基于均衡池和莱维飞行的饥饿游戏搜索算法

针对饥饿游戏搜索算法(hunger games search, HGS)存在收敛速度慢和易陷入局部最优等缺点,提出了一种基于均衡池和莱维飞行的饥饿游戏搜索算法(equilibrium Lévy hunger games search, ELHGS)。该算法首先利用tent映射产生更具多样性的初始种群;受到平衡优化器算法(EO)的启发,提出一种基于动态均衡池收敛的更新公式,其动态调整的更新策略使算法的全局搜索能力增强;为了进一步增强算法跳出局部最优的能力,在一定条件下对种群实施基于莱维飞行的变异操作。对23个基准函数进行仿真实验,结果显示与原始HGS算法相比,ELHGS求解精度更高、收敛更为迅速,在高维度多峰函数问题上效果最为显著。

精英反向学习t分布饥饿游戏搜索算法

饥饿游戏搜索算法相较于传统的群智能优化算法,具有较好的鲁棒性和寻优能力,但仍存在易陷入局部最优、收敛速度慢等缺陷。为进一步提高饥饿游戏搜索算法的寻优性能,提出精英反向学习t分布饥饿游戏搜索算法(Elite Opposition-Based Learning andt-Distribution Hunger Games Search Algorithm, EtHGS)。利用精英反向学习策略提高初始化种群多样性并且提高收敛速度,同时引入动态概率t分布自适应策略来平衡算法的全局探索和局部开发的能力。通过与饥饿游戏搜索算法(Hunger Games Search Algorithm, HGS)、哈里斯鹰算法(Harris Hawks Optimization, HHO)、黏菌算法(Slime Mould Algorithm, SMA)、精英反向黄金正弦鲸鱼算法(Elite Opposition-Based Golden-Sine Whale Optimization Algorithm, EGoldenSWOA)在多个单模态、多模态和高维测试函数之间进行寻优对比实验,结果表明,所提出的EtHGS算法具有较快收敛速度、较高求解精度以及较强的全局收敛能力。

混合策略改进的野马优化算法

针对野马优化算法存在种群多样性低、收敛速度慢和易陷入局部最优等问题,提出一种混合策略改进的野马优化算法(IWHO)。在马驹位置公式中引入基于饥饿游戏的Tent惯性权重,更好平衡算法的全局搜索与局部搜索能力;在放牧阶段引入折射镜像学习策略,利用折射镜像学习生成可行解的反向解,加快算法的求解速度;利用混合黄金正弦与飞蛾扑火算子,使算法跳出局部最优。将改进后的算法(IWHO)和其它算法在10个基准函数上对比测试,并通过Wilcoxon秩和检验和拉/压弹簧设计问题验证算法性能。仿真结果表明,IWHO在收敛速度和寻优精度上有明显改进。

基于HGS-IDWA算法的机器人路径规划研究

针对机器人路径规划问题,提出了融合饥饿游戏搜索(HGS)算法和改进动态窗口(IDWA)算法的优化思路。首先,利用HGS算法进行静态规划;其次,在动态规划阶段,针对传统DWA算法的路径选择不合理问题,引入新的目标函数以优化接近目标时的速度选择,在速度函数中加入障碍物数量以提升动态规划效率;最后,通过案例仿真与实地测试,分析机器人在规避动态障碍时获得的最佳路径。

基于IHGS-SVM算法的网络入侵检测方法

为进一步提高网络入侵检测质量,提出一种基于融合改进饥饿游戏搜索算法及支持向量机(IHGS-SVM)的入侵检测模型。首先识别网络入侵信息的类别,简化检测模型。然后通过改进的饥饿游戏搜索算法(IHGS)不断寻优,计算出支持向量机(SVM)算法中的最优参数,提升网络入侵检测准确率。实验结果表明,IHGS-SVM入侵检测算法较传统SVM算法,能更精确地辨别出网络入侵信息,更有利于提升网络入侵检测效率。

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷,综合考虑最大完成时间最少、任务执行总时间最优两个优化目标,提出一种多策略融合的粒子群优化(multi-strategy particle swarm optimization,MSPSO)算法,并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先,通过模拟退火算法动态更新惯性权重,平衡粒子群优化算法的全局搜索和局部搜索,帮助粒子跳出局部极值。其次,引入饥饿游戏搜索算法优化粒子位置更新策略,在算法后期加快粒子收敛速度,提高结果精度。最后,采用双重变异限制策略,同时限制粒子速度和位置,避免粒子发生越界。与其他3种粒子群优化算法进行对比实验,在适应度平均值、最小值、标准差3个方面,MSPSO都有更好的表现。通过仿真,在求解不同任务量的云计算任务调度问题中,MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时,MSPSO总成本比其他算法分别降低了14.4%、15.3%、11.2%,适应度值分别降低了10.5%、10.6%、7.6%,验证了所提算法在求解云计算任务调度问题中的有效性。

结合聚类的改进HGS求解复杂车辆路径问题

提出一种结合聚类分解策略的改进饥饿游戏搜索算法(Improved Hunger Games Search Algorithm Based on Cluster Decomposition,IHGS_CD)来求解带时间窗的多供应方车辆路径问题(MDVRP_TW)。首先,采用基于K-means的平衡约束聚类算法,将MDVRP_TW合理分解为一系列带时间窗的单供应方车辆路径子问题(VRP_TW);其次,提出一种改进饥饿游戏搜索算法(Improved Hunger Games Search Algorithm,IHGS)求解分解后的各子问题(VRP_TW),从而获得原问题的解。IHGS引入个体精度约束参数来控制个体继续迭代,从而有效控制个体精度以提高算法的全局最优解。最后,通过实验验证了所提IHGS_CD的有效性。