多策略混合的花朵授粉算法

针对花朵授粉算法(FPA)在解决高维度问题时存在收敛速度慢和收敛精度低的问题,本文提出一种混合了多种策略的花朵授粉算法(MFPA).该算法通过使用自适应控制因子来动态地切换全局与局部搜索策略的使用;为了提高收敛速度和维持花粉种群多样性,提出一种基于多方信息的全局搜索策略;为了能探索到更充分的解空间,提出一种局部搜索策略;为提高算法的搜索解空间能力,引入特征选择策略降低问题复杂度.基于多种类型测试函数开展模拟实验,与多种优秀算法进行算法性能对比分析,实验结论:MFPA算法在收敛速度与精度方面有着更好的表现,适用于求解大规模复杂优化问题.

基于量子行为花朵授粉算法优化LSTM模型

针对传统花朵授粉算法(flower pollination algorithm, FPA)受初始参数影响较大、且易陷入局部最优解或算法无法收敛等问题,提出一种基于量子行为的花朵授粉算法(quantum-inspired flower pollination algorithm, QFPA).通过引入量子系统到FPA中,使授粉过程中的搜索更高效,从而提高全局搜索能力.此外,还引入轨迹分析,使种群能更好地逃离局部最优解,进一步降低误差.为验证该方法的有效性,先通过选定的几个基准函数对QFPA进行评估,然后采用评估效果最好的QFPA对长短期记忆网络(LSTM)模型超参数进行寻优,最后在用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)算法去除噪声后的空气质量数据集上进行实验,并与其他几种常用的优化算法进行对比.实验结果表明:QFPA提高了优化算法的全局搜索能力和收敛性;QFPA-LSTM模型增强了长时间序列数据预测的准确性和效率,该模型预测的均方根误差为10.93μg/m^(3),为实际应用中的空气质量预测提供了可靠的解决方案.

基于神经网络优化的花朵授粉算法

为了降低花朵授粉算法(FPA)重复探索的情况,并提高算法的种群多样性和空间搜索能力,提出一种基于神经网络优化的花朵授粉算法(NNFPA)。设定自适应控制因子,从而动态地切换全局与局部搜索;利用多方信息的全局搜索策略提高算法收敛速度并维持花粉种群的多样性,同时减少在算法迭代后期种群对社会属性的依赖;基于神经网络的局部搜索策略让算法具有记忆功能,这样算法就能具有稳定搜索策略,从而降低算法的不确定性,使它能更充分地探索解空间。选取9个常规测试函数与CEC2014测试集中的部分函数进行仿真实验,得到的结果表明:与标准FPA以及变种算法HSFPA(FPA based on Hybrid Strategy)相比,NNFPA在所选测试函数上具有较高的搜索精度和收敛速度。可见NNFPA具有更好的寻优能力。

基于引力搜索机制的花朵授粉算法

针对花朵授粉算法(Flower pollination algorithm,FPA)易陷入局部极值、后期收敛速度慢的不足,提出一种基于引力搜索机制的花朵授粉算法.该算法在基本花朵授粉算法的全局寻优部分,采用花朵个体间的万有引力和算法本身的莱维飞行共同实现个体位置的更新,使花朵受莱维飞行和个体间引力的双重影响,个体在通过优化信息的共享向质量大(最优位置)的个体靠近,且个体间的万有引力牵制莱维飞行的随机游走.同时又利用莱维飞行的跳跃及不均匀性步长避免个体陷入局部极值,从而提高算法的寻优能力.通过对高维单峰函数、高维多峰函数、低维函数及多峰复杂函数的优化实验结果表明,改进算法的寻优性能显著优于基本的花朵授粉算法,其收敛速度、收敛精度、鲁棒性均较对比算法有较大提升.最后,利用改进算法对弹簧张力设计问题、压力管设计问题2个工程实例进行测试,获得了较好的结果.仿真实验结果佐证了改进算法的有效性和可行性.

一种改进的新型元启发式花朵授粉算法

受自然界花朵授粉过程的启发,Yang提出了一种新的元启发式群智能算法——花朵授粉算法,该算法融合了现有其他智能算法的优点。首先阐述了花朵授粉的特征,从机理上描述了该算法的实现步骤,同时对该算法的寻优性能进行了剖析。其次,针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种基于差分进化策略的花朵授粉算法,该算法引入差分进化中的变异、交叉及选择操作,使缺乏变异机制的花朵授粉算法具有变异能力,增加种群的多样性,提高算法的全局寻优能力和避免种群个体陷入局部最优。通过十个标准测试函数进行测试,仿真结果表明,改进算法的寻优能力明显优于基本的花朵授粉算法、蝙蝠算法、粒子群算法及改进的粒子群算法。

基于模拟退火的花朵授粉优化算法

针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种把模拟退火(SA)融入到花朵授粉算法中的混合算法。该算法通过SA的概率突跳策略使其避免陷入局部最优,并利用SA的全域搜索的性能增强算法的全局寻优能力。通过6个标准测试函数进行测试,仿真结果表明,改进算法在4个测试函数中能够找到理论最优值,其收敛精度、收敛速度、鲁棒性均比基本的花朵授粉算法(FPA)、蝙蝠算法(BA)、粒子群优化(PSO)算法及改进的粒子群算法有较大的提高;同时,对非线性方程组问题进行求解的算例应用也验证了改进算法的有效性。

融合高斯变异和Powell法的花朵授粉优化算法

花朵授粉算法(flower pollination algorithm,FPA)是最近提出的一种新型群智能优化算法,由于其较好地解决了全局搜索和局部搜索的平衡性问题,且具有参数少,易实现等特点,已得到广泛应用和研究,但现有研究对其参数的研究较少,同时该算法也存在演化后期收敛速度慢且易陷入局部极小等缺陷,使其应用范围受到制约。为了提升FPA算法的整体性能,对其控制步长的缩放因子的取值进行了修正;提出了把高斯变异和Powell法融入到花朵授粉算法中的混合算法GMPFPA(flower pollination algorithm combination with Gauss mutation and Powell search method)。改进算法首先利用高斯变异对全局搜索进行扰动,增强种群的多样性,提高全局探测能力,然后引入局部寻优能力强大的Powell法提升其局部开发能力。通过12个高维经典测试函数对比实验,验证了改进算法的有效性和优越性。

一种基于复合形法的花朵授粉算法

花朵授粉算法是最近出现的一种新型元启发式群智能算法,已在无线传感网等应用领域取得了较好的成效,但也存在易陷入局部极值且演化后期收敛速度慢等缺陷,使其应用范围受到限制.针对该算法存在的不足,提出一种把复合形法的思想融入到花朵授粉算法中的混合算法.该算法首先计算当前种群的形心,然后依据形心将进化中最差的个体进行反射,把差的个体变成较好的个体,从而引导当前个体不断靠近最优解.通过10个标准测试函数的仿真实验,仿真结果表明,改进算法解的质量及收敛速度比基本的花朵授粉算法、蝙蝠算法及粒子群算法有较大幅度的提高.同时采用改进算法对非线性方程组问题进行求解,通过2个算例仿真实验,验证了改进算法的有效性,扩展了花朵授粉算法的应用领域.

花朵授粉算法的优化

针对花朵授粉算法(FPA)寻优过程中局部深度搜索能力弱、易陷入局部最优、后期收敛速度慢的问题,提出一种基于自适应高斯变异的混合蛙跳花朵授粉算法(AGM-SFLFPA)。借鉴混合蛙跳算法(SFLA)思想,对种群个体按照适应度值进行排序、分组并更新各分组中最差个体的位置,增强算法的局部深度搜索能力并增加种群多样性;通过公示牌动态监测算法是否陷入局部最优,当陷入时,将自动对全局最优个体执行高斯变异操作,提高个体跳出局部最优的能力、增强种群多样性、加快收敛速度。通过6个典型的标准测试函数从4个方面验证该算法的有效性,验证结果表明,AGMSFLFPA具有更好的稳定性和可靠性、更快的收敛速度及更高的寻优精度,适用于高维复杂多极值函数求解问题。

多模函数优化的改进花朵授粉算法

为了探讨花朵授粉算法(FPA)在解算多模函数优化问题中存在的不足,通过定义种群多样性及差异性指标,定性分析了FPA在多模复杂函数优化中的寻优缺点。基于模拟退火思想优化全局授粉过程,并利用Nelder-Mead单纯形搜索技术对花朵局部授粉进行重构,提出一种新的花朵授粉寻优架构。仿真结果表明,相对于基本的FPA、布谷鸟算法、萤火虫算法,改进花朵授粉算法能够有效避免陷入局部最优,具备优异的全局勘探和局部开采能力,对多模优化问题具有一定优势。

基于量子行为的花朵授粉算法

针对花朵授粉算法易陷入局部极值、收敛速度慢的不足,提出一种具有量子行为的花朵授粉算法.该算法通过引入量子系统的态叠加特性,用波函数描述种群个体的位置,利用势肼场使种群个体以一定的概率密度在可行空间任何区域进行搜索,并且利用种群的平均最优位置使种群间存在等待效应,提高种群的协同工作能力,从而使算法能有效地避免陷入局部最优,增强全局寻优能力,提高收敛速度.通过8个CEC2005benchmark测试函数进行测试比较和3个数值积分的求解,并对结果进行分析,仿真结果表明,改进算法的全局寻优能力明显优于基本的花朵授粉算法、差分进化算法和蝙蝠算法等,其收敛精度、收敛速度和鲁棒性均比对比算法有较大提高.

面向云计算的花朵差分授粉工作流多目标优化算法研究

为解决云计算环境下工作流多目标难于优化的问题,本文提出了一种花朵差分授粉工作流多目标调度优化算法.该算法将工作流中任务和虚拟机建模成花粉,将完整的调度序列建模成花朵.依据任务的偏序关系进行离散花朵授粉过程.仿真结果表明较算法NSGA-II和MEOA/D,该算法能在限定的截止期和预算的条件下具有更高的资源利用率.

离散花朵授粉算法求解多目标柔性车间调度

为了优化调度方案,针对多目标柔性车间调度问题的特性,以最大完工时间、生产成本、能源消耗和加工质量为优化目标,提出一种离散花朵授粉算法。算法采用轮盘赌均值派选策略生成初始种群,并采用机器序列算法计算编码的目标值;为了优化算法的寻优能力,重新定义了花朵授粉算法中的两种授粉方式。最后通过基准算例和实际生产数据实验证明了所提算法的有效性。

基于天牛须搜索的花朵授粉算法

针对花朵授粉算法后期收敛速度慢,寻优精度低的缺点,提出了一种基于天牛须搜索的花朵授粉算法(BASFPA)。算法首先在全局寻优阶段采用天牛须搜索加快收敛,其次在局部寻优阶段加入变异策略帮助算法跳出局部最优。实验使用6个常用优化函数进行测试,结果表明BASFPA在低维和高维下收敛速度和精度均高于其他算法,达到相同精度所需的迭代次数均小于其他算法,证明天牛须搜索对FPA算法的改进是合理的。

具有入侵杂草策略的花朵授粉算法

针对花朵授粉算法易陷入局部极值、收敛速度慢的不足,提出一种具有入侵杂草策略的花朵授粉算法。该算法通过入侵杂草的繁殖、空间扩散和竞争策略,动态生成种群,增加种群的多样性和有效性,使算法能有效地避免陷入局部最优,增强全局寻优能力,提高收敛速度。通过8个CEC2005benchmark测试函数进行测试比较,仿真结果表明,改进算法的全局寻优能力明显优于基本的花朵授粉算法、差分进化算法和蝙蝠算法,其收敛精度、收敛速度、鲁棒性均较对比算法有较大提高。

融合模拟退火机制的自适应花朵授粉算法

针对基本花朵授粉算法存在的不足,为提高其收敛速度与寻优精度,提出一种融合模拟退火机制的并且根据迭代进化来动态调整全局步长和局部繁衍概率的自适应花朵授粉算法。首先,在基本算法的全局授粉莱维飞行中使用变形指数函数的缩放因子来控制步长,使得花朵个体随迭代次数的增加自适应地进行位置更新;然后,通过瑞利分布函数结合迭代次数对繁衍概率影响因子进行改进,使得在避免早熟收敛的同时能够在后期向着最优解靠近;最后,在已改进的花朵授粉算法中融入模拟退火降温操作,这不仅增加了种群的多样性,而且改善了算法的整体寻优性能。仿真结果表明,改进后的算法具有较快的收敛速度和较高的收敛精度,寻优性能得到了显著提高。

基于改进花朵授粉的K-均值聚类算法

针对K-means聚类算法依赖于初始值并易陷入局部最优值的问题,提出了一种基于改进花朵授粉的K-means聚类算法。该算法首先通过混沌映射的序列作为花朵种群的初值位置,保证花朵种群在搜索空间的多样性、确定性;然后在花朵授粉的后期搜索阶段引入禁忌搜索算法以避免陷入局部最优解;最后将改进后的FPA算法用于优化K-means算法的初值。在五个聚类数据集上的实验结果表明,改进后算法的平均聚类准确率相比于花朵授粉聚类算法提高了12.2%,证明了该算法对于低维数据集具有更好的聚类效果。

大规模优化问题的改进花朵授粉算法

花朵授粉算法(FPA)寻优结构新颖,寻优能力良好,但求解高维优化问题易陷入"维数灾难"。为提高FPA求解大规模优化问题的性能,提出一种改进花朵授粉算法(IFPA)。采用反向学习策略增加种群多样性,充分搜索解空间,提高初始种群质量;在自花授粉阶段,发挥当代最优位置的牵引作用,减少算法迭代代价,提高搜索效率,提出避免维间干扰的方法,采用逐维随机扰动策略对花粉个体进行更新,整体评价后接受更优解,提高了算法局部迭代质量。IFPA仅需3~5个种群个体即可达到满意的优化效果,15个测试函数在100、1000和5000维下的仿真结果表明:IFPA的求解精度大幅提高,收敛速度明显加快,鲁棒性强,与FPA、PSO和BA的对比表明,改进算法在处理不同类型大规模优化问题上是具有竞争力的。

分数阶扩散方程参数反演的改进花朵授粉算法

为解决传统花朵授粉算法容易受到局部极值影响的问题,将共享机制的小生境策略与花朵授粉算法相结合,提出了一种新的小生境花朵授粉算法,并将之应用于空间分数阶扩散方程的参数反演研究,以期为污染物寻源和空气污染防治提供一定的理论依据.为确保算法的寻优能力及寻优精度,首先,选取20个多模态函数,将算法改进前后的寻优性能进行对比,以验证改进算法的性能;然后,针对污染寻源问题,基于相应的空间分数阶反常扩散方程模型,运用隐式差分格式求解正问题,并采用花朵授粉算法和改进算法反演源项和扩散系数;最后,针对所提出的算法,从种群数、转换概率和搜索区间方面进行了灵敏度分析,并进一步讨论了算法的抗噪性.数值算例结果表明,对于空间分数阶反常扩散方程参数反演问题,改进后的花朵授粉算法反演效果更好,数值精度更高,可以达到理想水平.

改进的花朵授粉算法在微网优化调度中的应用

研究了用于解决微网优化调度问题的群智能算法.针对微网优化调度问题的多目标、多约束条件等特点,对微网优化调度问题建模;提出了改进的花朵授粉算法,并将其应用到微网优化调度问题.在初始化时,采用对立点方法增加种群多样性和优化搜索空间;局部更新时,使用一种新的局部更新算子提高算法收敛速度;此外,为了减少计算量和避免陷入局部最优,定义了是否使用遗传操作的判断条件.仿真结果表明,该算法性能优于原始花朵授粉算法和遗传算法等其他算法.