引入精英反向学习和柯西变异的混沌蜉蝣算法

为提高蜉蝣算法的收敛速度,提升算法寻优能力,提出一种引入精英反向学习和柯西变异的混沌蜉蝣算法。利用Circle混沌映射序列优化初始种群使种群分布更加均匀,提高种群多样性。在蜉蝣更新阶段,对蜉蝣中的精英个体进行反向学习策略,防止算法陷入局部最优,提高算法收敛速度。为保证种群进化方向和扩大寻优范围,将自适应概率阈值和柯西变异的扰动机制相结合,对劣势蜉蝣个体附近生成更大的扰动。通过8个基准测试函数实验对比和Wilcoxon秩和检验,实验结果表明,混沌蜉蝣算法在收敛速度、求解精度以及稳定性等方面有较大提高。

精英反向学习及柯西扰动引导的瞪羚优化算法

针对瞪羚优化算法收敛精度低和易陷入局部最优的问题,提出一种精英反向学习及柯西扰动引导的瞪羚优化算法(improved gazelle optimization algorithm,IGOA)。首先,对瞪羚个体利用精英反向学习策略进行初始化,提升初始解的质量并增加种群多样性;其次,在算法迭代初期,利用二阶段非线性惯性权重引导种群的位置更新方式,提高算法的精度并均衡算法的全局搜索和局部搜索;最后,将存活率引导的柯西扰动策略引入勘探阶段种群的位置更新公式中,提升算法跳出局部最优的能力。利用12个基准测试函数和Wilcoxon秩和检验在8个对比算法上进行实验检测,结果表明改进算法寻优精度更高、收敛速度更快且具有跳出局部最优的能力。在齿轮系和三杆桁架设计两个实际工程问题上验证了IGOA的实用性和有效性。

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。

应用精英反向学习的多目标烟花爆炸算法

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.

基于扰动的精英反向学习粒子群优化算法

针对粒子群算法容易陷入局部极值、进化后期收敛精度低的缺点,提出了一种基于扰动的精英反向学习粒子群算法。算法采用在粒子迭代的过程中,以一定的概率对当前的最优个体进行动态一般反向学习生成其反向解,引导粒子向最优解空间靠近;用一种非线性递减的方式改变惯性权重,以提高算法的收敛速度和收敛精度;采用扰动的方式增强算法的局部探索能力,帮助粒子跳出局部最优解。在14个标准函数上进行仿真测试,结果表明改进算法具有更高的收敛速度和收敛精度,能有效地避免陷入局部最优,适合求解函数优化的问题。

应用档案精英学习和反向学习的多目标进化算法

现实中的多目标优化问题日益复杂,对多目标优化算法提出了新的挑战.受混合多目标优化算法的启发,该文提出了一种应用档案精英学习和反向学习的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Archive-Elite Learning and Opposition-based Learning,AOL-MOEA)以解决困难的多目标优化问题.AOLMOEA算法利用档案精英学习算子增强算法全局搜索能力,促进算法较快收敛;运用动态一般反向学习机制代替变异算子以增加种群逃逸局部极值的机会;使用3-点最短路径方法维持解群的多样性.AOL-MOEA算法与另外5种代表性多目标优化算法在12个基准多目标测试函数上进行性能比较,实验结果表明:AOL-MOEA算法在收敛性、多样性和稳定性等方面均优于或部分优于其他的对比算法.

一种精英反向学习的差分演化算法

为提高差分演化算法的性能,提出一种精英反向学习策略的差分演化算法.该算法以一定的概率通过反向学习生成种群中精英个体的反向解,引入一般化系数k,构造动态搜索边界下的反向群体形成反向搜索空间,之后同时评估当前种群与反向种群的解来指导算法的搜索空间向包含全局最优解的空间逼近,有利于均衡算法的勘探与开采能力.对13个典型的测试函数进行实验,将本文算法与5种代表性的差分演化算法进行对比,结果表明本文算法不仅在求解精度上更优,在收敛速度上也有非常大的优势.

应用精英反向学习的引力搜索算法

引力搜索算法是近年提出的一种颇具潜力的全局优化算法,已经成功应用到了各种工程实践中,然而它在求解复杂工程优化问题时容易出现早熟收敛问题。为了在一定程度上避免早熟收敛现象,提出一种应用精英反向学习策略的引力搜索算法(EOGSA)。在演化进程中,对当前种群中的每个个体分别执行精英反向学习策略,生成一个精英反向种群,并将生成的精英反向种群与当前种群同时进行竞争,选择出下一代种群。在一系列经典函数优化测试问题上的对比实验结果表明,EOGSA算法能够提高传统引力搜索算法的性能,在一定程度上避免早熟收敛的缺点。

自适应精英反向学习共生生物搜索算法

针对共生生物搜索算法在求解高维复杂问题时存在过早收敛,求解精度不高及后期搜索迟滞等问题,结合自适应思想,利用不同差分扰动项和精英反向学习策略对算法进行改进,得到一种改进的共生生物搜索算法。对14个标准测试函数的仿真实验结果进行分析,相比于原算法和其他三种目前流行的算法,改进算法在收敛速度和求解精度方面均具有明显的优势,寻优能力更强。

自适应精英反向学习的粒子群优化算法

针对标准粒子群优化算法易陷入局部最优、进化后期收敛速度慢和收敛精度低等缺点,提出一种自适应精英反向学习的粒子群优化算法.在迭代过程中,算法判断种群是否陷入局部最优,若陷入局部最优,则随机选择精英粒子的部分维度进行反向学习,且学习的维度空间大小随着进化呈线性递减,以此增强算法在进化前期的探索能力和后期的开发能力.在固定评估次数的情况下,实验对10个常用经典基准测试函数在30维上进行仿真测试,实验结果表明:改进算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于一些知名的改进粒子群优化算法.

基于精英反向学习的烟花爆炸式免疫遗传算法

针对移动机器人的路径规划中存在的避障和路径搜索等问题,文章提出了一种基于精英反向学习(elite opposition-based learning,EOBL)的烟花爆炸式免疫遗传算法(fireworks explosive immune genetic algorithm,FEIGA)。在FEIGA算法的基础上,引入EOBL机制扩大全局搜索,即在进行爆炸操作时,对当前最佳个体执行反向学习,生成其搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。函数优化结果表明,与其他算法相比,EOBL-FEIGA收敛速度更快,搜索精度更高,有效地解决了免疫遗传算法(immune genetic algorithm,IGA)存在的局部搜索能力弱、易早熟收敛的问题,克服了FEIGA算法易陷入局部最优解的不足。路径规划结果表明,在不同的复杂环境下,EOBL-FEIGA能实现机器人的最优路径搜索和避障,有较强的搜索能力和鲁棒性。

基于不同学习模型的精英反向粒子群优化算法

粒子群优化算法在求解连续函数优化问题时易早熟收敛、求解精度低,将反向学习策略引入粒子群优化算法,提出基于精英反向学习的粒子群优化算法.算法在进化过程中,依函数评估次数线性递减方式选择维度空间,随机选择全局最优粒子的维度进行反向学习,扩大搜索区域的范围,以此增强算法的全局勘探能力,提高算法寻找最优解的概率.随后,将4种常见的广义反向学习模型引入精英反向粒子群优化算法中,得到4种不同学习模型的精英反向粒子群优化算法.在12个经典测试函数上将上述4种算法进行对比,实验结果表明:虽然不同的反向学习模型形成的算法均比标准粒子群优化算法性能更优,但它们之间的寻优效率、计算精度等方面差异较大.

基于精英反向学习的萤火虫k-means改进算法

为解决传统k-means聚类算法在聚类精度及中心点选取方面的问题,提出一种基于精英反向学习的萤火虫k-means改进算法。针对k-means算法的弱点,利用萤火虫优化算法具有较强全局搜索能力这一特性,使用精英反向学习策略对萤火虫进行改进,扩大萤火虫的搜索范围并提高收敛速度,对萤火虫的吸引度和步长因子进行改进,提升聚类效率。将改进算法运用到UCI标准数据集进行聚类仿真实验,该算法在寻优精度和收敛速度上有更好的结果,验证了其有效性。

基于精英反向学习策略的麻雀搜索算法

针对麻雀搜索算法(Sparrow Optimization Algorithm,SSA)存在收敛速度慢、容易陷入局部极值的问题,提出了一种基于精英反向学习(EOBL,elite opposition-based learning)的麻雀搜索算法。该算法引入精英反向学习策略,通过精英个体反向学习生成反向解,同时获取精英麻雀的动态边界,对比更新前后麻雀,如果更优则替代之前的麻雀,从当前解和精英反向解中挑选优异个体作为下一代种群,有效的提高了算法全局搜索能力和搜索精度。通过标准测试函数进行对比仿真,结果表明加入精英反向学习麻雀搜索算法具有很好的全局搜索能力和收敛速度。

一种精英反向学习的花授粉算法

针对花授粉算法(Flower Pollination Algorithm,FPA)在处理高维优化问题时收敛精度低、速度慢等缺陷,提出一种基于精英反向学习的花授粉算法(Elite Opposition-Based Learning Flower Pollination Algorithm,EOBLFPA).改进的算法使用全局最优花朵的反向解更新花朵个体的位置,引导花朵个体向最优解靠近.在10个经典测试函数上做仿真实验,结果表明,EOBLFPA算法在收敛精度和收敛速度上有显著提升,寻优性能优于FPA算法和相关对比算法,并验证了其改进策略的有效性.

基于精英反向学习的逐维改进蜻蜓算法

针对蜻蜓算法(DA)寻优精度不高、收敛速度慢及后期搜索活力不足等问题,提出了基于精英反向学习的逐维改进蜻蜓算法(EDDA).首先,利用精英反向学习策略初始化种群,以增强种群多样性,提高搜索效率;其次,利用逐维更新策略对蜻蜓个体进行更新,减少维间干扰,有效提高了算法的寻优能力;最后,充分利用当前解的信息双向搜索,提升了解的搜索活力.通过9个测试函数的实验结果表明,该算法相比较于标准蜻蜓算法,寻优精度更高、收敛速度更快及后期搜索活力更强,与其他改进算法相比也具有一定的竞争优势.

融合Lévy飞行和精英反向学习的WOA-SVM多分类算法

元启发算法-SVM是多分类评价模型的典型架构,在多分类综合决策判定中具有重要的理论与实践意义,为此提出了一种融合Lévy飞行和精英反向学习的鲸鱼优化算法(Lévy flight and elite opposition-based whale optimization algorithm,LFEO-BWOA)-SVM多分类评价算法。利用Lévy飞行策略替代螺旋轨迹策略更新位置信息,有效克服了鲸鱼优化算法易陷入局部寻优的不足;引入精英反向学习机制增加种群多样性,提高了鲸鱼优化算法全局寻优的能力。实验仿真结果表明,LFEO-BWOA-SVM算法在分类准确率上比传统SVM、BP神经网络分别提高17.84%和4.51%,准确率为98.73%,在训练时间上比标准WOA-SVM和PSO-SVM分别缩短了9.34%和84.94%。实验结果证明,LFEO-BWOA-SVM算法的寻优能力和收敛速度均有明显提升,准确率和快速性良好。

精英反向学习与黄金正弦优化的HHO算法

针对基本哈里斯鹰优化算法(Harris hawks optimization,HHO)易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出融合精英反向学习与黄金正弦算法的哈里斯鹰优化算法(elite opposition-based learning golden-sine Harris hawks optimization,EGHHO)。融入精英反向学习机制,提高种群多样性和种群质量,提升算法全局寻优性能和收敛精度;融入黄金正弦算法优化哈里斯鹰围捕猎物的方式,有效缩小搜索空间,减少算法收敛时间,增强算法局部开发能力。通过求解多个单模态、多模态和高维度测试函数进行算法之间的对比,结果表明,融合两种策略的EGHHO算法具有较强跳出局部极值的能力以及更高的寻优精度和寻优速度。

应用精英档案和反向学习的多目标差分进化算法

针对多目标优化问题日渐复杂的情况,受集成算法思想的启发,提出一种应用精英档案和反向学习的多目标差分进化算法。该算法通过建立一个外部档案来保存种群进化过程中的非支配解,提高算法收敛速度。在进化过程中根据反向学习代跳跃概率,使用反向学习生成反向解,扩大搜索范围,提高种群多样性。利用网格系统确定解的坐标,并根据一定的约束生成交叉池,在交叉池中选择父代个体,利用差分进化算法产生新个体,通过网格约束分解排序算法选择下一代种群。将此算法与其他算法在UF测试函数上进行实验,结果表明:所提出的算法在解决无约束多目标优化问题上得到Pareto前沿形状有较强的鲁棒性。