鲸鱼优化算法研究与应用进展

鲸鱼优化算法WOA是一种根据概率收敛的新型群体智能优化算法,具有原理简单易实现、参数量少易设置和全局与局部开发分别控制易平衡等特点。系统地分析WOA的基本原理和算法性能影响因素,重点论述现有的算法改进策略和算法混合策略的优点及局限性,并阐述了WOA在支持向量机、人工神经网络、组合优化和复杂函数优化等方面的应用与发展。最后,结合WOA的特点及其应用成果,对WOA的发展方向进行了展望。

一种全局搜索策略的鲸鱼优化算法

针对标准鲸鱼优化算法全局搜索能力不足、收敛速度慢等问题,提出一种全局搜索策略的鲸鱼优化算法.在鲸鱼位置更新公式中加入自适应权重,动态调节最优位置的影响力,改善算法收敛速度;使用变螺旋位置更新策略,动态调整螺旋的形状,提升算法全局搜寻能力;引入最优邻域扰动策略,避免算法陷入局部最优解,解决算法早熟现象.在11个标准测试函数上进行仿真实验,结果表明改进后的鲸鱼优化算法相较其余优化算法,具有更高的寻优精度和更快的收敛速度,证明了改进策略的有效性.

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.

基于Powell局部搜索策略的全局优化布谷鸟算法

为了解决布谷鸟搜索算法后期收敛速度慢、求解精度不高、易陷入局部最优等缺陷,提出了一种基于Powell局部搜索策略的全局优化布谷鸟搜索算法。算法将布谷鸟全局搜索能力与Powell方法的局部寻优性能有机地结合,并根据适应度值逐步构建精英种群候选解池在迭代后期牵引Powell搜索的局部优化,在保证求解速度、尽可能找到全局极值点的同时提高算法的求解精度。对52个典型测试函数实验结果表明,该算法相比于传统的布谷鸟搜索算法不仅寻优精度和寻优率有所提高,并且适应能力强、鲁棒性好,与最新提出的其他改进算法相比也具有一定的竞争优势。

基于自适应调整权重和搜索策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)收敛速度慢、收敛精度低、易陷入局部最优的问题,提出一种基于自适应调整权重和搜索策略的鲸鱼优化算法(AWOA).设计一种随着鲸鱼种群变化情况而自适应调整权重的方法,提高了算法的收敛速度;设计一种自适应调整搜索策略,提高了算法跳出局部最优的能力.利用23个标准测试函数,分别针对高维和低维问题进行测试,仿真结果表明,AWOA在收敛精度和收敛速度方面总体上明显优于其他多种改进的鲸鱼优化算法.

一种基于自适应策略的混合鲸鱼优化算法

针对鲸鱼优化算法在函数优化时存在收敛速度慢、易陷入局部最优等问题,提出了一种基于自适应策略的混合鲸鱼优化算法。该算法中先利用蝙蝠算法的局部搜索机制对当前鲸鱼算法最优解进行高斯扰动产生局部新解,再把局部新解放入蝙蝠种群中,根据局部新解的位置优劣更新鲸鱼群位置,达到增强种群多样性、避免过早陷入局部最优的目的;然后利用自适应策略改善平衡算法的全局寻优和局部寻优;最后通过优化鲸鱼搜索路径提升搜索精度。实验仿真结果表明:本文提出的算法的总体寻优性能优于狼群算法、蝗虫算法、标准粒子群算法和标准鲸鱼算法。

一种基于领导者策略的狼群搜索算法

基于狼群捕食行为的特性,提出一种基于领导者策略的狼群搜索算法。该算法思想源于狼群个体之间存在相互竞争,从而推选出狼群中最为精壮的狼作为狼群的领导者,然后在领导者的带领下获取猎物,这样使得狼群能够更加有效地捕获到猎物。狼群在领导者狼的带领下通过不断搜索,捕获猎物,该过程对于优化问题,最终可找到全局最优解。为表明所提出的算法有效和正确性,通过测试标准函数与其他同类算法比较,结果表明该算法无论在收敛速度还是求解精度上都较优,且不易陷入局部极小。

一种随机调整控制参数的鲸鱼优化算法

针对标准鲸鱼优化算法在处理复杂优化问题时出现搜索精度低和易出现早熟收敛等缺点,提出一种随机调整控制参数的改进鲸鱼优化算法(EWOA)。受粒子群优化算法中惯性权重的启发,利用随机分布的方式调整控制参数,以平衡鲸鱼优化算法的全局搜索和局部搜索能力。对当前最优个体执行服从正态分布的变异扰动,以避免算法出现早熟收敛现象。此外,采取佳点集方法替代随机方法产生初始个体以提高算法的全局收敛速度。6个标准测试函数的仿真实验结果表明EWOA能有效处理高维复杂优化问题。

多策略自适应共生生物搜索算法

针对共生生物搜索算法搜索速度慢、收敛精度不高且易早熟的缺点,提出了一种多策略自适应改进算法。首先,根据适应度将种群分为3个群体,每个群体采用不同的搜索策略以实现不同功能。其次,提出了一种基于实时信息反馈的的混合搜索策略,使其搜索策略实现自适应调整。最后,对超边界个体进行变异操作,以增加种群多样性。对14个标准测试函数的仿真测试表明改进算法全局优化能力更强,具有更好的搜索速度和收敛精度。

基于新搜索策略的混合蛙跳算法

混合蛙跳算法(SFLA)具有算法简单、控制参数少、易于实现等优点,但在高维优化问题中算法易早熟收敛且求解精度低。为此,提出一种基于新搜索策略的混合蛙跳算法(NSSFLA)。该算法定义了新的粒子分类标准,将所有青蛙按此标准进行分类,每类青蛙按照相应的位置更新公式进行更新;在迭代过程中,每个青蛙个体根据自身状态动态地调整惯性权重,平衡了算法全局搜索和局部搜索的能力;在全局迭代中借鉴柯西变异优化策略思想,并以停滞代数判断是否对最优个体进行优化,避免了族群陷入局部最优。实验仿真表明,NSSFLA的寻优能力强,迭代次数少,解的精度高,更适合高维复杂函数的优化。

改进麻雀搜索算法在WSNs覆盖优化中的应用

针对无线传感器网络(WSNs)中随机部署传感器节点而造成节点覆盖率低的问题,提出基于改进麻雀搜索算法(SSA)的覆盖优化方法。首先,利用反向学习策略初始化种群,使种群具有多样性;其次,利用鲸鱼算法中的随机搜索策略改进麻雀算法中发现者的更新方式,提高麻雀种群的全局搜索能力;最后,利用萤火虫算法对麻雀个体进行扰动更新,避免算法陷入局部最优。通过实验结果分析,改进后的算法在优化过程中提升了收敛速度和网络覆盖率,从而改善了网络的整体性能。

解全局优化问题的有向演化算法

提出了一种新的求解全局优化问题的演化逼近。这种技巧是基于一类搜索和优化的演化策略，计算结果表明，该算法能有效地找到整体最小点，具有高精度和计算时间短的特点。

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。

混沌多精英鲸鱼优化算法

针对无人机(UAV)的航迹规划问题,提出了一种基于混沌多精英鲸鱼优化算法(CML-WOA)的航迹规划方法。首先,在已知飞行环境下,建立3D飞行空间模型和航迹代价模型。通过引入罚函数,将有约束3D航迹规划问题转化为无约束多维函数优化问题,利用CML-WOA求解模型来获得最优航迹。其次,为克服WOA易陷入局部最优的缺陷,引入立方映射混沌算子改善初始种群,增强种群多样性,并通过自适应框架融入正余弦算法(SCA),利用多精英搜索策略有效地提高了算法开发能力和探索能力。最后,使用贪婪策略保证了收敛效率。通过20个基准函数测试和航迹规划仿真实验对提出的改进WOA进行验证。结果表明:所提算法相对其他算法,寻优性能明显提升,具有较强局部最优规避能力和更高的收敛精度与收敛速度;能够稳定快速地规划出代价最少、满足约束的安全可行的飞行航迹。

基于信息交流策略的连续域蚁群优化算法

连续域蚁群优化算法(ACOR)在求解优化问题时,全局寻优能力弱,寻优结果精度低。受自然界中优秀的个体之间相互交流和结合可以产生较优的后代的启发,提出了一种基于信息交流策略的连续域蚁群优化算法(ICACO)。ICACO算法在对解的更新过程中选取一部分较优解利用信息交流策略进行处理得到候选解,并采用贪婪方式接受能够改善解的质量的候选解。通过标准测试函数对所提算法进行测试,实验结果表明ICACO算法能够有效地提高ACOR算法寻优结果的精度并加快收敛速度。该算法与相关改进的连续域蚁群算法及其他智能优化算法相比全局搜索能力更高,效果更好。

极值组合元素算法及其在全局查询优化中的应用

极值组合元素算法是一种新型的智能优化算法,该算法采用了极值组合的原理,并结合模式搜索、排雷策略等多种方法进行极值的优化,使优化的速度、精确性和全局性优于其他算法,并适用于各种范围的极值优化.该算法被应用于分布式系统中的全局查询优化处理,经模拟实验验证具有较好的效果.

基于多混沌策略改进的粒子群算法——“互联网+”时代出租车资源优化配置

针对"互联网+"时代出租车资源配置问题,提出了基于多混沌策略改进的粒子群算法的出租车资源优化配置策略。首先对出租车资源配置问题进行分析,建立0-1整数规划模型;然后为了有效地提高PSO算法的搜索能力,引入混沌系统对PSO算法中的搜索参数进行更新,采用混沌系统动态地调整PSO算法的惯性权重以及对整个解空间进行混沌全局搜索;最后利用该改进算法对成都市不同经纬度段的出租车资源进行优化配置,借助于Excel、Matlab软件进行数据的预处理和画图分析。实验结果表明:基于多混沌策略改进的PSO算法提高了出租车与乘客的匹配速度,增大了匹配成功率,减少了时间和空间资源的浪费,提高了司机和乘客的满意度,具有较好的优化资源以及合理配置资源的能力。

基于混合遗传鲸鱼优化算法的柔性作业车间自动导引车融合调度方法

针对柔性作业车间调度问题,考虑自动导引车(AGV)在车间制造过程中只参与装卸和搬运工作,提出一种实现AGV路径规划与柔性作业车间调度集成优化的融合调度模型。采用基于工序排序与机器选择两个子问题的二维向量编码方案,并在解码过程中提出基于最先服务原则的AGV安排策略。对鲸鱼优化算法进行离散化改进,针对性地设计了多种种群初始化策略,引入遗传算法的交叉、变异操作以提升鲸鱼优化算法的全局搜索能力,并嵌入局部搜索算法以达到全局搜索和局部搜索的平衡,构建了一种混合遗传鲸鱼优化算法(HGWOA)来求解该融合调度模型。通过经典测试算例验证了算法性能,并使用正交试验优化了算法参数。研究结果表明,HGWOA算法用于求解柔性作业车间AGV融合调度问题可以获得较好的效果。

一种改进的混合鲸鱼优化算法研究

在对鲸鱼优化算法(WOA)的数学模型深入研究时,发现传统的WOA算法在处理一些较为复杂的问题,或者对高维度空间进行搜索时还存在一些不足之处,如收敛速度慢、易陷入局部最优等缺点。针对这些问题,文章提出一种改进的混合鲸鱼优化算法,通过引入精英反向学习、非线性收敛因子和自适应调整搜索组合策略来提高算法收敛速度,弥补传统WOA算法的不足。实验结果表明,改进后的算法(IWOA)性能更优,有着广泛的应用前景。

一种改进的鲸鱼优化算法

鲸鱼优化算法(WOA)是一种基于元启发式的群智优化算法,针对鲸鱼优化算法收敛速度精度低和容易陷入局部最优解的问题,提出一种基于反向学习的鲸鱼优化算法(OWOA)。采用改进的反向差分进化算法(IODE)替换随机产生的初始解以提高算法的全局收敛速度,在迭代过程中融合动态反向学习算法,增强算法的全局搜索能力,避免算法出现早熟现象。通过7个测试函数的仿真实验,证明该算法(OWOA)具有更好的收敛精度、收敛速度和稳定性。