具有动态方差高斯变异的蝴蝶优化算法

针对基本蝴蝶优化算法迭代速度慢,容易陷入局部最优解的问题,提出一种具有动态方差高斯变异的蝴蝶优化算法.首先引入线性函数的动态切换概率来平衡迭代过程中全局搜索和局部搜索的相对比例,其次利用动态方差高斯变异改进了全局搜索和局部搜索的公式,有利于加快算法的收敛速度,跳出局部最优解,在迭代后期提高寻优的精度.使用了6个基准函数进行仿真实验,实验数据对比发现,提出的算法比其他五种算法具有更好的寻优效果和更强的稳定性.

柯西变异和自适应权重优化的蝴蝶算法

针对基本蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)存在的收敛精度较低、容易陷入局部最优解的问题,提出柯西变异和自适应权重优化的蝴蝶算法(Cauchy variation and adaptive Weight Butterfly Optimization Algorithm,CWBOA)。通过在全局位置更新处引入柯西分布函数进行变异,在局部位置更新处引入自适应权重因子,改进了蝴蝶算法的局部搜索能力;并且引入动态切换概率p来权衡全局探索与局部开发过程的比重。改进的算法通过对多个单峰、多峰和固定测试维度的函数进行求解,结果表明,CWBOA对大多数测试函数有更好的求解精度、速度和稳定性。

采用混合策略的改进学生心理优化算法

针对标准学生心理优化算法(SPBO)的不足,分析了学生学习心理特征,提出采用混合策略的改进学生心理优化算法(HSSPBO)。首先,以学生考试总分的倒数值作为该学生的适应度值,以全班最好学生的适应度值为基准将全班学生分成最好学生、好学生、普通学生和尝试随机改进的学生四个类别;其次,利用正弦平方和余弦平方这一动态切换概率来平衡全局探索和局部开发,使算法全局探索能力和局部开发能力均得到有效提升;再次,引入柯西变异策略改变局部搜索步长,有效提升算法的局部搜索能力,增强算法跳出局部最优的能力;最后,引用Lévy飞行策略,使个体搜索步长更具随机性和灵活性,有效增强个体寻优能力,进而提升了算法的寻优速度。通过12个基准函数的仿真实验并与六个优化算法相比较,结果表明HSSPBO的全局搜索能力得到了明显的提升,在函数优化中具有更快的全局收敛速度、更好的优化精度和稳定性。

基于改进的花授粉算法的虚拟机分配策略

构造绿色云数据中心的两个主要目标是低能量消耗与物理资源利用效率的充分利用,为此需要采用虚拟机分配策略来完成优化。本文提出了基于改进花授粉算法的虚拟机分配策略(Flower pollination algorithm based virtual machine allocation,FPA-VMA)。FPA?VMA中一朵花或一个配子就对应于虚拟机映射到物理主机分配优化问题中的一个解;并且描述了云数据中心云客户端的资源请求模型和多维物理资源的能量消耗模型。FPA?VMA在花授粉的动态切换概率阶段的策略可以平衡全局最优解搜索和局部最优解搜索之间的切换,同时改善资源分配的全局收敛能力。真实的虚拟机数据的访问测试结果标明:FPA?VMA比常见的虚拟机分配优化策略有更低的能量消耗和更高的物理资源利用效率。