基于刺激-响应机制的改进鸡群算法

针对鸡群算法收敛速度慢且容易陷入局部最优的不足,从平衡勘探与开发的角度提出一种基于刺激-响应机制的改进鸡群算法.首先,考虑公鸡的引领作用为其设计勘探和开发两种搜索方程;然后,根据种群聚集度和平均改进度定义执行搜索方程的刺激和阈值;最后,在刺激-响应机制下,公鸡充分发挥引领作用,带领鸡群完成勘探与开发.将改进算法用于基准函数优化和食管癌生存风险预测模型优化,并与其他改进的鸡群算法进行对比,表明了所提出算法的有效性.

基于刺激-响应分工机制的人工蜂群算法

针对人工蜂群算法中探索与开采的不平衡以及由此导致的求解精度低、收敛速度慢等问题,提出一种基于刺激-响应分工机制的人工蜂群算法.将探索和开采看成两种不同的搜索任务,令蜜蜂在雇佣蜂阶段执行探索,在跟随蜂阶段执行开采.根据种群多样性设计搜索任务的环境刺激,利用搜索成功率设计蜜蜂个体的响应阈值.在刺激-响应分工机制下,蜜蜂在雇佣蜂和跟随蜂之间灵活转换,从而实现探索和开采的平衡.采用22个基准函数进行仿真实验,实验结果验证了所提出算法的有效性.

求解多维背包问题的双决策交互差异算法

针对传统多维背包问题的求解算法存在的修复方式单一、种群动态适应性差等问题,提出一种双决策交互差异算法(DDEA)。融合自主学习思想,设计多维加权价值密度和相对价值概率指标,双重决策确定物品选择顺序,制定相应解的修复优化策略。采用双种群交互差异进化算法,设置主群和辅助群2个种群,种群间进行信息交互,提高种群多样性,避免陷入局部最优,提高算法寻优能力。主群实施差异进化机制,依照个体优劣依次划分为3个子群,分别按照特定方式进化,并在进化过程中完成与辅助群的交互,增强算法群智能性。引入刺激-响应机制,平衡算法的全局和局部搜索能力,并加入精英库协同寻优,加快算法收敛速度。仿真结果表明,DDEA算法可求出全部最优解,平均相对误差率为3.04×10-5,相比于同类算法降低2个数量级,有效提升了多维背包问题的求解精度、效率和稳定性。