基于种群熵的变步长布谷鸟搜索算法

为了进一步提高布谷鸟搜索(Cuckoo Search, CS)算法的寻优性能,将种群熵的概念引入到莱维飞行机制中,基于寻优过程中布谷鸟种群的分布情况,来构建出可以实时变化的改进步长控制因子,提出了基于种群熵的变步长布谷鸟搜索(Variable Step-size Cuckoo Search based on Population Entropy, PE-VSCS)算法。利用8个标准测试函数分别对CS算法和PE-VSCS算法进行性能测试,从仿真结果可以得知,面对单峰函数问题或多峰函数问题时,无论函数维度是低是高,PE-VSCS算法的寻优性能均超过CS算法,从而证明了改进步长控制因子的有效性。

基于logistic模型的自适应布谷鸟算法

针对标准布谷鸟算法的相关问题,提出了一种基于logistic模型的动态步长控制因子和动态发现概率的改进布谷鸟算法。改进的算法在运行时可以自动调节步长控制因子和发现概率的大小,且在算法初期可以使种群保持多样性,提高了全局最优值的搜索能力;随着局部最优值搜索能力的增强,算法在后期逐渐趋于稳定。通过用几种典型的Benchmarks函数进行模拟试验,试验结果证实了所提出的算法计算精度高、收敛速度快。

分数阶粒子群的模糊聚类图像分割算法研究

针对模糊C-均值聚类算法易受初始聚类中心的影响而陷入局部极值的缺陷,提出基于分数阶粒子群的模糊聚类图像分割算法。利用分数阶微积分容易跳出局部极值的固有优势,将其引入粒子群的速度、位置更新进程,同时改进分数阶阶次的自适应调整机制并引入步长控制因子。实验结果表明,该算法与传统算法相比,具有更高的分割精度与更快的收敛速度。

基于混合策略改进的樽海鞘群算法

针对樽海鞘群算法(SSA)在求解复杂优化问题时存在的易陷入局部最优、收敛精度低等缺点,提出一种基于混合策略改进的樽海鞘群算法(ISSA).首先,采用Sobol序列实现樽海鞘种群的初始化,使初始种群在解空间中分布更加均匀,进而提高算法的全局寻优能力;其次,在领导者位置更新阶段引入步长控制因子,根据不同寻优时期自动调节领导者的搜索范围,有效平衡算法的全局搜索与局部搜索;然后,采用改进的透镜成像策略对领导者进行映射,避免算法陷入局部最优;此外,在追随者位置更新阶段,引入一种自主选择追随机制,改善追随者的盲从性,以提高算法的收敛精度;最后,与其他几种代表性优化算法在12个基准测试函数上进行仿真实验对比,并进行Wilcoxon秩和检验,实验结果表明所提出ISSA在收敛速度和精度上有明显提升,相较于其他优化算法具有更好的寻优效果和稳定性.另外,通过两个工程设计案例实验进行测试,进一步验证了所提出ISSA的可行性和适用性.