基于IMQ惯性权重策略的自适应灰狼优化算法

针对灰狼优化算法(Grey Wolf Optimizer, GWO)寻优精度低、收敛速度慢的问题,提出了一种基于IMQ惯性权重策略的自适应灰狼优化算法(ISGWO)。该算法利用IMQ函数的特性,实现对惯性权重的非线性调整,从而更好地平衡算法的全局勘探能力和局部开发能力;同时,基于Sigmoid指数函数自适应更新个体位置,更好地搜索和优化问题的解空间。采用6个基本函数和29个CEC2017函数对ISGWO进行测试,并与6种常用的算法进行比较,实验结果表明ISGWO具有更优的收敛精度和速度。

多策略协同的改进鲸鱼优化算法

针对鲸鱼优化算法求解精度低、收敛速度慢和易陷入局部最优等问题,提出一种多策略协同的改进鲸鱼优化算法(MSWOA)。首先利用种群信息引导机制提升全局最优位置的开采效率,避免算法在迭代后期陷入局部最优;其次将改进的黄金正弦算法融入鲸鱼包围猎物的过程,以扩大种群在解空间内的搜索范围;最后采用惯性权重和非线性参数调整策略提升算法的全局探索和局部开发能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析、高维情形下的寻优性能分析、Wilcoxon秩和检验,证明了MSWOA算法具有更好的寻优精度和稳定性。

融合麻雀搜索机制的改进混沌海鸥优化算法

针对海鸥优化算法收敛速度偏慢、易陷入局部最优解及求解精度低等问题,提出一种融合麻雀搜索机制的改进混沌海鸥优化算法(improved chaotic seagull optimization algorithm incorporating sparrow search mechanism,PSSOA)。使用分段线性混沌映射(piecewise linear chaotic map,PWLCM)对种群进行初始化,使海鸥个体更为均匀地分布在给定空间内;改进非线性搜索因子和随机因子,加快算法收敛速度,更好地平衡算法全局搜索和局部搜索;融合麻雀算法中的麻雀飞行机制,在后期局部搜索阶段扩大个体局部寻优范围,对海鸥位置进行二次更新,帮助个体跳出局部最优,提高寻优精度。使用16个基准测试函数进行仿真实验,将PSSOA与海鸥算法(seagull optimization algorithm,SOA)、粒子群算法(particle swarm optimization,PSO)、灰狼算法(grey wolf optimizer,GWO)和海洋捕食者算法(marine predators algorithm,MPA)4种元启发式算法及其他学者改进的SOA算法多角度进行比较,并通过Wilcoxon秩和检验来验证算法的有效性和稳定性。实验结果表明PSSOA和其他对比算法相比,在约80%的测试函数上有着更好的算法的收敛速度和求解精度,并且在Wilcoxon秩和检验中,PSSOA和其他对比算法存在显著性差异的比例达到了98%,证明了算法具有更显著的差异性。

动态步长高斯扰动绯鲵鲣算法优化

采用模糊控制得到基于个体适应度的动态步长来提高算法收敛速度。引入高斯扰动对陷入局部最优的个体进行扰动,提升算法逃离局部最优的能力。求解了多个单峰、多峰基准测试函数。

基于改进灰狼算法的多任务优化算法

针对已有多任务优化算法寻优精度受限、计算时间成本过高等问题,提出一种基于改进灰狼算法的多任务优化算法(improved grey wolf algorithm based multitask optimization algorithm,IGWMTO)。该算法采用灰狼算法代替典型多任务算法中的遗传算法,计算个体的因素等级和技能因子实现狼群分类,并以此更新个体隶属任务,引入扰动因子和动态权重改善狼群个体的更新方式。仿真测试结果表明:相比于传统多任务优化算法,所提算法在4个优化问题上的寻优精度的提升均超过了4.8%,计算耗时降低了70%以上。

混合模拟退火的布谷鸟算法研究

针对基本布谷鸟搜索(Cuckoo Search,CS)算法在寻优过程中收敛速度慢、寻优结果精度不高的问题,提出一种混合模拟退火(Simulated Annealing,SA)算法的布谷鸟算法(SA-CS).算法采用退火时机的判断准则判断是否陷入局部最优,若陷入则让算法进入模拟退火机制,以一定的概率得到一个更差的解,使得算法跳出局部最优,增强算法寻找最优解的能力.通过对经典测试函数和旅行商问题进行测试,结果表明,改进后的SA-CS算法提高了基本CS算法的收敛速度以及寻优精度,对于函数优化问题和组合优化问题都具有一定的优势.

群智能算法优化支持向量机参数综述

支持向量机建立在统计学习的理论基础之上,具有理论的完备性,但是在应用上仍然存在模型参数难以选择的问题。首先,介绍了支持向量机和群智能算法的基本概念;然后,系统地叙述了各种经典的群智能算法进行支持向量机参数优化取得的最新研究成果以及总结了优化过程中存在的问题和解决方案;最后,结合该领域当前研究现状,提出了群智能算法优化支持向量机参数研究中需要关注的问题,展望了这一研究方向在未来的发展趋势和前景。

具有自学习能力的变异蝙蝠优化算法及性能仿真

针对标准蝙蝠算法进化特点,提出了具有自学习能力和个体变异的蝙蝠优化算法,该算法中全局最优个体具有自学习能力,使全局最优解在小范围内进行自我优化,能够引导算法中个体进行深度搜索;同时算法中每个个体动态的成比例形成变异群,依据贪婪选择机制,保护了优良个体,避免个体退化。通过以上算子的融入来提高算法的优化精度和收敛速度,避免算法早熟。通过对基本标准函数的测试,验证了算法具有寻优能力强,搜索精度高的优点,能有效的跳出局部最优,一定程度上弥补了算法高维弱势的缺陷,对于工程中复杂的优化函数有较大的使用价值。

一种改进的快速高效的差分进化算法

文章针对差分进化算法收敛速度和全局搜索能力之间不能同时兼顾这一问题,提出了一种改进的差分进化算法,该算法从动态更新种群、递增策略的交叉概率因子及递减策略的缩放因子对标准DE算法进行了改进,并用6个典型的测试函数对改进的差分进化算法和标准差分进化算法进行测试比较,结果表明改进后的差分进化算法在收敛速度、收敛精度和算法鲁棒性方面都要优于标准差分进化算法,采用动态更新种群的策略也有效地提高了算法的运算效率。

融合入侵杂草算子的蝙蝠算法

针对基本蝙蝠算法在寻优后期存在寻优精度低、早熟及易陷入局部最优等缺陷,提出一种融合入侵杂草生长繁殖局部搜索的蝙蝠算法。该算法将入侵杂草算法的杂草生长繁殖、空间扩散和竞争机制融合到蝙蝠算法中,采用动态调整杂草空间扩散算子的标准差,使算法既增加了全局搜索能力,同时也提高了局部搜索能力。通过对8个标准测试函数的仿真测试,结果表明该算法具有较优的全局搜索和局部搜索能力,在寻优精度和收敛性方面都比基本蝙蝠算法有较大的提高。

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划(Sequential Quadratic Programming,SQP)的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。

改进粒子速度和位置更新公式的粒子群优化算法

针对粒子群优化算法求解精度低、局部搜索能力差、进化后期收敛速度慢等问题,本文提出一种改进粒子速度和位置更新公式的粒子群优化算法(particle swarm optimization algorithm with improved particle velocity and position update formula,IPSO-VP).IPSO-VP算法提出一种自适应粒子速度和位置更新策略,采用基于Logistic混沌呈非线性变化的惯性权重,以此来加快算法的收敛速度、平衡算法的全局和局部搜索能力、提高收敛精度.最后将本文所提算法与6个改进粒子群算法在12个测试函数上进行寻优比较,结果表明,本文所提算法在收敛速度和寻优精度方面均优于其他6种改进算法.

基于紧凑度和调度处理的粒子群优化算法

针对标准粒子群优化算法存在收敛速度慢和难以跳出局部最优等问题,提出了一种基于紧凑度和调度处理的粒子群优化算法。给出了粒子紧凑度和调度处理的概念和方法,通过动态评价粒子群中各粒子间的紧凑程度,从而确定调度的粒子,进而对其进行调度处理,避免粒子陷入局部最优。对11个常见的标准函数进行测试,并与标准粒子群算法和其他改进算法进行对比,实验结果表明,基于紧凑度和调度处理的粒子群优化算法具有较高的寻优精度和较快的收敛速度。

基于自适应步长果蝇优化算法图像分割

为了解决大津法抗噪性能不佳和分割效率不足等问题,提出了一种自适应改进步长的果蝇优化算法,并对大津法图像分割阈值进行优化。根据浓度平均值变化率改变步长的果蝇优化算法,对传统的步长进行改进,前期升半柯西分布为指数变量,开始时均匀递增然后呈S状上升自适应增加步长。后期利用柯西分布容易产生远离原点的随机数作为指数的算子进行扰动,根据浓度平均值变化率自适应改变果蝇寻优步长,利于跳出局部最优解。实验证明,改进的算法在收敛速度和寻优精度上都取得了较好的结果,在对图像分割的应用中的效果也较优于其他算法。

基于IEHO算法的太阳电池模型参数辨识

针对传统太阳电池模型参数辨识方法存在精度低、收敛速度慢、易陷入局部最优等不足,提出基于改进象群游牧优化(IEHO)算法的太阳电池模型参数辨识方法。引入混沌初始化,改善初始种群质量,增强种群的遍历性;增加快速移动算子,使算法的收敛速度和全局搜索能力有较大提升;引入精英策略,用最优个体替代最差个体,加快算法寻优速度,缩短寻优时间。应用于太阳电池模型的参数辨识中,IEHO算法比其他算法得到的辨识结果更快更好。对不同光照条件下的太阳电池模型进行参数辨识,辨识结果与实测数据拟合度很高,表明IEHO算法能在不同环境下准确有效地进行太阳电池模型的参数辨识。

改进收敛因子和变异策略的灰狼优化算法

针对灰狼优化算法(GWO)在求解复杂优化问题时容易出现收敛速度慢和早熟收敛等缺点,提出了一种改进收敛因子和变异策略的新型灰狼优化算法(CMGWO)。为了平衡GWO算法的全局探索能力与局部开发能力,设计了一种基于反余弦函数变化策略的收敛因子;为了进一步提高算法跳出局部最优解的能力,提出了一种新的位置变异策略。仿真实验结果表明,与已有的3种智能优化算法和5种典型改进灰狼优化算法相比,改进算法具有更快的收敛速度和更高的寻优精度,更适用于解决各种函数优化问题。

融合正弦余弦算法和精英算子的花授粉算法

针对花授粉算法(FPA)具有寻优精度较低,稳定性不高的问题,提出了一种融合正弦余弦算法和精英算子的花授粉算法(SCA-EFPA)。针对花授粉算法的局部授粉过程,授粉范围小且易陷入局部最优值的问题,利用正弦余弦算法的“局部开发”和“全局搜索”特性,并作简化改进后引入;针对其全局授粉过程,搜索范围较大且寻优精度低的问题,引入精英花粉算子以提高寻优精度并且进行变异和交叉操作以保持种群多样性。达到整个改进后的算法具有提高寻优精度的目的。选取多组标准测试函数来测试改进算法的各项性能。结果表明,与基本花授粉算法、粒子群算法和差分变异算法等相比,融合正弦余弦算法和精英算子的花授粉算法具有更高的寻优精度,更好的稳定性和收敛性。

改进的变步长果蝇优化算法

为了克服基本果蝇优化算法(FOA)在求解全局优化问题时所存在的寻优精度不高,收敛速度较慢,易陷入局部最优等问题,提出了改进的变步长果蝇优化算法,在基本果蝇优化算法位置移动公式中,该算法利用指数分布来增强算法的全局探测能力;同时利用步长递减模式来增强算法后期的局部优化能力,有效地权衡了算法全局与局部寻优性能.选取6个基准函数将本文算法与另外两种改进的果蝇算法以及原果蝇算法进行对比,实验结果证明,新改进的算法能够跳出局部最优,提高了算法的收敛速度和寻优精度.

种间双系统协作蝙蝠优化算法及其性能仿真

针对单一种群算法较难权衡全局寻优能力和局部搜索能力的问题,提出一种种间双系统协作蝙蝠优化算法。根据蝙蝠个体运动状态将整个种群分为探测系统和开发系统,并通过信息交流进行进化协作。设计和运用动态变化算子实现全局寻优和局部寻优的实时平衡,利用位置更新算子减少开发系统随机性带来的影响,提高局部区域的开发效率,运用伪变异算子保持探测系统的多样性,提高全局搜索的效率。实验结果表明,该算法在快速收敛的同时能够避免陷入局部最优,可解决多局部极值的复杂优化问题。

修正浓度与适应步长的果蝇优化算法

基本果蝇优化算法在寻优求解时浓度值只能为正,无法对浓度为负时达到最优的问题进行寻优。另外基本果蝇算法在寻优求解时,步长是随机的,这就容易使算法早熟,陷入局部最优解,算法的求解精度也不高。针对基本果蝇算法的这些问题,提出了一种修正浓度与适应步长的果蝇优化算法。该算法对果蝇得到的浓度值进行了修正,使味道浓度分布在整个正负寻优区间。在迭代时,充分利用果蝇群体已经进行的全局影响因素,对果蝇个体的搜寻距离进行适应性改变。为了验证该算法的效果,选用了几个常用的测试函数对该算法进行实验验证,结果表明,该算法不仅可以有效避免陷入局部最优,在寻优精度上也有一定提升。