基于改进动态因子的鲸鱼优化算法

为了实现鲸鱼优化算法(whale optimization algorithm,WOA)的种群多样性、减小计算复杂度,构造具有搜索上下界的初始种群。设计动态收敛因子和动态权重因子,以提高算法的收敛速度和计算精度,在此基础上,提出基于改进动态因子的鲸鱼优化算法并证明了其收敛性,分析了其复杂度。为了验证新算法优化性能和普适性,将改进的鲸鱼优化算法与其他优化算法进行比较,并将其应用到无人机(unmanned aerial vehicle,UAV)路径规划中。结果表明:基于改进动态因子的鲸鱼优化算法相比于其他优化算法有更好的收敛精度和更快的收敛速度。可见,基于改进动态因子的鲸鱼优化算法性能更好,能更高效的完成任务。

增强型海鸥优化算法及其在动态优化问题中的应用

近年来群智能优化算法因其原理简单且具有良好的全局寻优性能,在控制向量参数化方法的框架下,被广泛应用于化工动态优化问题的求解。为进一步提高化工动态优化问题的求解精度,提出一种增强型海鸥优化算法。该算法采用约束初始化思想来生成初始种群,引入动态收敛因子优化海鸥的攻击模式,以及将Levy飞行策略与动态收敛因子结合并应用到海鸥位置的更新过程,以增强算法跳出局部最优的能力。最后,将提出的改进算法应用于管式反应器的平行反应和批式反应器的优化求解,并与其他智能优化算法以及相关文献的优化结果进行对比分析。实验结果表明,增强型海鸥优化算法可以取得有竞争力的结果,算法具有较强的寻优性能。

基于适应值的粒子群优化改进

为了提高粒子群优化算法的收敛速度和搜索精度,提出一种基于粒子适应值来设置动态收敛因子的方法(FPSO),根据粒子当前适应值和目标值之间差值的变化设置动态收敛因子,弥补了当前仅靠经验设置收敛因子的不足,实现了适应值对收敛因子的有效扰动。同时,提出一种基于维度最大位移量的局部优化激活方法,使得新算法能快速的从局部优化中跳出。通过4个经典函数对改进的算法进行测试,结果表明了改进后算法的有效性。

一种多策略的变异果蝇优化算法

针对基本果蝇优化算法(Fruit fly Optimization Algorithm,FOA)收敛速度慢、寻优精度低的问题,提出一种多策略的变异果蝇优化算法(A Mutant Fruit fly Optimization Algorithm with multi-strategy,MFOA)。首先通过混沌映射对初始种群位置进行初始化,以此来增加种群个体的多样性;然后引入对数递减策略的非线性动态收敛因子,以均衡全局搜索与局部开发能力;最后对果蝇最优个体位置进行柯西变异,利用柯西变异的随机扰动特征避免陷入局部最优。仿真结果表明,提出的改进算法相比与其它算法在寻优过程中能够保持种群多样性,具有更好寻优精度和更快的收敛速度。