基于IMQ惯性权重策略的自适应灰狼优化算法

针对灰狼优化算法(Grey Wolf Optimizer, GWO)寻优精度低、收敛速度慢的问题,提出了一种基于IMQ惯性权重策略的自适应灰狼优化算法(ISGWO)。该算法利用IMQ函数的特性,实现对惯性权重的非线性调整,从而更好地平衡算法的全局勘探能力和局部开发能力;同时,基于Sigmoid指数函数自适应更新个体位置,更好地搜索和优化问题的解空间。采用6个基本函数和29个CEC2017函数对ISGWO进行测试,并与6种常用的算法进行比较,实验结果表明ISGWO具有更优的收敛精度和速度。

自适应遗传灰狼优化算法求解带容量约束的车辆路径问题

带容量约束的车辆路径问题是NP难的组合优化问题,精确算法无法在合理的时间内得到有效的解.本文提出了一种采用灰狼空间整数编码和先路由后分组解决方案生成策略的自适应遗传灰狼优化算法用于求解带容量约束的车辆路径问题.该算法提出了移动平均自适应灰狼更新策略和灰狼基因遗传策略提高全局收敛能力,同时提出带3-opt的劣势点启发邻域搜索策略来增强算法的全局和局部搜索能力.实验结果表明:所提出算法具有较高的计算精度和较强的寻优能力,有较高的鲁棒性,通过与自适应扫描和速度推测粒子群优化算法、K均值聚类和灰狼优化混合算法、大邻域搜索和蚁群优化混合算法、基于精英选择的多种群人工蜂群算法、基于集覆盖的扩展节省算法、混合变邻域生物共栖搜索算法等6个算法对比证明了算法的有效性.

基于改进灰狼优化算法的柔性作业车间分批调度问题研究

针对以最小化最大完工时间为目标的柔性作业车间分批调度问题(Flexible Job shop Batch Scheduling Problem,FJBSP),提出了一种改进灰狼优化(Improved Grey Wolf Optimization,IGWO)算法,优化对象为工件的分批方案。首次将流体模型应用于FJBSP的求解,提出了一种基于流体模型的解码方法,用于获得更好的子批调度方案;然后改进了狼群的等级制度,避免了算法过早收敛;其次设计了一种全新的适应可变长编码的交叉方法,深入交流2个个体之间的分批信息,增强了算法的搜索能力和稳定性;再次,提出了能够动态更新个体游走率的自适应灰狼游走策略,兼顾了算法的搜索质量和收敛速度;此外,对领头狼使用自适应邻域搜索动态调整每种工件选择各邻域的概率,提高算法的局部搜索能力;最后,设计了9个算例和3组实验,验证了所提出的IGWO算法的有效性和优越性。

非线性自适应分组灰狼算法

针对灰狼算法(grey wolf optimization, GWO)收敛速度慢、易陷入局部最优的问题,提出了一种非线性自适应分组灰狼算法(Nonlinear Adaptive Grouping Grey Wolf Optimization, NAGGWO)。首先,提出CPM映射生成初始种群,提高种群多样性;随后,提出一种“S”型非线性控制参数用来平衡算法的开采与探索能力;最后,采用自适应分组策略将狼群分为捕食组、游荡组和搜索组,对不同组灰狼个体分别采用改进的差分进化策略、随机反向学习策略以及算数优化算法(Arithmetic Optimization Algorithm, AOA)中的乘除算子进行位置更新,以改善GWO的收敛速度及精度。通过选取12个测试函数对NAGGWO进行仿真,结果表明在相同条件下,NAGGWO在求解低维问题和高维问题中相比其它算法都具有显著优势。

适应度反向学习的平衡灰狼算法及其应用

针对传统灰狼优化算法位置更新时勘探与开发失衡,收敛速度慢且陷入局部最优的问题,提出一种改进的灰狼算法(balanced grey wolf algorithm based on fitness back learning,BGWO),引入非线性控制参数,增强算法前期勘探能力,加速收敛;在种群迭代阶段采用重心反向学习的最优适应度权重更新策略,平衡算法的勘探与开发。16组基准函数测试结果表明,改进后算法能自适应跳出局部最优,在加快算法收敛速度的同时提高全局收敛能力与精度。将BGWO应用于PV型旋风分离器粒级效率GBDT(gradient boosting decision tree)的建模,提高了GBDT的精度,模型相关系数0.980,均方误差0.00079,BGWO-GBDT与GBDT、PSO-GBDT和GWO-GBDT相对比,建模精度和稳定性明显提高,验证了BGWO的有效性。

具有自适应搜索策略的灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。

基于Kent映射和自适应权重的灰狼优化算法

针对灰狼优化算法(GWO)易陷入局部最优、后期收敛速度慢等问题,提出一种基于Kent映射和自适应权重的灰狼优化算法。首先,该算法在种群初始化时引入Kent混沌映射,增强了初始化群体的多样性,可以对搜索空间进行更全面彻底的搜索;其次,在收敛因子a和种群位置更新公式中引入三角函数和贝塔分布,提高了算法后期的收敛速度;最后,在CEC2017常用的四类测试函数上的仿真实验表明,在相同的实验条件下,改进后的灰狼优化算法在求解精度和收敛速度上都有显著提升,且其性能明显优于其他智能优化算法和其他改进的灰狼优化算法。

结合模糊逻辑的自适应灰狼优化算法

本文提出了一种结合模糊逻辑的灰狼优化算法.本文利用模糊逻辑对灰狼算法的收敛性和多样性进行改进,在狼群迭代过程中加入对多样性度量和误差度量的性能考量,设计了可实现参数动态自适应的模糊规则,从而使算法能够在寻优过程中实时调整收敛速度并提高求解精度.首先,利用30、64和128维度的基准数学函数表明该方法的可行性,然后引用假设检验表明方法的有效性,最后将其应用于柔性外骨骼机器人姿态数据的聚类分析.实验结果表明,在分析的基准函数上,该方法比原始灰狼算法以及其它模糊灰狼算法的性能更好,在姿态数据的聚类上,基于该方法的K-means算法在聚类性能上得到很大提升.

融合自适应差分进化机制的多目标灰狼优化算法

针对灰狼算法易于陷入局部最优问题,提出了一种融合自适应差分进化机制的多目标灰狼优化算法。首先,将外部种群Archive按目标函数值的距离进行分组以避免存储相似个体。其次,设置头狼选择机制,在外部种群中选择头狼。最后,在更新过程中引入差分进化,择优选择下一代灰狼,同时差分进化参数可根据候选解加权目标函数值动态地自适应调整,平衡算法的局部开发与全局探测性能。基于8个多目标测试函数的验证结果表明,提出的多目标灰狼优化算法的收敛性与分布性优于其他3种算法。

贪婪随机自适应灰狼优化算法求解TSP问题

对于求解TSP问题,提出一种贪婪随机自适应灰狼优化算法(GRAGWO)。GRAGWO算法基于贪婪随机自适应搜索算法(G RASP),采用其构造阶段生成初始解,在局部搜索阶段采用灰狼优化算法(GWO)对结果进行优化。GWO算法不能直接用于求解离散问题,易陷入局部最优,导致后期收敛速率较低。根据TSP问题的特性,针对易形成局部最优路径和随着迭代次数增进而导致种群多样性减退这两个缺陷,重新定义灰狼编码方式,与GRASP启发式算法相结合,应用于求解TSP问题。采用TSPLIB中的多组不同规模的TSP问题作为实验用例,并将GRAGWO算法与其他仿生算法进行对比,结果表明在求解准确率、稳定性和解决大型城市问题方面具有相对优势。

改进自适应收敛因子的灰狼优化算法研究

针对传统灰狼优化算法易陷入局部最优解和狼群多样性贫乏等问题,提出了一种改进型的灰狼优化算法(ISSAGWO)。该算法通过混沌映射初始化灰狼种群,提高了全局最优值求解过程中的狼群多样性。为避免算法陷入局部最优解,引入了一种改进自适应收敛因子。对4种国际基准函数进行MATLAB仿真实验,实验结果表明,与其他群智能优化算法对比,ISSAGWO在求解精度和稳定性上有明显优势。此外,通过ulysses22标准数据集求解旅行商(Travelling Salesman Problem,TSP)问题,验证了该算法的可行性。

多角色优化策略的灰狼-共生生物搜索算法

针对共生生物搜索算法存在的易陷入局部最优及搜索停滞等缺陷,提出一种基于多角色优化策略的混合灰狼-共生生物搜索算法(MRSSOS).从算法内部结构、停止防止机制、混合智能优化算法三个方面对标准SOS算法进行改进,减少无效搜索的同时保持种群多样性,进一步平衡算法迭代过程中的探索能力与挖掘能力.实验测试结果表明,改进后的MRSSOS算法性能明显更好,选取的10个单峰函数中,9个都可在1000次迭代内收敛到理论最优解,9个多峰函数中,5个可达最优解,另外2个解优于对比算法,表明MRSSOS在收敛速度、求解精度、稳定性方面性能优势明显.

基于改进灰狼优化的UWSNs分簇路由算法

针对水下无线传感器网络中存在的严重的能耗问题,提出一种基于改进灰狼优化的UWSNs分簇路由算法,采用改进灰狼优化算法进行迭代更新,保证簇首分布均匀,节约簇首能量,平衡负载.数据传输阶段采用最短路径选择策略,保证多跳传输能耗最小.通过实验分析,该方法能够降低UWSNs能耗,延长网络生命周期.

基于信息共享搜索策略的自适应灰狼算法研究

针对基础灰狼优化(GWO)算法种群多样性不足和易陷入局部最优的缺点,从混沌初始化和种群间信息共享两个角度,提出一种基于信息共享搜索策略的改进灰狼优化(ISIAGWO)算法。首先,使用Iterative混沌映射初始化种群保证种群的多样性,并引入自适应动态算子增加优秀个体权重;其次,使用信息共享搜索策略更新种群有效避免算法陷入局部最优;再次,对8种基准函数进行寻优测试并与其他先进群智能算法进行对比,实验结果表明,ISIAGWO算法在解的精度和鲁棒性上有显著提升;最后,将ISIAGWO算法应用于经典的旅行商问题进行求解,证实该算法的实用性。

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.

改进的自适应灰狼算法在无线传感网络覆盖中的应用

根据无线传感器网络(WSN)节点在随机部署时存在聚集程度高导致覆盖率低的问题,提出一种改进的自适应灰狼优化算法,并将其应用于无线传感器网络节点的优化覆盖。首先,建立WSN覆盖优化的数学模型;其次,在灰狼优化(GWO)算法中,使用一种非线性收敛因子公式,动态调整算法的全局搜索能力;最后,利用自适应调整策略提高GWO算法的收敛速度。仿真实验表明,将改进的自适应灰狼优化算法应用于无线传感器网络覆盖优化中,比标准灰狼优化算法效果更好,有更快的优化速度,并且网络覆盖率有些许提高。

双收敛因子策略下的改进灰狼优化算法

针对标准灰狼优化算法(GWO)的收敛速度慢、易陷入局部最优等缺点,提出一种在非线性双收敛因子策略下基于双头狼引领的改进灰狼优化(GWO-THW)算法。首先,利用混沌Cubic映射初始化种群,提升种群分布的均匀性和多样性,并通过平均适应度值将狼群分为捕猎狼和侦察狼,两类狼群采用不同的收敛因子,在各自的头狼带领下寻找和围捕猎物;其次,为提升搜索速度和精度,设计了一种位置更新的自适应权重因子;同时,为跳出局部最优,当一定时间内未发现猎物时,狼群采用莱维(Levy)飞行策略随机更新位置。在10个常用的基准测试函数上验证GWO-THW的有效性。实验结果表明,与标准GWO及相关变体相比,GWO-THW在8个基准测试函数上都取得了较高的寻优精度和收敛速度,尤其在多峰函数上,200次迭代内就能收敛到理想最优值,从而验证了GWO-THW具有更好的寻优性能。

基于Levy飞行策略的灰狼优化算法

针对灰狼优化算法(GWO)收敛精度差、求解多峰优化问题容易陷入局部最优的缺陷,论文提出了一种基于Levy飞行策略的灰狼优化算法(LGWO)。在LGWO算法中,引入自适应位置更新策略、非线性收敛因子帮助算法平衡全局与局部搜索阶段,提升算法精度;除此之外,引入Levy飞行策略在算法在陷入局部最优时帮助算法快速跳出,进一步提升算法性能。使用IEEECEC-2017中的9个测试函数验证算法性能,并与粒子群算法(PSO)、原始灰狼算法(GWO)、布谷鸟灰狼算法(GWOCS)进行对比,实验结果表明LGWO算法的收敛精度、收敛速度和稳定性都有了明显进步。

改进量子粒子群自适应优化算法

近年来,智能优化算法层出不穷,如:灰狼优化算法(Grey Wolf Optimization,GWO)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、粒子群算法(Particle Swarm Optimization,PSO)、遗传算法(Genetic Algorithm,GA)等。由于智能优化算法参数较少,容易实现,受到各国学者的青睐。但是,随着优化功能的具体化和规模的庞大化,部分单一算法无法兼顾收敛速度和精度,无法满足实际应用的需求。

基于自适应调整策略灰狼算法的DV-Hop定位算法

针对无线传感器网络传统距离-矢量(DV-Hop)算法中最小二乘法估计误差过大的问题,提出了一种改进灰狼优化(Grey Wolf Optimization,GWO)算法与DV-Hop融合的算法。首先,利用传统的DV-Hop算法估算出信标节点与各未知节点间的距离。其次,用具有自适应策略的改进GWO算法代替最小二乘法来估算未知节点的位置,所做改进包括初始化狼群个体时引入佳点集,以提高初始种群的遍历性;为了加快种群位置的更新速度,对控制参数a采取自适应调整策略,并根据α,β和σ的适应度值加权更新种群位置。最后,采取镜像策略对估算出的越界节点进行处理。实验结果表明,相比于传统DV-Hop算法、文献[1]的算法和文献[2]的算法,所提算法的定位精度更高,稳定性更好。