粒子群优化算法的改进及数值仿真

提出一种改进的粒子群优化算法,该算法采用使全局探索与局部开发合理平衡的方法,降低了粒子群优化易陷入早熟收敛的可能性.先用Beta分布初始化种群,再用逆不完全Γ函数更新惯性权重,然后基于差分进化的新算子实现速率更新,最后采用基于边界对称映射的方法处理粒子的越界.数值仿真结果表明,改进算法明显优于普通粒子群优化算法、差分进化算法、人工蜂群优化算法和蚁群优化算法.

基于Baker映射的自适应樽海鞘群算法

为了克服樽海鞘群算法(Salp Swarm Algorithm,SSA)求解准确性不足和易过早收敛的缺点,提出了一种多策略改进的樽海鞘群算法(MISSA)。引入Baker混沌映射生成樽海鞘群的初始种群,以提高初始个体的均匀性;将T分布策略应用到食物源位置公式中,对原始位置进行随机干扰,引导樽海鞘个体向最优解空间运动;在跟随者位置更新公式中引入不完全Γ函数的自适应权重,以改善算法的局部和全局搜索能力。将改进算法在8个测试函数上进行仿真实验,并与不同的群智能算法进行了比较。结果表明,改进算法具有更好的全局和局部搜索性能以及更高的搜索精度。

基于Iterative映射和单纯形法的改进灰狼优化算法

为了解决基本灰狼优化算法(GWO)依赖初始种群和求解精度不高的问题,提出一种基于Iterative映射和单纯形法的改进灰狼优化算法(SMIGWO)。该算法利用混沌Iterative映射产生初始灰狼种群,增强全局搜索过程中的种群多样性;采用逆不完全Γ函数更新收敛因子,以平衡算法的全局搜索和局部搜索能力;利用单纯形法的反射、扩张和收缩操作对当前较差个体进行改进,避免算法陷入局部最优。对10个测试函数进行仿真实验,数值结果表明,与基本GWO算法、Square GWO算法、非线性收敛因子的GWO(NGWO)算法、混合GWO(HGWO)算法、粒子群优化算法(PSO)、细菌觅食算法(BFA)和引力搜索算法(GSA)相比,改进的灰狼优化算法求解精度更高,稳定性更好。