混合策略改进的麻雀搜索算法

针对麻雀搜索算法存在的迭代过程中种群多样性减少且容易陷入局部最优以及收敛速度慢等问题,提出混合策略改进的麻雀搜索算法(MSSSA)。利用Circle映射初始化麻雀个体位置,增加初始种群的多样性。结合蝴蝶优化算法(BOA)中蝴蝶飞行方式,改进发现者的位置更新策略,增强算法全局探索能力。采用逐维变异方法对个体位置进行扰动,提升算法跳出局部最优的能力。在仿真实验中与4种基本算法和5种改进算法基于10个基准测试函数进行比较并进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和求解精度,全局寻优能力得到大幅提升。

混合策略改进的蝴蝶优化算法

针对蝴蝶优化算法存在的求解精度低、易陷入局部最优等缺陷,提出混合策略改进的蝴蝶优化算法。首先,利用Circle映射初始化蝴蝶个体的位置,增加初始个体的多样性;其次,在局部搜索阶段利用动态切换概率控制改进正弦余弦算法与蝴蝶优化算法的转换,充分利用少量的蝴蝶个体,增强算法的局部开发能力;然后,在全局和局部位置更新处引入自适应余切权重系数,控制蝴蝶个体下一代的移动方向和距离,提高算法的收敛速度和精度;最后,引入逐维变异策略,对全局最优位置变异,引导种群向最优位置进化,避免陷入局部最优。对八个基准函数进行仿真实验,结果表明,改进算法的收敛性能更佳,与其他改进算法相比具有一定的竞争力。

改进哈里斯鹰优化算法求解作业车间调度问题

针对哈里斯鹰优化(harris hawks optimization,HHO)算法在解决以最小化最大完成时间为目标的作业车间调度问题,存在收敛后期陷入局部最优和早熟的缺陷问题,提出一种改进哈里斯鹰优化算法。在哈里斯鹰算法中引入变邻域搜索,更好地深入探索最优哈里斯鹰个体的邻域,提高算法的局部开发能力;当算法的最优解停滞更新时,采用逐维柯西高斯变异策略产生新的候选解,增强种群的多样性和跳出局部最优的可能性;引入逐维自适应变异策略,扰动最优解,避免算法过于早熟。求解作业车间调度问题的仿真结果表明,改进哈里斯鹰优化(IHHO)算法实验结果优于哈里斯鹰优化(HHO)算法、灰狼优化(GWO)算法以及鲸鱼优化算法(WOA),有效地避免了哈里斯鹰优化算法早熟,陷入局部最优的问题。