求解工程约束问题的新型智能优化算法及展望

为了研究新型智能优化算法的性能和应用前景,选择了近几年提出的6种仿生智能优化算法:哈里斯鹰优化(HHO)算法、平衡优化(EO)算法、海洋捕食者算法(MPA)、政治优化(PO)算法、黏液霉菌算法(SMA)和堆阵优化(HBO)算法,对其性能和在不同带约束的工程优化问题上的应用进行对比分析。首先,对6种优化算法的基本原理进行介绍;然后,用6种优化算法对10个基准测试函数进行寻优测试;接着,将6种优化算法用于求解3种带约束的工程优化问题。实验结果表明,对于单峰和多峰测试函数的寻优,PO的收敛精度最佳,能够多次达到理论最优值0,且收敛速度较快;对于求解工程约束问题,EO和MPA较好,因为的标准差的数量级较小,且寻优速度较快,稳定性高。最后,分析了6种优化算法的改进方法及其发展潜力。

改进平衡优化器算法在约束优化问题中的应用

针对平衡优化器算法存在种群勘探与开发难以平衡、粒子进化信息不足、容易出现早熟现象等问题,提出改进的平衡优化器算法。首先,根据算法优化进行的迭代阶段采用正弦池策略动态地平衡勘探与开发能力,迭代前期通过固定角频率的正弦递减进行大范围的全局勘探,扩大算法探索搜索空间中未知区域,增强发现潜藏优质粒子的能力;迭代后期通过变化角频率的正弦递增进行局部开发使勘探与开发自适应平衡,提高算法优化精度。其次,自适应优先引力策略引入当前最优粒子信息克服粒子进化信息匮乏的问题,然后通过融入均匀分布和贝塔分布共同作用丰富种群粒子进化信息,提高粒子之间的信息交换速率,增强粒子逃离局部最优的能力,达到引导种群向全局最优方向快速收敛目的。最后,使用16个基准测试函数、CEC2017函数集、Friedman检验、Wilcoxon秩和检验以及2个现实中的工程约束优化问题测试所提算法的寻优能力。实验结果表明,相比其他新提出的智能算法,所提算法具有更高的优化精度和更快的收敛速度。

变分布的量子行为粒子群优化算法求解工程约束优化问题

针对工程形状设计领域中带有多个约束条件的非线性设计优化问题,提出了一种自适应的基于高斯分布的量子行为粒子群优化(AG-QPSO)算法。通过自适应地调整高斯分布,AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力,随着搜索过程的进行,算法的局部搜索能力逐渐增强,从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性,在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明,在满足所有约束条件的情况下,AG-QPSO算法在压力容器设计问题上取得了5890.9315的平均解和5885.3328的最优解,在张弦设计问题上取得了0.01096的平均解和0.01096的最优解,远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果,同时AG-QPSO算法取得的结果的方差较小,说明该算法具有很好的鲁棒性。

一种以优秀个体记忆位置为导向的改进乌鸦搜索算法

为了克服乌鸦搜索算法搜索能力弱、易陷入局部最优之不足,提出新的以优秀个体记忆位置为导向的改进乌鸦搜索算法(EICSA):基于个体贮藏食物量之多少,种群中多数个体划归为普通个体、少数贮藏食物量较多的个体划归为优秀个体.优秀个体只在其贮藏食物的巢穴附近开展局部搜索活动.多数普通个体以优秀个体贮藏食物之巢穴为导向,在算法前期以较大步长进行全局探索,保持了种群的多样性;算法后期则以较短步长进行局部开发,使算法的全局探索能力和局部开发能力均得到了增强.通过12个基准函数和3个工程应用问题的数值实验,结果表明EICSA的全局优化能力得到了明显提高,在函数和工程应用问题优化中具有较快的全局收敛速度、较好的优化精度和稳定性.

多策略改进的混沌哈里斯鹰优化算法

哈里斯鹰优化(HHO)算法是近期提出的一种元启发式算法,模拟了生物性的种群捕食调度。针对哈里斯鹰优化算法开发能力不足、种群多样性下降和容易陷入局部最优等缺点,提出了一种多策略改进的哈里斯鹰优化算法(MHHO)。首先,在哈里斯鹰中引入混沌局部搜索策略,利用混沌映射的优点,围绕当前个体进行局部搜索,从而找到更好的个体,提高算法的开发能力。其次,为了增强种群多样性,提出了精英备选池策略。此外,通过对优势种群信息的采样来更好地引导种群进化方向,采用分布估计策略提高算法收敛效率。CEC2017测试实验结果表明,改进后的算法兼顾了收敛速度与全局搜索等能力,最后将算法用于求解工程约束问题,证明了改进后的算法的实用性。

基于自适应竞争学习的教与学优化算法

针对求解较高维度优化问题时教与学优化(TLBO)算法容易出现早熟、解精度降低等问题,提出一种自适应竞争学习教与学优化算法(ITLBOAC)。首先,在“教”算子中引入非线性变化的权重参数,以决定当前个体自身状态的保持能力以及调整当前个体向教师学习的态度,从而使当前个体在早期更多地向教师学习,以迅速提升自身状态,而后期更多地保持自身状态,以减缓教师对它的影响;其次,以生态学协同竞争机制为基础,引入基于近邻个体间的自适应竞争的“学”算子,从而使当前个体选择它的近邻个体,并且让个体们从协作演化逐渐过渡到竞争学习。在12个Benchmark测试函数上的测试结果表明,相较于其他4种改进TLBO算法,所提算法具有更好的解精度、稳定性和收敛速度,同时相较于TLBO算法有大幅提升,验证了所提算法适合于求解较高维度的连续型优化问题。选择压缩弹簧和三杆桁架设计问题进行测试的结果表明,ITLBOAC获得的最优值分别比TLBO算法下降了3.03%和0.34%。可见,在求解约束工程优化问题时,ITLBOAC同样值得信任。

采用多模式飞行的乌鸦搜索算法

针对乌鸦搜索算法(CSA)的不足,提出采用多模式飞行的乌鸦搜索算法(MFCSA)。算法基于觅食能力的强弱,将群体分成觅食能力较强和较弱两个组,觅食能力较强者采用尾随跟踪当前群体最优目标策略,在群体信息指引下飞到群体当前最优位置附近开展搜索活动,增强了算法的局部开发能力;觅食能力较弱者采用观察和学习强者的觅食方法、遇到危险迅速飞离两种策略,前者可提升算法的全局探索能力,后者可保持种群的多样性。通过15个基准测试函数和两个工程应用问题的数值实验仿真结果表明,MFCSA在优化精度、收敛速度等方面有更好的表现,增强了规避陷入局部最优的能力,稳定性更好。

融合头脑风暴思想的教与学优化算法

针对教与学优化(TLBO)算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题,提出了一种融合头脑风暴思想的改进教与学优化算法(ITLBOBSO)。在该算法中设计了一种新的“学”算子,并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中,当前个体首先执行“教”算子。随后,在种群中随机选择两个个体,令其中优秀的个体与当前个体执行头脑风暴式学习,提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力,在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明,与TLBO算法相比,所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上,ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性,所提算法适合用来求解较高维度的连续优化问题。