融入重心反向学习和单纯形搜索的粒子群优化算法

针对粒子群优化PSO算法后期种群多样性差和易陷入局部最优解等问题,提出具备重心反向学习和单纯形搜索行为的粒子群优化COLS-PSO算法。初始时,基于混沌策略构造出搜索空间。进化过程中,基于Spearman系数选择需要进行重心反向学习的粒子,以帮助算法逃离局部极值区域。进一步引入局部搜索能力较强的单纯形搜索方法增强对最优粒子邻近区域的开发,以提高搜索精度。实验先在若干标准测试函数上进行,之后将COLS-PSO算法应用于软件测试数据生成问题。实验结果表明,COLS-PSO算法在求解精度、收敛速度和有效性方面表现较好,能够有效平衡种群多样性和算法收敛性的矛盾。

基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法

针对蝴蝶优化算法(BOA)收敛速度较慢和过早收敛到局部解的问题,提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法(HSSBOA)。首先,将樽海鞘群算法(SSA)引入BOA中,使算法快速处理局部搜索阶段,并更新种群位置,从而更有效地完成寻优过程,避免算法陷入局部最优;然后,引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索,从而提高算法的精度;最后,引入动态切换概率以改善搜索中全局与局部的比重,从而加快算法的搜索速度。选取10个标准检测函数进行测试,将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差(MAE)五个方面进行对比分析。研究结果表明,相较于其他算法,HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法,在求解有约束的复杂问题时,HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势,并且能够求解复杂的现实问题。

重心反向粒子群优化算法在无线传感器定位优化中的应用

针对传统DV-Hop算法误差过大、粒子群优化(PSO)算法易陷入局部最优问题,提出了一种重心反向粒子群无线传感器网络(WSNs)节点定位算法。首先将PSO算法结合重心反向学习策略,以整个群体的重心为参考点计算反向解,并且结合粒子正向解和反向解,选取更优适应度值的粒子作为下一代,以进一步提高种群的多样性。其次对粒子运行速度进行改进,在速度中加入一种随机扰动的线性递增项,提高算法后期收敛速度,避免陷入局部最优。最后将重心反向粒子群算法结合DV-Hop定位方法,构建基于重心反向粒子群算法的网络节点定位方法。仿真结果表明:相比传统DV-Hop算法,重心反向粒子群算法的定位精度更高,效果更好,适用于定位精度要求较高的场景。

融合学习机制的多混沌麻雀搜索算法

针对麻雀搜索算法(SSA)易受初始解的影响陷入局部极值、迭代后期收敛速度慢等缺陷,提出了一种融合学习机制的多混沌麻雀搜索算法(MMCSSA)。首先,引入重心反向学习策略(COBL)生成精英种群增强对多源优质搜索区域的勘探能力,提升算法的局部极值逃逸能力和收敛性能。其次,提出一种动态调整的黄金正弦领导策略并嵌入SSA中以改善发现者的搜索方式,增强算法的全局搜索能力。然后,提出一种基于学习机制的多混沌映射策略,该机制利用多混沌多扰动模式的特性,通过动态调用不同混沌映射赋予算法不同类别的扰动特征。混沌扰动失败时,引入高斯变异策略对当前解进行深度开发,两种策略协同作用,相互促进,极大增强了算法逃逸局部最优的能力。最后,将所提算法应用于12个不同特征的基准函数进行实验,结果表明与其他算法相比,MMCSSA在收敛精度、寻优速度和鲁棒性方面有更好的表现。

基于反吸引速度更新机制的改进蜉蝣算法

针对蜉蝣算法(MA)前期收敛速度较慢、后期寻优精度不高等问题,提出一种基于反吸引速度更新机制的改进蜉蝣算法(MMOA)。采用改进型Tent混沌序列初始化蜉蝣种群,使蜉蝣分布更加均匀,提升了种群的多样性;结合MA的特点,引入反吸引速度更新机制指导蜉蝣速度更新,平衡算法的全局搜索和局部寻优能力,进而提升算法的收敛性能;对全局最优蜉蝣进行逐维的重心反向学习变异,降低各维度间的干扰,帮助算法跳出局部最优并加速收敛。基于12个标准测试函数和部分CEC2017测试函数进行对比仿真实验,结果表明:MMOA较灰狼优化(GWO)算法、MA等算法在收敛速度、寻优精度和稳定性等方面都具有明显优势。

自适应变异蝴蝶优化算法

针对基本蝴蝶优化算法存在的收敛速度慢、求解精度低和易陷入局部最优等问题,提出一种自适应变异蝴蝶优化算法。首先,利用改进帐篷映射结合重心反向学习初始化种群,获得更好的初始解;其次,在位置更新处引入非线性惯性权重,平衡算法的全局搜索与局部搜索能力;最后,在算法运行过程中,根据群体适应度方差以及当前最优解大小来决定是否对当前最优解和最差解进行高斯变异二次寻优,增强算法跳出局部最优的能力。对12个基准测试函数的多种维度仿真实验结果表明,该算法在收敛速度、求解精度和寻优稳定性方面明显优于其他对比算法。

多策略改进的麻雀搜索算法

针对麻雀搜索算法在迭代收敛时易陷入局部最优的问题,提出多策略改进的麻雀搜索算法(NLSSA)。利用邻域重心反向学习策略优化麻雀算法的初始种群,提高初始个体质量。通过Levy飞行策略的长短距离跳跃更新麻雀生产者位置,从而提升麻雀算法的局部极值逃逸能力。在跟随者位置更新机制中引入自适应权重,从而平衡麻雀算法的局部挖掘和全局寻优能力。为了验证所提NLSSA算法的性能,利用8个基准测试函数进行测验,测试结果与Wilcoxon符号秩检验结果表明,与麻雀搜索算法、粒子群优化算法、灰狼优化算法和其他改进的麻雀搜索算法相比,NLSSA算法在寻优精度、稳定性能和收敛速度方面的效果更佳。

基于改进SSA-LSTM的销量预测研究

为提高销量预测的准确率,提出一种基于改进麻雀搜索算法优化LSTM的销量预测模型。首先在算法迭代过程中通过重心反向学习对个体进行变异,以增强算法跳出局部最优的能力;其次利用改进的算法对LSTM神经网络的超参数进行优化,解决了依靠主观经验选取超参数时存在精度不佳的问题;最后在原始销售数据的基础上加入大量零售数据等多个特征变量进行辅助预测,提高模型预测准确性。实验结果表明,该模型相较于其他模型具有更好的预测效果。

一种最优粒子逐维变异的粒子群优化算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优、收敛速度过慢、精度低等问题,提出一种新的变异策略,对全局最优粒子进行逐维的重心反向学习变异.逐维变异降低了维间干扰,通过更新全局最优位置引领粒子向更好的位置飞行,同时加强了种群的多样性.仿真实验与基于柯西变异的混合粒子群算法(HPSO)及重心反向粒子群优化算法(COPSO)在9个标准测试函数上进行了对比.实验表明逐维重心反向变异算法(DCOPSO)具有较高的收敛速度及精度.

基于KPCA-IAOA-PNN的变压器故障诊断方法

为提高变压器故障诊断的准确率,现提出一种基于核主成分分析和改进阿基米德算法的变压器故障诊断方法。引入核主成分分析对数据进行特征提取,采用重心反向学习的方法提高阿基米德优化算法的寻优能力,从而优化概率神经网络的平滑因子。建立KPCA-IAOA-PNN变压器故障诊断模型,并与PNN、PSO-PNN、AOA-PNN、IAOA-PNN进行对比,诊断精度分别为:95%、75%、83.33%、86.67%、91.67%。实验结果表明,该变压器故障诊断模型能够显著提高变压器故障诊断的准确率。

融合聚类算法的改进麻雀搜索算法

聚类算法与群智能算法有着各自的优点,为克服麻雀搜索算法陷入局部最优且依赖于初始化种群的缺陷,提出融合聚类算法的改进麻雀搜索算法,采用K-medoids对每次迭代后的种群进行动态更新,使得种群个体分布均匀,再引入基于重心的反向学习策略,提高了发现者的搜索范围且极大地防止算法出现早熟现象,在追随者的位置更新上引入了自适应余弦权重此策略,使得追随者的搜索更加细致且灵活,平衡了算法的局部和全局性搜索。通过8个标准测试函数验证了改进算法的有效性及可行性。

基于混合决策的改进鸟群算法

针对鸟群算法(bird swarm algorithms, BSA)在求解复杂函数问题时存在的精度低、易陷入局部最优等问题,在保留BSA简单性的同时,提出一种基于混合决策的改进鸟群算法(improved bird swarm algorithms based on mixed decision making, IBSA)。应用重心反向学习机制初始化鸟群,维持鸟群较好的空间解分布。为了有效平衡算法在寻优过程中全局探索能力和局部发觉能力,动态调整鸟群飞往另外区域的周期。引入自适应余弦函数权重策略和加权平均思想对生产者觅食公式进行改进,增加算法在陷入局部最优后的脱困能力。在9个测试函数的基础上通过仿真试验对比基于IBSA、BSA、粒子群算法(particle swarm optimization, PSO)性能。结果表明,改进算法在单峰函数和多峰函数的测试中,寻优精度和寻优速度得到了较大程度上的提升。