人工蜂群算法改进水波优化算法的云资源调度性能

为了改善云资源调度的性能,解决水波优化算法因水波衰减系数和碎波系数设置不当而导致精度降低的问题,提出人工蜂群-水波优化算法,采用人工蜂群算法对水波衰减系数和碎波系数进行参数寻优求解;在初始化任务实例生成的样本集和水波个体后,采用3个优化指标的加权和作为适应度函数,构建基于人工蜂群-水波优化算法的云资源调度模型,将最优求解问题转变为最优水波个体问题;通过不断更新最优适应度个体,提高云资源调度适用性,以达到最大迭代次数时所获得的最优云资源调度参数组合作为最优个体。结果表明:与常规水波优化算法相比,当任务数为600时,所提出算法的承载任务量分布更均匀,且负载均衡指标更小,仅为1.71;与基于其他智能优化算法的云资源调度模型相比,所建立模型所需执行时间最短,且稳定性更好。

基于水波优化算法的无线传感器网络覆盖研究

为了提高无线传感器网络(WSN)覆盖的有效性,提高传感节点对目标区域的覆盖率,采用水波优化(WWO)算法对传感节点部署坐标进行优化。首先,根据区域像素点及目标节点数量初始化传感节点坐标集,根据传感节点坐标和目标节点坐标、区域像素大小计算区域覆盖率;然后,将区域覆盖率作为适应度函数,建立WWO算法模型,将初始传感节点集作为WWO输入集,通过水波的传播、折射和碎波操作不断更新水波位置,同时求解各水波的适应度值;最后,选择适应度值最高的水波个体作为传感节点分布的最优解,当区域覆盖率或水波更新迭代次数达到阈值时,输出最优水波个体。分别采用蚁群、人工鱼群、粒子群优化算法和该文算法进行覆盖性能仿真。在覆盖率方面,该文算法最优,达到稳定时可以获得约95%的区域覆盖率,粒子群次之,蚁群算法最差。在收敛性能方面,蚁群算法最快,该文算法次之。

软件形式化开发关键部件选取的水波优化方法

形式化方法有助于从根本上提高软件系统的质量与可靠性,但其开发成本往往过于高昂.一种折衷的办法是在软件系统中选取关键性部件进行形式化开发,但目前尚无非常有效的定量选择方法.将软件系统中的形式化开发关键部件选取建模为一个0-1约束规划问题,以便使用元启发式搜索方法对其进行优化求解.另外,针对该问题专门设计了一种离散水波优化(water wave optimization,简称WWO)算法.在一个大型软件系统上的应用验证了问题模型的有效性,同时证明了WWO算法相对于其他若干典型元启发式搜索方法的优越性.

基于模拟退火的自适应水波优化算法

水波优化算法(Water Wave Optimization,WWO)是一种基于浅水波理论的新兴智能优化算法。在简化水波优化算法(Simplified Water Wave Optimization,SimWWO)的基础上,提出水波优化算法的一个改进版本。针对WWO算法在寻优过程中未能有效利用水波历史状态和经验的问题,提出一种自适应的参数调整策略:根据水波进化过程中的性能改善指标自适应调整算法的波长系数,提高搜索效率;同时,针对算法后期容易陷入局部最优的情况,加入模拟退火的思想,以一定的概率接受劣质解,避免算法陷入局部最优。通过以上两个操作可以更好地平衡全局搜索和局部搜索。在CEC 2015函数测试集上进行比较,结果证明改进后的算法有效地提高了综合性能。

基于自适应控制参数的改进水波优化算法

水波优化算法(Water Wave Optimization,WWO)是最近被提出的一种新型的群智能优化算法。它尽管具有控制参数少、操作简单、容易实现等优点,但是也存在收敛较慢、搜索精度低等不足。针对水波优化算法的不足,首先,从理论上分析并揭示算法收敛时控制参数应满足的条件;然后,提出满足上述条件的改进水波优化算法,改进算法采取自适应机制来调节算法参数,进一步增强了全局探索和局部开发的平衡能力;最后,对4种算法(ApWWO,WWO,FA,MVO)在10个标准测试函数上的寻优性能进行仿真实验和统计比较。结果表明,ApWWO在搜索精度、速度和鲁棒性等方面均显著优于WWO和FA,在5个测试函数上优于MVO;与PSO和GA的对比结果表明,ApWWO具有较好的寻优性能。进一步分析了维数和种群规模对ApWWO的影响,并使用ApWWO来求解置换流水线调度问题,结果表明ApWWO能够取得较好的求解效果。

水波优化算法收敛性分析

水波优化(Water Wave Optimization,WWO)算法是一种受浅水波现象启发的新兴进化算法,它通过模拟水波的传播、折射、碎浪等运动机制来在高维解空间中进行高效搜索。该算法已被证明在大量基准测试问题和工程实际问题上优于其它许多前沿的启发式优化算法。从理论上分析了WWO算法的收敛性条件。通过对目标问题和算法参数设置的简化,证明了WWO中任何个体在两种特殊情况下都是收敛的:(1)只执行传播操作;(2)只执行折射操作。这两种情况分别对应两种特殊的适应度变化状态。进行了数值仿真实验,验证了上述两种收敛性条件。

一种基于混沌和单纯形法的水波优化算法

水波优化(Water Wave Optimization,WWO)算法是一种基于浅水波理论的新兴元启发式优化算法,通过模拟水波的传播、碎浪、折射操作在解空间中进行全局搜索。为提高算法的收敛速度和精度,提出了一种基于混沌(Chaotic)优化和单纯形法(Simplex Method,SM)的水波优化算法,简称为CSMWWO。在CSMWWO算法中,引入了混沌优化策略来降低随机初始化的种群对收敛速度和求解精度的影响,在混沌优化策略的基础上又引入了局部搜索能力较强的单纯形法来提高WWO算法的收敛速度。将CSMWWO与包括WWO在内的4个启发式算法在12个基本测试函数上进行了测试,结果表明改进后的算法在计算精度和收敛速度上都有一定程度的提高,所提出的混合水波优化算法能改进水波优化算法的整体性能。

求解约束优化问题改进的水波优化算法

为提高约束优化模型的求解精度,提出一种改进的水波优化算法。设计主-从异构种群,结合ε约束处理技术使主群实现探索可行解,从群利用可行解搜寻全局最优解。为加快收敛速度和增强信息交互,主群中个体可以依概率进行个体间学习,设计水波波长函数,使其随着水波的适应度值和违反约束度及时调整。为避免早期收敛,从群采用自适应学习策略以平衡群体的探索和利用。设计随迭代次数变化的放松约束度,提高算法收敛精度。对比实验结果表明,该算法可以获得高质量的可行解。

自适应协同学习水波优化算法

水波优化算法(Water Wave Optimization,WWO)是一种新型群体智能搜索技术,具有种群规模小、操作简易等优点.但依然存在收敛速度慢、收敛精度不高等缺陷.为了改善WWO优化性能,提出一种自适应协同学习水波优化算法.算法中采用双种群进化结构实现主种群勘探和子种群开采的协同学习.主种群采用一种自适应学习策略,在维持种群多样性同时有效增强个体学习的效率.主群和子群的交互机制,可以使子群摆脱局部最优,提高算法的收敛精度.复杂多模基准测试函数的仿真结果表明本文算法在收敛精度和收敛速度上都有显著提高.

求解N-车探险问题的离散水波优化算法

N-车探险问题是一类NP-hard离散优化问题,针对该问题,提出一种融合局部搜索的离散水波优化算法。结合该问题等价于置换排序的特性,设计基于置换序列的编码方式;利用反转、移动、交换等操作重新定义传播、折射和碎浪算子;开发基于插入邻域的局部搜索策略,以增强水波优化算法的局部搜索能力。最后,利用实验设计探讨关键参数对算法性能的影响。基于14个标准问题的测试结果表明:所提方法的寻优精度、稳定性等整体优于标准水波优化算法、粒子群算法、烟花算法和启发式算法H1~H4;与离散水波优化算法相比,基于禁忌搜索的变邻域搜索算法用至少66.6倍的计算时间得到了最大相对偏差比为0.017的寻优精度。结果表明,离散水波优化算法能在较短时间内获得较满意的解。

基于差分进化的水波优化算法

水波优化(WWO)算法是一种基于浅水波理论的新兴智能优化算法.为提高算法的收敛速度和精度,提出一种基于差分进化的水波优化(DEWWO)算法,在传播、折射、碎浪过程之后进行变异、选择、交叉操作,通过差分进化算法的过程有效地增加种群多样性,一定程度上避免算法陷入局部最优,提高算法搜索的效率和精度.对6个常用的基准函数进行测试,结果表明改进算法相对于基本水波优化算法在函数优化方面具备一定的优势,是对基本水波优化算法的有力补充.

种群规模可变的水波优化算法

水波优化(water wave optimization,WWO)算法是一种基于浅水波理论的新兴智能优化算法,在大量基准问题上表现出了极为优越的性能.提出该算法的一个改进版本,将原算法中的固定种群规模改为线性递减的种群规模,从而在搜索的早期更好地支持全局探索,而在搜索的后期更多地进行局部开发.通过在IEEE CEC 2014测试集30个函数优化问题上的实验比较,改进后的算法在12个问题上显著优于原WWO算法,在4个问题上劣于原算法,在14个问题上无显著性差异.此结果表明提出的种群可变策略能够提高WWO算法的综合性能.

一种自适应参数调整的水波优化算法

水波优化算法(Water Wave Optimization,WWO)是受浅水波理论启发而提出的一种新兴群体智能算法,其具有控制参数少、种群规模小、实现简单、计算开销小等优点,但依然存在局部搜索能力不强、收敛速度较慢等缺陷.首先,通过对水波优化算法在执行全局和局部搜索阶段控制参数变化进行分析的基础上,提出了一种自适应参数调整策略改进的水波优化算法;最后,对改进的算法和包括原WWO、SCA、DA等在内的四种算法在10个标准测试函数上的寻优性能进行试验.结果表明,所提出的策略有效提升了水波优化算法的整体性能,无论在收敛精度还是收敛速度上,改进的水波算法相较于其他三种算法优化结果更加稳定.

离散水波优化算法求解带批处理的混合流水车间批量流调度问题

针对实际生产系统中生产方式复杂多样的特点,研究了带批处理的混合流水车间批量流调度问题。综合考虑批处理机容量和不相关离散机加工能力,提出了一种可变分批方法,以最小化完工时间为目标建立了调度模型,并提出了一种动态连续加工策略来优化目标函数。同时提出了一种离散水波优化(DWWO)算法求解模型。结合分批特点与优化目标,设计了4种解码方式对机器选择及工件的加工顺序进行优化;利用块最优插入、交叉操作和多邻域搜索对操作算子进行改进,增强了局部搜索能力;提出了一种替换差解的操作来提高算法的收敛能力。最后,采用实验设计的方法对算法的参数进行了标定;并设计了不同规模的算例,对算法的性能进行评估。实验结果表明DWWO算法能够有效解决带批处理的混合流水车间批量流调度问题。

基于水波优化算法的多阈值图像分割方法

为解决多阈值Kapur熵图像分割方法的精度低和运算时间慢的问题,提出基于水波优化算法的多阈值图像分割方法。传统的多阈值Kapur熵随着阈值个数的增加,分割精度有所下降和运算时间增加,所以将多阈值图像分割方法作为优化问题,利用水波优化算法寻找多阈值Kapur熵的最佳阈值,提高图像的分割精度。通过对图像的分割仿真实验,表明该算法具有更好的寻优能力,同时该算法的寻优精度高,收敛速度快,稳健性强。

基于莱维飞行的水波优化算法

为了解决水波优化算法的全局搜索能力较弱和收敛速度较慢的问题,笔者提出了基于莱维飞行的水波优化算法,该算法采用莱维飞行改进水波跳跃公式,使得水波的波动更加随机,从而更加接近真实水波扩散状态,更好地模仿水波的特性,提升了算法的局部寻优能力。通过进行标准测试函数最优值求解仿真实验,表明该算法具有更好的寻优能力,寻优精度高,收敛速度快,稳健性强。

采用莱维飞行和自适应权重的水波优化算法

为解决水波优化算法的全局搜索能力较弱和收敛速度较慢的问题,提出基于莱维飞行和自适应权重的水波优化算法,利用莱维飞行和自适应权重改进水波跳跃公式。采用莱维飞行使得水波的波动更随机,从而更加接近真实水波扩散的状态;同时引入自适应权重提高了算法的收敛特性和模仿水波的特性,提升了算法的局部寻优能力。通过进行标准函数最优值求解实验,验证了改进后的水波算法寻优求解能力更强,具有更高的全局求解精度,算法实时收敛速度快,相较于原算法具有更强的鲁棒性。

基于自适应参数调节和动态分组学习的水波优化算法

针对浅水波理论易陷入局部最优、收敛速度慢的问题,提出基于自适应参数调节和动态分组学习的水波优化算法。通过分析控制参数的变化,采取了参数自适应调节机制平衡算法的全局搜索和局部开发能力;设计基于正余弦因子的动态分组学习阶段,有效增强了算法跳出局部最优的能力,从而提高了算法的收敛精度。仿真结果表明,与标准水波优化算法相比,改进的算法表现出了较好的竞争性。

基于鱼群优化算法和Elman神经网络的短期电力负荷预测

精确的短期负荷预测允许用户选择合适的能源利用策略,并最大限度地降低电费支出。为实现更为精确且全局最优的短期负荷预测,提出一种基于鱼群优化算法和Elman神经网络的短期电力负荷预测方案。首先利用小波变换将时间序列分解成分量,并基于对立人工鱼群优化算法进行特征选择。接着基于Elman神经网络模型的水波优化算法进行短期负荷预测,从而显著提高了预测的精确度。最后应用逆小波变换得到每小时的负荷预测数据,借助武汉市电力负荷数据对所提方案进行验证评估。验证结果表明所提方案在冬季数据和夏季数据上的平均绝对百分比误差分别为1.43%和1.98%,明显优于支持向量机、混合网络和小波变换-神经进化算法。

基于罚函数与水波优化的WSN定位算法

为了提高启发式定位算法的搜索效率和定位精度,提出了基于罚函数和水波优化的无线传感器网络(WSN)定位算法.首先利用bounding-box方法构造罚函数,提高算法搜索的效率和定位精度;然后利用动态学习策略对传统水波优化算法的传播阶段进行改进,促使个体对周围优秀个体的学习,并通过动态波高提高个体在后期局部搜索的概率,进一步提高搜索效率和求解精度.仿真结果表明,罚函数策略与改进水波优化算法能提高搜索效率和定位精度,所提出的算法在WSN节点定位上有较好的可行性和有效性.