维适应人工蜂群算法的研究

针对于基本人工蜂群算法对于改进维数以及改进维的选择没有充分利用历史搜索信息的问题提出一种维适应机制.由于不同优化问题适用的改进维数不同,而历史搜索信息中蕴含成功经验,构建改进维数成功历史档案并形成适应机制,使算法能够随着具体问题的优化过程适应到合适的改进维数,提高候选解搜索的成功率;在跟随蜂搜索阶段,保持一定比例随机选维的同时引入当前最优解信息对改进维的选择进行指导,在保证维选择适度随机性的同时更快适应到有潜能的维进行搜索,提升算法的收敛能力.采用CEC2014基准测试集与当前先进的5个改进的人工蜂群算法进行实验对比分析,结果及其统计检验表明,提出算法具有更好的求解精度、鲁棒性和收敛能力.

柯西变异的混沌自适应被囊群算法

针对被囊群算法(TSA)收敛速度慢,寻优精度低,易陷入局部极值等问题,提出了基于柯西变异的混沌自适应被囊群算法(KZCTSA).首先,采用Circle混沌初始化整个被囊种群,提高种群多样性,提升算法全局搜索能力;其次,引入自适应权重调整算法参数分配,平衡算法全局寻优和局部开拓能力;最后,使用柯西变异协调算法跳出局部最优能力.通过在10个基准测试函数上与其他算法比较寻优结果,并进行Wilcoxon、Fiedeman秩和检验评价算法性能,结果表明KZCTSA具有更好的求解精度和收敛速度.

基于窦性变异的改进人工蜂群白骨顶鸡算法及应用

针对白骨顶鸡算法(COOT)存在求解精度低、收敛速度较慢和易陷入局部最优的问题,该文提出一种基于窦性变异的改进人工蜂群白骨顶鸡算法(ICOOT)。首先,采用精英反向学习策略初始化个体位置,增加初始个体寻优多样性;其次,考虑到人工蜂群算法强大的搜索能力,提出一种以全局最优值引导的改进人工蜂群搜索策略,更新白骨顶鸡个体的位置,以提高COOT的搜索能力和收敛精度;最后,引入窦性变异策略对最优个体进行扰动,一方面使算法能够有效跳出局部最优,另一方面提高最优个体质量。利用12个基准测试函数对ICOOT进行寻优性能测试,将ICOOT应用于拉力/压力弹簧优化工程设计问题,并与其他元启发式算法进行了比较和分析,结果验证了改进的算法的可行性和优越性。

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。

基于人工蜂群算法的大规模武器目标分配研究

针对大规模武器目标分配问题,本文提出一种改进的多目标武器目标分配模型,该模型将武器平台泛化为武器,并将武器平均飞行时间作为第2个优化目标。为有效解决这类问题,本文还提出了改进的自适应离散多目标人工蜂群算法。该算法基于人工蜂群算法和非支配排序策略,引入了自适应算子操作数、重用蜜源探索信息的变异概率策略,并通过蜜源之间、蜜源与外部解集之间的交互以提高算法的收敛性,通过算子的随机选择保持种群多样性。最后通过不同规模武器目标分配的对比实验,证明了所提自适应算子操作数与重用蜜源探索次数的变异概率策略的有效性,并与MOABC、MOPSO、NSGA-II算法在反向世代距离、超体积、时间3个方面进行比较,本文算法能够在保证时效性的前提下得到质量更好的Pareto解集。

自适应柯西变异人工鱼群算法及其应用

利用鱼群搜到的信息和柯西分布的特点,提出一种自适应柯西变异人工鱼群算法,该算法克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了求解质量和运行效率.通过函数测试、理论分析和实例应用,表明该算法是可行的和有效的.

融合自适应惯性权重和柯西变异的秃鹰搜索算法

针对基本秃鹰搜索算法存在收敛速度慢、易陷入局部最优的缺点,提出了一种融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES).首先使用Tent混沌映射初始化种群,保留了种群的多样性;其次,引入自适应惯性权重,加快算法的收敛速度,增强算法的局部开发能力;最后将柯西变异算子整合到当前全局最优位置进行变异更新,提高算法陷入局部最优的能力.通过12个单模态、多模态基准测试函数对CBES、BES、FPA、MFO、PSO 5种算法进行实验对比,实验结果表明了改进后的算法在收敛速度和精度方面均得到了提升.同时将该算法应用到实际工程中,验证了算法的扩展性和适用性.

基于混沌初始化和自适应惯性权重及柯西变异的多策略海洋捕食者算法

针对海洋捕食者算法在搜索寻优过程中存在收敛速度慢和寻优精度低等问题,提出混沌初始化和自适应惯性权重及步长因子的多策略海洋捕食者算法。首先采用混沌映射的种群初始化操作,有寻优速度快、精度高的特点,有助于平衡局部最优和全局最优。其次采用根据迭代次数自适应改变惯性权重的策略,以更好地平衡全局搜索能力和局部搜索的精细程度。然后采用柯西分布变异,增强算法跳出局部最优和全局搜索的能力。最后在5个测试函数上对该算法进行仿真实验,并与其他4种群智能算法在高维和低维上进行比较和分析,验证了改进算法有更强的收敛能力和寻优能力。

集成自适应变异混沌松鼠搜索和LSTM算法的RUL预测方法及应用

针对松鼠搜索算法(SSA)优化长短期记忆人工神经网络(LSTM)时,存在优化参数易陷入局部最优以及LSTM预测效率下降的问题,提出一种自适应变异混沌松鼠搜索算法(AMCSSA)优化LSTM学习率及其下降因子的预测模型。通过计算AMCSSA的时间复杂度证明其在未增加算法复杂度的前提下提高寻优效率,AMCSSA采用切比雪夫混沌映射生成混沌初始种群,并将捕食者概率改为非线性递减模式,利用位置贪婪选择策略使其在算法迭代过程中不断更新并保留更优个体,引入自适应T变异策略提高SSA在搜索空间中的勘探能力。通过AMCSSA对LSTM的学习率及其下降因子进行参数寻优,进一步提高LSTM的预测能力。对滚动轴承的剩余使用寿命(RUL)进行实验验证,结果表明所提方法相较于传统SSA、粒子群算法(PSO)、蝙蝠算法(BAT)以及萤火虫算法(FA)优化LSTM后,在预测中的精度分别提高了1.05%、7.61%、8.4%以及7.73%,并且使优化后的LSTM在完成收敛所需要的迭代次数减少,从而提高预测效率。

自适应变异麻雀搜索优化算法

针对麻雀搜索算法前期易陷入局部极值点、后期寻优精度不高等问题,提出一种自适应变异麻雀搜索算法(AMSSA)。先通过猫映射混沌序列初始化种群,增强初始种群的随机性、遍历性,提高算法的全局搜索能力;再引入柯西变异和Tent混沌扰动,拓展局部搜索能力,使陷入局部极值点的个体跳出限制继续搜索;最后,提出探索者-跟随者数量自适应调整策略,利用各阶段探索者和跟随者数量的改变增强算法前期的全局搜索能力和后期的局部深度挖掘能力,提高算法的寻优精度。选取16个基准函数和Wilcoxon检验进行验证,实验结果表明:所提算法与其他算法相比,寻优精度、收敛速度和稳定性都取得较大提升。

基于自适应权重和柯西变异的鲸鱼优化算法

为了改进鲸鱼算法(WOA)容易陷入局部最优和收敛精度低的问题,提出了基于自适应权重和柯西变异的鲸鱼算法(WOAWC).首先通过柯西逆累积分布函数方法对鲸鱼位置进行变异,提高了鲸鱼算法的全局搜索能力,避免了陷入局部最优.另外通过自适应权重的方法改进了鲸鱼算法的局部搜索能力,提高了收敛精度;实验结果表明,改进的算法和原鲸鱼算法、遗传算法、粒子群算法相比,收敛精度和算法稳定性上都要优于其它算法.

自适应Tent混沌搜索的人工蜂群算法

为了有效改善人工蜂群算法(artificial bee colony algorithm,ABC)的性能,结合Tent混沌优化算法,提出自适应Tent混沌搜索的人工蜂群算法.该算法使用Tent混沌以改善ABC的收敛性能,避免陷入局部最优解,首先应用Tent映射初始化种群,使得初始个体尽可能均匀分布,其次自适应调整混沌搜索空间,并以迄今为止搜索到的最优解产生Tent混沌序列,从而获得最优解.通过对6个复杂高维的基准函数寻优测试,仿真结果表明,该算法不仅加快了收敛速度,提高了寻优精度,与其他最近改进人工蜂群算法相比,其性能整体较优,尤其适合复杂的高维函数寻优.

自适应人工蜂群算法在梯级水库优化调度中的应用

针对人工蜂群算法全局搜索能力强、局部搜索能力弱的缺点,提出了自适应人工蜂群算法,即先在搜索策略中引入自适应全局最优学习,以增强算法局部搜索能力;其次,个体使用改进策略进行全维搜索产生进化体,通过自适应交叉概率因子,将进化体与原个体进行交叉构建候选个体,以平衡算法搜索能力。在经典基准测试函数的仿真试验表明,与一些最新的改进人工蜂群算法相比,所提算法具有较大优势;在清江梯级水库优化调度应用中的测试,也证明了所提算法具有更好的适用性。

基于自适应t分布混合变异的人工萤火虫算法

针对人工萤火虫(AGSO)算法中存在一些漫无目的随机运动的萤火虫及一些萤火虫在非全局极值点出现严重聚集时,收敛速度降低,甚至陷入局部极值的问题,提出一种基于自适应t分布混合变异的人工萤火虫算法。用自适应t分布变异和最优调教变异来增强种群的多样性,限制算法陷入局部最优;定义了变异控制因子对变异的运行进行控制,结合历史状态信息给出了自适应t分布混合变异描述。该变异方法能使算法同时提高全局探索能力和局部开发能力。通过典型函数算例和实际应用算例实验结果表明,该算法是可行有效的,比传统算法具有较快的寻优速度和较高的寻优精度。

增强寻优能力的自适应人工蜂群算法

针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题,提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化,并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为,从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。

一种求解分类问题的自适应人工蜂群算法

考虑到分类算法学习到的分类器的可理解性,提出一种求解分类问题的自适应人工蜂群算法——A_ABC,该算法生成一组可理解的分类规则。在基于规则的分类方法中,采用合适的规则评价函数能够提高分类算法的性能,A_ABC算法能够针对不同数据集自适应选取相适应的规则评价函数,同时能够有效处理连续类型的属性和离散类型的属性。最后,在多个公用的真实数据集上,将A_ABC算法与相关算法进行了比较,结果表明A_ABC算法能够更加有效地解决分类问题。

基于平均熵的自适应人工蜂群算法

针对基本人工蜂群算法容易陷入局部最优和早熟等问题,提出一种改进的人工蜂群算法(ASABC)。利用平均熵机制初始化种群,增加种群的多样性,避免算法陷入早熟;同时,采用自适应调节邻域搜索步长的策略来提高算法的局部搜索能力,提升算法的计算精度;为了平衡算法的全局搜索能力和局部搜索能力,引入自适应比例选择策略来代替人工蜂群算法的适应度比例选择方法。对8个标准测试函数的仿真实验结果表明,与3种常见的智能优化方法相比,改进的算法具有显著的局部搜索能力和较快的收敛速度。

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止"早熟"现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。

基于竞争机制的自适应人工蜂群算法

从基本人工蜂群算法机制出发,针对原始算法容易陷入早熟和局部最优等问题,提出一种改进的人工蜂群算法(competitive self-adaptive artificial bee colony algorithm,CSABC)。利用竞争机制初始化种群,在保证种群多样性的前提下,提高初始解的质量;设计一种自适应局部搜索策略提高算法的邻域搜索能力;在选择操作上,引入自适应比例选择策略,避免算法加速收敛,陷入局部最优;对于即将抛弃的蜜源,采用最优值和最劣值指导重置个体,提高算法的计算精度。对8个典型测试函数的求解结果表明,改进算法在求解精度及可靠性方面有显著提高。

基于自适应搜索的人工蜂群算法

针对基本的人工蜂群算法(basic Artificial Bee Colony algorithm,ABC)收敛速度慢和容易陷于局部最优等不足,采用混沌算子和逆向学习算子相混合的初始化种群的方法,有效地改进了初始种群的多样性;在雇佣蜂和观察峰的位置更新上,提出了自适应搜索算子.改进后的算法(Improved ABC,IABC)测试了5个标准单峰或多峰函数,结果表明,IABC算法在搜索效率、最优解质量、稳定性均优于ABC算法.