引入Logistic混沌映射的连续蟑螂算法应用于函数优化问题

通过模拟蟑螂的觅食行为,提出用于解决函数优化问题的连续蟑螂算法(continuous cockroach swarm optimization,CC-SO).算法模拟了蟑螂的群居、巢穴不固定、爬行轨迹杂乱无章等生物特性.通过食物车在解空间内抛洒食物,吸引蟑螂向食物爬行完成搜索.在巢穴分配和食物抛洒环节引入了Logistic混沌映射,增强了巢穴和食物在解空间内分布的随机性和遍历性.仿真实验显示,与API和PPBO算法相比,CCSO算法在求解精度、收敛速度、寻优率等方面均提高显著.

新的仿生算法:蟑螂算法

通过模拟蟑螂的觅食行为,提出蟑螂算法(Cockroach Swarm Optimization,CSO)。算法充分利用了蟑螂社会的平等特性和群体智慧。食物再分配、回巢等策略的使用使算法具有较强的全局搜索和局部搜索能力。以TSP问题为例对算法进行仿真测试,实验证明算法有效且优于存在的离散粒子群算法(Discrete Particle Swarm Optimization,PSO)。

引入大变异策略的蟑螂算法研究

通过模拟蟑螂的觅食行为,提出蟑螂算法(Cockroach Swarm Optimization,CSO),并用于求解组合优化问题.算法充分利用了蟑螂社会的平等特性和群体智慧.大变异策略提高了算法全局搜索和避免陷入局部最优的能力.仿真实验表明CSO算法在求解TSP问题方面优于存在的离散粒子群算法(Discrete Particle Swarm Opti miza-tion,PSO).

基于蟑螂算法的产品拆卸序列规划

文章为研究废弃产品的拆卸序列规划,首先建立了产品拆卸模型混合图,描述零部件之间的连接关系和优先关系,推导出可拆卸性条件;其次,通过几何推理生成产品可行的初始拆卸序列,建立目标函数并构建适合拆卸序列规划的蟑螂算法;依据初始拆卸序列和其他控制参数,结合蟑螂算法对拆卸序列进行优化得到最优解;最后,通过实例验证了该方法的可行性及高效性。

人工鱼群算法与差分进化变异蟑螂算法动态融合及其在网格任务调度中的应用

深入分析人工鱼群算法和蟑螂算法的特点基础,提出一种改进式蟑螂算法。将差分进化变异因子、禁忌表分别引入到蟑螂算法,加快了算法的搜索速度和获得全局最优解的能力。采用权衡种群中最优个体和精英个体之间的差异度的方式将改进后的蟑螂算法和人工鱼群算法动态融合。仿真实验表明将这种动态融合后的算法解决网格任务调度问题可以获得较好的调度效果。

一种新的融合粒子群算法的混合蟑螂群算法

针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题。首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优。仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法。

新的仿生优化算法:食物车-蟑螂群优化算法

提出一种新的仿生优化算法——食物车-蟑螂群优化算法。该算法模拟蟑螂的觅食行为,通过食物车在解空间定义域内抛洒食物,吸引蟑螂向食物爬行,完成搜索。在求解过程中通过巢穴变迁、平等搜索和食物筛选等策略加强全局搜索和局部搜索能力,提高算法收敛速度。仿真实验结果表明,该算法寻优率高,收敛速度快。

改进的CSO算法应用于连续优化问题

针对连续优化问题,提出了一种改进的CSO算法。该算法思想借鉴了物学领域的"瀑布效应"原理,通过Fg(foodglo-bal)投射食物,吸引具有简单智慧和行为规则的蟑螂在解空内爬行,完成搜索。实验结果表明,改进的CSO算法寻优率高、收敛速度快,尤其是搜索到了LevyNo.5测试函数的"新解"。

连续域问题的CSO算法性能研究

介绍了基本蟑螂算法(CSO)的算法思想,并通过改进基本的CSO算法得到可应用于连续优化问题的CSO算法.分析了改进后算法的性能,实验证明:CSO算法在种群规模较小的情况下,可以快速收敛到一个高精度的解.

一种扩频雷达多相编码设计方法

扩频雷达多相码设计属于NP-hard问题,针对此问题提出一种子群蟑螂算法。该算法使用环形结构子群划分方案,在此基础上设计了针对整群和子群的两种寻优操作,迭代过程中的两种操作被蟑螂个体通过阈值判断并随机选择,整群寻优对应全局搜索,子群寻优对应局部搜索,整个种群通过贪婪策略完成进化。子群划分方案保证了算法解的多样性,一定程度上避免了算法陷入局部最优,贪婪策略保证了算法中精英个体的规模。仿真实验显示:子群蟑螂算法有效弥补了原始蟑螂算法早熟的缺欠,可以高效求解扩频雷达多项码设计问题。