基于病毒溯源优化思想的元启发式优化算法

为提高当前元启发式算法的优化精度和收敛性能,模拟病毒溯源过程的优化思想,文章提出一种元启发式病毒溯源多目标优化算法。给出更早感染者、最早感染者、误差最优解和算法性能评价指标的定义,构造追踪方向、追踪指令和追踪范围启发式更新算法,建立具有目标偏好的感染度函数,由此设计具有快速精准搜索能力的启发式追踪算子和筛查算子。通过17个单目标和多目标测试函数优化实验验证了所提算法在优化精度、优化速度和平均误差上均优于参与比较的其他6个元启发式算法,为复杂优化问题的求解提供了一种新的有效方法。

基于改进自组织临界优化的元启发式灰狼优化算法

针对新型元启发式算法灰狼优化(GWO)算法在寻优过程中易陷入局部最优这一问题,提升该算法获取全局最优解的能力。介绍了该算法的基本原理和建模过程,并在此基础上,结合自组织临界性理论的优点,提出了改进的极值优化(IEO)算法,将IEO融入到GWO模型中,构建基于自组织临界(SOC)优化的改进GWO算法(IEOGWO)。通过与传统优化算法对于23个基准测试函数在寻优性能上的综合比较,验证了IEO-GWO模型在获取全局最优解性能上的优越性。

基于元启发式算法的凸轮从动机构优化设计研究

针对传统的凸轮从动机构设计方法不能满足凸轮从动机构多因素和多层次的设计要求,提出用元启发式算法对凸轮从动机构进行设计优化。构建凸轮从动机构简化示意图,采用元启发式算法实现凸轮从动机构的设计优化,并对优化效果进行仿真验证。分析凸轮从动机构的结构,建立凸轮从动机构数学模型;定义3个优化目标,同时添加8个约束条件。开发元启发式优化算法蚂蚁优化器,编写相应代码。采用MATLAB软件对凸轮从动机构进行仿真,与传统计算法计算结果进行对比和分析。仿真结果表明:采用元启发式算法优化后,机构尺寸最大减小9.5%、提升从动机构所需力最大减少2.4%、最大接触应力最大减少12.1%,从动机构位移跟踪误差、速度以及加速度的最大值也大大减少。验证了采用元启发式算法能有效实现凸轮从动结构的设计优化。

基于超参数优化算法的随机森林模型预测奶牛呼吸频率

奶牛呼吸频率是评估环境造成的奶牛热应激程度的重要指标之一。该研究基于随机森林(random forest,RF)算法提出了适用于生产条件下的奶牛个体呼吸频率准确预测模型,为了平衡模型精度与计算效率问题,利用遗传算法(genetic algorithm,GA)、差分进化(differential evolution,DE)算法、粒子群优化(particle swarm optimization,PSO)算法、贝叶斯优化(Bayesian optimization,BO)算法对模型超参数进行优化,并与网格搜索(grid search,GS)下的人工神经网络(artificial neural network,ANN)和极限梯度提升机(extreme gradient boosting,XGBoost)模型进行了对比分析。研究结果表明,使用融合环境参数的修正温湿指数(adjusted temperature-humidity index,ATHI)、时间区域、奶牛产奶量、泌乳天数、身体姿势以及胎次作为输入特征时,基准RF模型的预测性能最佳。在此基础上,4种智能优化算法下的RF模型性能优于GS-ANN和GS-XGBoost,其中BO-RF的综合性能最优,其决定系数、平均绝对误差、平均绝对百分比误差以及均方根误差分别为0.614次/min、7.723次/min、14.4%、9.737次/min,超参数优化耗时约为DE-RF的1/220。特征重要性分析表明,输入因子对奶牛呼吸频率的影响程度不同,ATHI是影响力最高的因子,相对重要性(relative importance,RI)为0.73,其次是时间区域(RI=0.09)和奶牛产奶量(RI=0.07)。研究为奶牛生产、健康评价及牛舍环境精准调控提供了有效方法和基础。

天赋发掘算法:一种新的元启发式优化算法

元启发式优化算法解决复杂多峰函数时普遍存在稳定性较低和易于陷入局部最优的情况,针对这一情况,提出一种新颖的、受现代社会环境下孩子天赋发掘启发的元启发式优化算法——天赋发掘算法(talent discoveral algorithm,TDA)。TDA通过模拟社会各群体各司其职又相互合作发掘孩子天赋的过程,实现最优解的寻找。使用可变维多峰基准函数和固定维多峰基准函数对TDA进行测试,结果表明:与正余弦算法(sine cosine algorithm,SCA)、灰狼算法(grey wolf optimizer,GWO)、鲸鱼算法(whale optimization algorithm,WOA)和粒子群算法(particle swarm optimization,PSO)等相比,TDA算法在解决优化问题时具有更强的全局搜索能力和更高的稳定性。

基于蜣螂优化算法的光伏电池参数辨识

为解决当前光伏电池参数辨识精度低、速度慢、稳定性较差等问题,本文引入Tent混沌映射初始化种群,使初始解尽可能均匀地分布在解空间内;加入Levy飞行策略,更新蜣螂滚球行为时的个体位置,跳出局部最优解,扩大搜索范围;采用自适应t分布和动态选择策略,在更新蜣螂位置时使用以迭代次数为自由度参数的t分布变异算子对进行扰动,增强算法的全局开发能力和局部探索能力,加快收敛速度;提出一种基于蜣螂优化算法的光伏电池参数辨识方法。实验结果表明,对RTC France的单二极管模型、双二极管模型和光伏组件Photowatt-PWP 201模型进行参数辨识,获得的均方根误差分别为0.000 986、0.000 983、0.002 425。本文提出的方法可以更快更精确地辨识出光伏电池参数,且误差小,具有较高的稳定性。

基于混沌映射和莱维飞行扰动的蛇形优化算法

为解决蛇形优化算法收敛速度慢和寻优能力差的问题,提出一种基于改进的Tent混沌映射和莱维飞行扰动的先进蛇形优化算法(ASO)。引入改进Tent混沌映射,提高初始种群的多样性;在蛇群勘探和开发过程中引入自适应概率阈值,平衡算法全局搜索和局部开发的能力;为保证种群进化方向,将莱维飞行扰动和贪心算法相结合,对劣势蛇个体生成更大扰动。通过在9个复杂测试函数上与其它4种元启发式算法进行对比,实验结果表明,先进蛇形优化算法在收敛速度、求解精度以及稳定性方面有较大提高,通过Wilcoxon秩和检验证明ASO与其它算法有明显不同。将ASO算法用于求解弹簧设计优化问题。

求解全局优化问题的SCA-VPPSO算法及其应用

正余弦算法和速度暂停粒子群算法是两个优秀的元启发式算法,用于解决连续全局优化问题。在解决实际问题中,它们始终面临着跳出局部极小的问题。为此,基于二者,提出了一种新的混合搜索算法,称为SCA-VPPSO算法。该算法以速度暂停粒子群算法的搜索框架为基础,将正余弦搜索算子从原先的全维度更新策略转变为部分维度更新策略,并将之用于开发探索上,与速度暂停粒子群算法中的局部搜索行为进行了融合,形成双模式局部探索模式。混合后的SCA-VPPSO算法能够更加有效地平衡局部利用和全局探索,从而增强算法跳出局部最小的能力并获得更好的结果。所提算法与正余弦算法、速度暂停粒子群算法和2个近期发表的优秀算法在CEC2019测试集和一个工程实际应用上进行了性能分析,结果表明所提算法的优化性能有显著提高,扩展了算法的应用范围,为元启发式算法的发展提供了新的混合搜索模式。

融合麻雀搜索算法和柯西变异策略的沙猫群优化算法

针对原始的沙猫群优化算法在迭代后期搜索效率低,容易陷入局部最优的问题,提出了一种多策略改进的沙猫群优化算法(ISCSO).首先,通过融合麻雀搜索算法的搜索机制策略,提高了沙猫靠近和捕获猎物的速度,有效地提升了算法后期的搜索能力.其次,为避免算法出现早熟收敛现象,引入limit阈值判断算法是否陷入局部最优.最后,采用柯西变异策略,改变个体所处位置,提高种群多样性,使算法跳出局部最优.通过在6种不同类型的基准测试函数上进行仿真,对实验结果进行数值分析,结果表明:改进后的沙猫群优化算法在求解高维复杂问题上具有精度高、收敛速度快、鲁棒性强等优势.

群集智能优化算法的典型改进方法综述

元启发式群集智能优化算法通过模拟自然现象或生物行为来寻找问题的最优解,是一类成功且具有竞争力的全局优化方法。本文概述了近几年典型的元启发式群集智能优化算法及其设计原理;详细介绍了其中4类典型改进方法:种群初始化、增添新策略、迭代公式调整、算法混合;对元启发式群集智能优化算法未来的改进和发展进行了展望。

蝗虫优化算法综述

蝗虫优化算法是基于蝗虫觅食行为来模拟优化过程的一种元启发式算法,具有收敛速度快、精度高、简单易实现等特点,广泛应用于解决优化问题和实际工程。首先,介绍蝗虫优化算法的原理及流程;然后,详细论述蝗虫优化算法的研究现状及其在人工智能、金融、医疗、路径规划等领域的应用;最后,对蝗虫优化算法进行总结,指出未来可能的研究方向。

蚁狮优化算法研究综述

蚁狮优化(ALO)算法是通过模拟自然界中蚁狮捕食蚂蚁的狩猎机制而提出的一种新型元启发式算法,广泛应用于各种优化问题,具有全局寻优能力强、收敛精度高、简单易实现等特点。首先,简述ALO算法的原理及流程;然后,阐述ALO算法的多种变体;接着,介绍ALO算法在工程设计、人工智能、计算机科学、电力系统优化、控制系统等领域的应用;最后,对ALO算法进行总结,并提出建议和未来可能的研究方向。

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.

改进灰狼优化算法的研究

针对原始灰狼优化(Grey Wolf Optimization,GWO)算法在寻优过程中存在求解精度欠佳,后期极易陷入局部最优和收敛速度下降等多种问题,文章研究了改进的灰狼优化(Improve Grey Wolf Optimization,IGWO)算法。改进算法从改变参数和搜寻机制入手,采用对灰狼当前最优个体进行混沌扰动的初始化策略和随机控制当前不处于最优解范围个体的跳出局部最优策略,以提高其收敛速度和寻优精度。为验证算法实用性,文章采取9种基准函数测试IGWO算法的可行性,数据结果分析表明,该算法能够明显提高收敛速度和收敛精度,且效果均显著优于其他元启发式算法以及原始的GWO算法,可见在求解最优参数方面,IGWO算法具有较高的应用价值。

应用元启发式算法解决特殊约束的装配线平衡问题

装配线平衡问题不仅影响着产品的装配效率,更影响着产品的装配质量。以某卡车装配线为例,针对现有装配线存在的不合理状况,应用元启发式算法对现有装配线的平衡问题进行研究,通过应用传统启发式规则的第一和第二规则并与随机方法相结合,通过对运算时间的控制,在产生了大量的解的情况下,再通过目标函数来判断备选解的优化程度,确定优化方案。最终达到了对该卡车装配线平衡的目的。

云计算环境中基于改进粒子群优化的任务调度算法

针对云计算环境中的任务调度目的,采用了一种改进的粒子群优化(PSO)初始化方法,该方法将最长作业优先(LJFP)和最小完成时间(MCT)算法用于初始化PSO,通过与其他任务调度算法进行对比试验,得出所提出的LJFP-PSO和MCT-PSO算法在任务调度方面表现更优,能够实现更少的最大完成时间、更短的执行时间、更低的不平衡程度以及更少的总能耗,并且收敛速度可以加快一倍。

基于改进平衡优化器算法的电力消费预测

针对当前用电预测模型预测精度不足的问题,提出一种基于改进平衡优化器算法的电力消费预测方法。首先,在基本平衡优化器中引入自适应搜索机制,以克服其易陷入局部最优的缺陷;其次,使用自适应平衡优化器调节梯度增强回归器的参数;最后,使用平衡优化器改进的优化梯度增强回归器进行电力消费预测。为了验证所提模型的有效性,使用大规模数据集对所提算法进行了测试。结果表明,所提出的电力消费预测模型具有较好的预测准确性和预测稳定性。

基于最邻近和元启发式算法的单位线实时优选

单位线是流域汇流计算的一种重要手段,被广泛地应用于径流模拟和洪水预报工作中。传统的单位线求解方法未能考虑降雨时空分布不均的问题,从而影响洪水预报的精度。尝试采用最邻近算法构建基于前期降雨过程的推荐算法,实现基于流域暴雨质心、净雨强度、净雨时程分布选择用于单位线分析的降雨洪水样本,并利用元启发式算法构建瞬时单位线优化率定模型,实现单位线的实时优选。研究结果表明,所提出的方法能够有效提高汇流计算和洪水预报的精度。

一种多目标量子算术优化算法探究

为更好地解决算术算法中多目标优化问题,提出一种基于档案集的多目标量子算术优化算法并在七个基准函数上进行测试;通过分析测试结果以及与常用的多目标优化方法/多目标粒子群优化算法、快速非支配排序遗传算法和多目标灰狼优化算法相关指标进行比较,表明了该算法优于上述常用的多目标优化算法,并具有较高的收敛速率。

大规模黑箱优化问题元启发式求解方法研究进展

大型复杂工程装备的优化设计通常为高复杂度、高维度的优化问题,即所谓的大规模黑箱优化问题,其特点是目标函数和/或约束函数解析式不可知且设计变量维度很高。近年来,大规模黑箱优化问题在各领域引起了学者们的兴趣,而元启发式算法被认为是求解该问题的有效方法。为此,全面总结了近年来求解该问题的元启发式算法的研究进展,包括使用与不使用分解策略的元启发式算法,以及处理大规模昂贵优化问题的代理模型辅助元启发式算法,并指出了针对此问题的元启发式求解方法未来可能的研究方向。