

应用佳点集的混合反向学习人工鱼群算法

为了改善人工鱼群算法求解精度较低、容易过早收敛的弱点,提出了一种应用佳点集和反向学习的人工鱼群算法。改进算法在迭代中对当前种群中部分优质个体执行一般动态反向学习,生成它们的反向种群,引导种群向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。当种群的拥挤程度超过阈值λ时,利用佳点集机制对大部分个体重新初始化,以帮助算法脱离局部最优的约束。在六个Benchmark函数上的实验表明,该算法收敛速度快、求解精度高,适合求解函数优化问题。

求解货郎担问题(TSP)的佳点集遗传算法

文章针对求解货郎担问题（ＴＳＰ），给出了一种佳点集遗传算法。通过对ＣＨＮ１４４实例的仿真求解，取得了令人满意的结果，可以看出该算法不仅提高了求解的效率和精度，还有效地避免了“早熟”现象。

一种基于佳点集遗传算法的QoS组播路由选择方法

QoS组播路由选择是通信网络多点路由优化问题的重要部分,已被证明是NP-complete问题。该文针对目前QoS路由算法中存在的一些问题提出了一种新的算法,其核心是佳点集遗传算法。该算法首先通过预处理简化问题,而后采用遗传算法求解:编码采用Prüfer树结构,变异和交叉概率自适应选择。仿真结果表明,该算法是有效的、稳定的,具有较强的实用性。

基于佳点集遗传算法求解Job-shop调度问题

1.介绍 Job-shop调度同题(JSSP)是极为困难的带约束组合优化问题,是NP难的.典型的Job-shop调度问题可描述为n个工件要在m台机器上加工,每个工件有其特定的加工工序,每道工序加工时间已知,并符合以下假设[1]:

基于分解多目标进化的椭圆定日镜场布局

针对塔式太阳能热电站中的定日镜场布局多目标优化问题,将基于分解的多目标进化算法(MOEA/D)应用于定日镜场布局领域,提出了基于改进的MOEA/D多目标定日镜场布局优化算法(MOEA/D-HFL)。首先建立了以镜场年均综合光学效率和镜场占地面积为目标的椭圆形定日镜场优化模型,接着将基于佳点集和反向学习的初始种群生成策略、目标函数稳定归一化机制以及动态遗传交叉分布指数引入MOEA/D用于求解该问题,获得了定日镜场布局问题的Pareto前沿,并利用模糊集理论获得了最优折中解。为验证所提算法的性能,将MOEA/D-HFL算法与NSGA-Ⅱ和基本MOEA/D对比,仿真结果证明了MOEA/D-HFL在多目标定日镜场布局问题上的高效性与准确性。

佳点集遗传算法在求函数最大值中的应用

在库存管理决策、供应链协调、业务数据特征选择等最优化理论研究中,佳点集遗传算法可有效地帮助解决复杂模型化函数求最大值问题,在研究佳点集遗传算法的基础上,结合实例给出了一个算法模型实践。

佳点集遗传算法的应用

本文利用数论中的佳点集理论和方法 ,给出了佳点集遗传算法。将佳点集GA算法应用于求解几类典型的组合优化问题 ,并与传统GA算法进行比较 ,可以看出该算法不仅提高了求解的效率和精度 ,还有效地避免了“早熟”现象。

基于佳点集遗传算法的Flow Shop调度问题求解

利用数论中的佳点集理论和方法,结合传统的遗传算法来求解flow shop问题。算法的应用结果显示了该方法求解问题的较好性能,大大地改善了SGA的求解质量。

一种基于佳点集遗传算法的物流配送网络优化

首先根据实际问题分析了物流配送网络优化模型的各个关键组成部分,包括优化目标、决策变量和约束条件,并针对目前物流配送网络优化算法中存在的一些问题提出了一种新的算法,其核心是佳点集遗传算法。该算法编码采用prufer num ber结构,变异和交叉概率自适应选择。

自适应引导进化遗传算法

该文提出一种自适应引导进化遗传算法。算法中采用佳点集方法产生初始种群,结合保留精英个体策略,对种群进行分割,各子种群并行交叉变异,且其中一个子种群为随机产生的。为提高算法收敛速度,分别对各子种群中较优个体进行优秀基因位统计,据此对其它个体采取一种自适应引导变异操作。通过将算法运行过程建模为有限齐次马氏链,证明了算法的全局收敛性和收敛快速性。实验结果表明,自适应引导进化遗传算法较其它的遗传算法在收敛速度和准确度上都有较大提高。

基于佳点集遗传算法的支持向量机的参数选择

支持向量机(Support Vector Machine,SVM)的参数选择一直缺乏很完善的方法,很大程度上限制了它的应用。为了获得较好的SVM参数,提出了基于佳点集遗传算法的参数选择方法,利用佳点集遗传算法对遗传算法中的交叉操作进行了重新设计,减少了遗传算法的收敛时间并且提高了遗传算法的精度,从而确保了SVM参数选择的准确性。通过数值实验表明由该方法所得的支持向量机可以在一定程度上自动地选择参数,具有一定的推广意义。

基于IOLBBO算法的水轮机非线性模型参数辨识

为提高考虑弹性水击模型的水轮机系统非线性模型参数辨识的精度、速度、稳定度,采用改进正交学习生物地理学算法(IOLBBO)对该模型进行参数辨识。IOLBBO利用佳点集方法的遍历性,初始化栖息地特征变量;引入精英保留策略,提高算法运行效率;融合正交学习(OL)策略,提高算法全局寻优能力。基于某水轮机动态试验数据的参数辨识计算及对比分析,表明IOLBBO算法可用于水轮机系统非线性模型参数实测辨识,与GA、PSO、QPSO、BBO算法相比,收敛速度更快、参数辨识精度更高、算法更稳定,为电力系统的参数辨识提供了一种新方法。

基于维度变化的萤火虫优化算法

针对标准萤火虫算法在高维问题上收敛速度慢、寻优精度低等缺陷,提出了一种基于维度变化的改进萤火虫算法。首先,采用佳点集原理初始化萤火虫种群提高初始解的质量;其次,动态调整步长因子a以平衡算法的全局寻优和收敛速度。最后,改变原始算法的位置移动公式,对最优解进行基于维度的变化以提高寻优精度。通过5个经典测试函数的测试表明,改进的算法不仅收敛速度快而且寻优精度高。

结合重心反向变异的飞蛾扑火优化算法

针对经典飞蛾扑火优化算法(MFO)在寻优过程中容易存在早熟及寻优精度低等问题,本文提出一种改进型飞蛾扑火优化算法(IMFO)。首先,使用佳点集初始化种群,使得初始种群分布更具遍历性;其次,引用惯性权重更新飞蛾位置,平衡算法的开发和探索能力;最后,采用重心反向变异策略对位置进行变异,跳出局部最优。选取8种测试函数进行测试,仿真结果表明:IMFO算法具有更快的收敛效率、更强的全局寻优能力和鲁棒性。

一种用于求解约束优化问题的改进海洋捕食者算法

约束优化问题普遍存在于各科学和工程领域中,研究该类型问题的求解方法具有重要意义。在基本海洋捕食者算法的基础上,首先引入ε约束法,将算法的适用领域拓展到约束优化问题,然后通过引入基于佳点集理论的种群初始化方法、一般反向学习策略和基于Logisitic混沌映射的局部强化搜索策略,进一步提高了算法的寻优性能,从而构建了一种用于求解约束优化问题的新算法。

一种基于教与学的混合灰狼优化算法

针对灰狼优化算法(GWO)存在收敛精度不高、易陷入局部最优的不足,提出一种基于教与学的混合灰狼优化算法(HGWO).首先,采用佳点集理论进行种群初始化,提高初始种群的遍历性;其次,提出一种非线性控制参数策略,在迭代前期增加全局搜索能力,避免算法陷入局部最优,在迭代后期增加局部开发能力,提高收敛精度;最后,结合教与学算法(TLBO)和粒子群优化算法,修改原位置更新公式以优化算法搜索方式,从而提升算法的收敛性能.为验证HGWO算法的有效性,选取9种标准测试函数,将HGWO算法、GWO算法以及其他群体智能优化算法和其他改进GWO算法进行仿真实验.实验结果表明,所提出的HGWO算法性能优于GWO算法和其他群体智能优化算法,且在改进算法中具有一定优势.