面向非线性方程组的学习型头脑风暴优化算法

求解非线性方程组的难点是在一次运行中获取问题的多个根,常规求解方法难以同时满足解的精度和解的数量要求。提出一种基于知识学习的目标空间头脑风暴优化(LBSOOS)算法,通过将非线性方程组问题建模为多模态优化问题进行求解,在求解过程融合算法的求解特性和待求解问题的领域知识,采用求解问题学习和求解算法学习两种学习方式解决求解精度和解集合多样性的冲突。从算法层面改进算子的学习方式,将随机解的扰动算子替换为最差解的解间学习,提高算法的整体寻优能力。通过对多模态问题进行分析,在算法中增加额外的档案集,保证输出解集合的多样性。将LBSOOS算法与5种群体智能优化算法在7个非线性方程组问题上进行性能测试,实验结果表明,LBSOOS算法在保证求解精度的条件下,在绝大多数测试问题上的求解多样性优于BSO、BSOOS、PIO等对比算法。

基于讨论机制的头脑风暴优化算法

为了克服头脑风暴优化(BSO)算法易陷入局部最优导致早熟收敛的问题,提出新型的基于讨论机制的头脑风暴优化(DMBSO)算法.该算法运用组内讨论和组间讨论这一新机制取代BSO算法中的个体更新过程,分别控制算法的全局搜索和局部搜索能力.通过线性递减和线性递增方式调整组间讨论和组内讨论次数,使算法搜索初期加强全局搜索能力,搜索后期加强局部细致搜索能力,有效地防止早熟问题.对6个经典测试函数(BFs)的10维、20维、30维问题分别进行测试来评估DMBSO的效果.结果表明,DMBSO算法与BSO算法和经典的粒子群(PSO)算法相比,可以有效地避免陷入局部最优,稳定地找到更好的最优值,而且随着问题维度的增加,DMBSO表现出更强的鲁棒性.

基于头脑风暴优化算法的多机器人气味源定位

针对现有室内湍流环境下多机器人气味源搜索算法存在历史浓度信息利用率不高、缺少调节全局与局部搜索的机制等问题,提出头脑风暴优化(BSO)算法与逆风搜索结合的多机器人协同搜索算法。首先,将机器人已搜索位置初始化为个体,以机器人位置为中心聚类,有效利用了历史信息的指引作用;然后,将逆风搜索作为个体变异操作,动态调节选中一个类中个体或两个类中个体融合生成新个体的数量,有效调节了全局和局部搜索方式;最后,根据浓度和持久性两个指标对气味源进行确认。在有障碍和无障碍两个环境中将所提算法与三种群体智能多机器人气味源定位算法进行定位对比仿真实验,实验结果表明,所提算法的平均搜索时间减少33%以上,且定位准确率达到100%。该算法能够有效调节机器人全局和局部搜索关系,快速准确定位气味源。

改进头脑风暴优化算法与Powell算法结合的医学图像配准

针对现有医学图像配准算法精度较差、易陷入局部极值和收敛速度慢的问题,结合多分辨率分析,提出改进头脑风暴优化(MBSO)算法与Powell算法结合的图像配准算法。MBSO算法通过改变个体生成方式调节参与局部和全局搜索的个体比例,应用可变步长加强搜索能力,达到跳出局部最优和加速收敛的目的。首先,在低分辨率层利用MBSO算法进行全局搜索;然后,将搜索结果作为Powell算法的初始点在高分辨率层进一步搜索;最后,在原始图像层利用Powell算法搜索并定位全局最优值。与粒子群优化(PSO)算法、蚁群优化(ACO)算法、遗传算法(GA)与Powell算法结合算法相比,所提算法平均均方根误差分别减小了20.89%、30.46%和18.54%,平均配准时间分别缩短了17.86%、27.05%和26.60%,并且达到了100%的成功率。实验结果表明,所提算法具有很强的鲁棒性,能够快速、准确完成医学图像配准任务。

高维多目标头脑风暴优化算法

多目标优化的两个核心指标是收敛性和多样性,而对二者加以优化和权衡是多目标进化算法的关键.头脑风暴优化算法作为一种新型的群体智能优化算法,一经提出便引起了众多研究者的关注.本文在对现有的多目标头脑风暴优化算法研究的基础上,通过对决策变量进行分析,围绕收敛性和多样性分别进行优化,在对收敛性优化时通过分解策略增加选择压力,而在对多样性优化时以参考点更新种群增加多样性,最终扩展并提出了高维多目标头脑风暴优化算法.此外,本文提出一种以角点为聚类中心的自适应聚类方式,明确个体的导向,提高种群的扩展性.与现有的几种效果较好的多目标进化算法进行比较,大量的仿真结果表明了本文的算法具有优秀的性能.

基于头脑风暴优化算法与BP神经网络的海水水质评价模型研究

针对基于传统BP神经网络的海水水质评价模型存在易陷入局部极小等问题,提出了一种新的利用头脑风暴优化算法(BSO)优化BP神经网络的海水水质评价模型(BSO-BP)。该模型引入具有全局寻优特点的头脑风暴优化算法,用于模拟人类提出创造性思维解决问题的过程,具有强大的全局搜索和局部搜索的能力,同时利用BP神经网络所具有良好的非线性映射能力、学习适应能力和容错性,最大程度上考虑到海洋水质评价因素的非线性和非平稳的关系,得到BP神经网络的各层权值、阈值的最优解,使得海水水质评价结果准确合理。并以胶州湾海域的12个监测站位的监测数据作为评价样本进行水质评价,实验结果表明该评价模型能够克服局部极小问题,评价结果准确性较高,并具有一定的实用性。

基于Spark的并行化头脑风暴优化算法及复杂多峰函数优化

头脑风暴优化BSO算法是一种新型的群体智能优化算法,启发于众人集思广益求解问题的模式,适合求解复杂多峰函数优化问题。但是,BSO求解多峰极值时需进行重复的迭代运算,面对大规模数据集时会出现计算效率与求解精度过低的现象。为解决上述问题,设计并实现了一种基于Spark的并行化头脑风暴优化算法,通过将BSO算法中计算复杂度最高的聚类与新解产生过程并行化,以提高算法的加速比与计算效率。特别地,基于并行化思想,将种群划分为多个子群进行协同演化,每个子群独立产生新解来保持种群多样性,提高算法的收敛速度。最后,利用并行化BSO算法求解多峰函数。实验表明,在并行节点的总核心数为10的情况下,并行化BSO算法计算时间节省一半,计算精度和串行BSO算法基本持平,收敛速度明显提高,实验结果说明了并行化BSO的有效性。

一种改进的头脑风暴优化算法

针对头脑风暴优化(BSO)算法精度较差、后期收敛速度慢的问题,提出了一种改进的BSO (MBSO)算法. MBSO算法通过对种群分组策略概率参数的调节,改变个体生成方式调节参与全局和局部搜索的个体比例,算法前期加强全局搜索后期加强局部搜索,有效避免陷入局部最优.同时MBSO算法根据搜索所处不同阶段采用可变最大步长的策略加速算法收敛并提高了优化精度.采用6个标准测试函数对MBSO算法搜索性能进行了测试,与原始BSO算法、粒子群优化(PSO)算法和差分进化(DE)算法结果进行比较实验.仿真结果表明,MBSO算法可以有效地避免陷入局部最优,稳定地找到更好的最优值,收敛速度显著加快. MBSO算法在优化问题中表现出了优异的性能和巨大的潜力.

基于全局最优和差分变异的头脑风暴优化算法

针对头脑风暴优化(brain storm optimization, BSO)算法的选择操作中仅部分个体更新追随全局最优和变异操作中步长不能自适应的问题,采用追随全局最优策略以充分利用全局最优信息,并用差分变异代替原来的高斯变异以自适应调节变异步长,提出了基于全局最优和差分变异的BSO(global-best difference-mutation brain storm optimization, GDBSO)算法。通过6个标准测试函数极值寻优的Matlab仿真对比研究表明GDBSO具有优良性能,较好地解决了原BSO搜索效率低的问题,提高了算法的寻优精度和收敛速度。GDBSO结合自主式水下航行器(autonomous underwater vehicle, AUV)路径规划应用的仿真验证了算法的有效性和可行性。

头脑风暴优化算法求解带转角能耗多无人机路径规划问题

多台无人机协同完成野外传感器数据采集的工作中,建立具有精确能耗模型的多无人机路径规划问题模型尤为重要。提出了带转角能耗多无人机路径规划问题(multi-UAV path planning with angular energy consumption,MUPP-AEC)模型,该模型考虑了无人机在加速、减速、匀速、转角等飞行条件下的能耗差异。针对MUPP-AEC的特点,提出目标空间聚类离散头脑风暴优化算法(discrete brain storm optimization algorithm in objective space,DBSO-OS)。该算法采用个体空间整数编码和带2-opt的分阶段贪婪法解码策略,并对扰动算子和个体更新算子进行了离散化定义。个体更新算子中采用了混合随机反转变换和部分匹配变换的生成策略。实验结果表明:DBSO-OS能有效地求解MUPP-AEC;所提离散头脑风暴算子在全局收敛能力、求解精度和稳定性等方面均优于传统头脑风暴算子;在中小规模测试算例和较大规模测试算例的测试中,DBSO-OS优于对比算法。

多分支混沌变异的头脑风暴优化算法

头脑风暴优化算法是一种受人类群体行为启发的新型群智能优化算法。该算法通过模拟人类使用头脑风暴创造性解决问题的行为,在解空间中分析个体分布,并使用变异生成新个体,多次迭代求得最优解,具有较高的鲁棒性和自适应能力。针对头脑风暴优化算法精度较差、易陷入局部最优导致早熟收敛的缺陷,提出了一种多分支混沌变异的头脑风暴优化算法。该算法选取8种混沌映射,设计了一种多分支混沌变异算子。当原始算法陷入局部最优时,使用多分支混沌变异生成新个体,利用多种混沌运动的遍历性、随机性和多样性,扩大了混沌空间的范围,增强了算法全局搜索的能力。对10个经典测试函数的10、20、30维问题进行测试,并与原始头脑风暴优化算法、粒子群优化算法、遗传算法和布谷鸟搜索算法进行对比,实验结果表明,所提出的算法可以有效避免陷入局部最优,具有更高的稳定性和全局搜索能力。

机器人路径规划的新型头脑风暴优化算法

针对头脑风暴优化算法在求解机器人路径规划问题时存在初始解成功率低、运算代价大且路径不平滑等问题进行了研究,从心理学角度出发,提出了一种新型头脑风暴优化算法及其离散化方案。引入羊群效应下的教与学思想增强个体学习的方向性,并通过基于自我选择效应的步长调节机制扩大后期局部搜索比例,提升算法效率;离散处理阶段采用贪婪移动搜索法取得较优初始解,重新定义运算过程以双向平滑路径。仿真结果表明,新型头脑风暴优化算法在离散化前后均有较优的表现,在不同障碍物环境中均能规划出较优的路径。数值实验验证了所提算法的有效性,该算法在路径规划领域的应用值得进一步探索。

数据驱动的发展式头脑风暴优化算法综述

头脑风暴优化(brain storm optimization,BSO)算法是一种新兴的群体智能优化方法,以众人集思广益解决问题为原型,抽取其中解决问题的模式,将其抽象为智能优化算法.介绍了头脑风暴优化算法的优化算子和基本原理,在对基本头脑风暴优化算法和目标空间中的头脑风暴优化算法比较的基础上,对头脑风暴优化算法的研究现状,包括群体多样性、求解不同类型问题和实际应用的研究现状进行了全面的综述.最后对头脑风暴优化算法有待进一步研究的问题进行了展望.

基于改进头脑风暴优化算法的医学图像配准方法

针对精准医疗中图像配准方法收敛速度慢、精度不够高的问题,提出一种基于改进头脑风暴优化(Improved brain storm optimization,IBSO)算法的医学图像配准方法。配准过程分为3个阶段:首先,将待配准图像进行多分辨率分解;然后,使用IBSO算法对低分辨率图像进行全局粗配准;最后,利用单纯形搜索法对高分辨图像精配准。相比粒子群和单纯形结合算法、差分进化和Powell结合算法,以及头脑风暴和Powell结合算法,在单模态实验中,所提算法平均耗时较以上3种算法分别降低了32.89%、13.91%和13.66%,且最大误差、平均误差最小;在多模态实验中,互信息、归一化互信息、交叉累计剩余熵与归一化互相关指数均优于上述3种配准算法。实验结果表明,所提算法可以有效地提升医学图像配准的精度与速度。

结合头脑风暴优化的混合蚁群优化算法

特征选择能够有效提升数据分类的性能。为了进一步提升蚁群优化(ACO)在特征选择上的求解能力,提出一种结合头脑风暴优化的混合蚁群优化(ABO)算法。该算法利用信息交流档案维护历史较好解,并通过基于松弛因子的时间最久优先方法动态更新档案。当ACO的全局最优解多次未更新时,采用基于Fuch混沌映射方法的路径-想法转换算子将档案中的路径解转换为想法解,并将其作为初始种群,通过头脑风暴优化(BSO)在更广阔的空间中搜索较好解。对所提算法在6组典型的二分类数据集上进行实验,分析了其参数敏感性,并与混合萤火虫粒子群优化(HFPSO)算法、粒子群优化与引力搜索算法(PSOGSA)以及遗传算法(GA)这三种典型的演化算法进行对比。实验结果表明,相较于对比算法,所提算法在分类正确率上至少可提高2.88%~5.35%,在F1指标上至少可提高0.02~0.05,验证了所提算法的有效性和优越性。

改进头脑风暴优化算法求解多模态多目标问题

针对多模态多目标优化中存在的所得等价解数量不足和决策空间多样性维护难的问题,提出了一种基于分区搜索和非支配特殊拥挤距离排序的差分头脑风暴优化算法.在算法中分区搜索将决策空间划分为多个子空间以降低搜索难度并维持种群多样性,k-均值聚类可以定位并维持多个帕累托最优解,非支配特殊拥挤距离排序可以同时考虑决策空间和目标空间的多样性,作为环境选择算子筛选解;将差分变异算子替代传统头脑风暴优化算法新个体生成算子以增强种群的多样性,帮助定位多个等价最优解.将该算法与其他5种智能算法在13个多模态多目标测试函数上进行实验,实验结果表明:基于分区搜索和非支配特殊拥挤距离排序的差分头脑风暴优化算法在11个测试函数上的性能优于其他5个算法,该优化算法能够尽可能多地在决策空间中找到多个等价帕累托最优解集,并且能保证在目标空间中具有良好的帕累托前沿分布.

基于分区搜索和强化学习的多模态多目标头脑风暴优化算法

维持种群多样性和提高算法搜索效率是多模态多目标优化亟需解决的两大问题。为解决以上问题,提出了一种基于分区搜索和强化学习的多模态多目标头脑风暴优化算法(MMBSO-ZSRL)。在MMBSO-ZSRL中,首先将决策空间分解为多个子空间以降低搜索难度和维持种群多样性;然后,使用SARSA(state-action-reward-state-action)算法来平衡头脑风暴算法的全局探索和局部开发能力;并使用特殊拥挤距离来挑选个体来指导种群进化。为了验证所提算法的性能,选取六种先进的多模态多目标优化算法来进行比较,并选取IEEE CEC2019多模态多目标问题基准测试集来对所有比较算法的性能进行测试。实验结果表明,MMBSO-ZSRL的整体性能要显著优于其他六种比较算法。MMBSO-ZSRL不仅可以找到多样性和逼近性更好的帕累托前沿,而且可以在决策空间找到更多的帕累托最优解。

求解离散调度问题的双机制头脑风暴优化算法

为了探讨头脑风暴算法对离散调度问题的求解能力,以柔性作业车间调度问题为应用场景,提出集成种群多样性机制和讨论机制的头脑风暴优化算法.首先,建立柔性作业车间调度模型;然后,提出双机制头脑风暴优化算法,包含增加种群多样性机制和讨论机制,并深入分析算法的关键参数,设计关键操作,提出基于扩展工序的编码方式,设计聚类算法、扰动算子和合并算子;最后,对典型算例进行仿真计算,结果表明,增加种群多样性和讨论机制的头脑风暴优化算法表现最为优异,能够有效避免算法早熟,显著提高该系列算法的寻优能力.

基于头脑风暴优化算法的Wiener模型参数辨识

Wiener模型是一种典型的模块化非线性模型,广泛应用于工业过程控制领域.由于其结构的非线性,参数辨识无法直接得到解析解.为此,将Wiener模型的参数估计转化为带约束的非线性优化问题,以头脑风暴优化(BSO)算法并行搜索该问题的最优解,并以搜索过程中的反馈信息调整BSO算法的变异过程,以改进算法的收敛速度和辨识精度.数值仿真和工业数据验证了所提算法的有效性.

宽通道换热板片结构的多目标头脑风暴优化设计

换热板片作为构成宽通道板式换热器的核心部件,对其换热效果具有直接影响.为有效提升换热器性能,减少能量损耗,提出一种宽通道换热板片结构的多目标头脑风暴优化设计方法.首先,根据换热板片的形状和布局特点,提取梯形凸台尺寸及其分布间隔构成结构参数,采用正交法,基于Fluent数值模拟软件获得25组换热板片结构样本;然后,采用回归构建换热努塞尔数和压力损失的代理模型,以最大换热效果和最小能量损耗作为优化目标,采用基于网格的多目标头脑风暴优化算法,寻优获得最佳换热板片的结构设计方案.统计实验结果表明,换热性能代理模型可以有效降低评价代价,所提出优化设计方法可以更加高效地获得具有最佳换热效果和能量损耗的换热板片结构.