基于混沌映射与高斯扰动的蝙蝠优化算法

该文针对蝙蝠算法求解精度低、易陷入局部最优的问题,提出一种基于混沌映射与高斯扰动的蝙蝠优化算法。采用Tent映射产生混沌序列并进行种群初始化,提高了种群多样性与全局寻优能力。在当前全局最优位置添加高斯扰动,避免算法过早陷入局部最优。为验证改进算法的有效性,选用10个不同维度的基准测试函数,与3种已有的蝙蝠算法进行比较。试验结果表明,改进后的算法在寻优精度、收敛速度和稳定性方面明显高于另外3种算法。

基于模拟退火高斯扰动的蝙蝠优化算法

蝙蝠算法(bat algorithm,BA)是一类新型的搜索全局最优解的随机优化技术。为了提高BA算法的搜索效果,把模拟退火的思想引入到蝙蝠优化算法中,并对蝙蝠算法的某些个体进行高斯扰动,提出了一种基于模拟退火的高斯扰动蝙蝠优化算法(SAGBA)。分别将蝙蝠优化算法、模拟退火粒子群算法、SAGBA在20个典型的基准测试函数中进行仿真对比,结果表明SAGBA不仅增加了全局收敛性,而且在收敛速度和精度方面均优于其他两种算法。

基于高斯扰动的反向蜉蝣优化算法

目的 解决蜉蝣优化算法收敛精度较低且易陷入局部最优解的不足。方法 将高斯扰动和混合反向学习策略与蜉蝣优化算法进行融合,提出一种基于高斯扰动的反向蜉蝣优化算法。该算法在雌雄蜉蝣种群中通过反向学习来扩大搜索空间,增加种群多样性;在迭代过程中对雄性蜉蝣的最优个体进行高斯扰动,防止算法陷入局部最优解。结果与结论将改进蜉蝣优化算法与其他7个对比算法在14个测试函数上进行数值实验,结果表明,改进蜉蝣优化算法具有更好的搜索能力和求解精度。

动态步长高斯扰动绯鲵鲣算法优化

采用模糊控制得到基于个体适应度的动态步长来提高算法收敛速度。引入高斯扰动对陷入局部最优的个体进行扰动,提升算法逃离局部最优的能力。求解了多个单峰、多峰基准测试函数。

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。

具有高斯扰动的最优粒子引导粒子群优化算法

针对粒子群算法(particle swarm optimization,PSO)收敛速度慢和早熟收敛的问题,提出一种具有高斯扰动的最优粒子引导粒子群优化算法(OGPSO).该算法通过在粒子的速度更新公式上移除自我认知部分,增加局部最优粒子控制的高斯扰动项来实现改进PSO算法.通过移除自我认知部分,使种群中的粒子主要受当前全局最优粒子引导;通过增加高斯扰动项,又提供了一种防止粒子陷入局部最优点的机制.两种改进措施相结合,既加快了收敛速度,又避免了早熟收敛的问题.在典型测试函数集上的仿真实验结果和与其它经典及新近改进PSO算法的对比实验结果,均表明本文算法有较好的寻优性能及稳定性.

基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化(QPSO)算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。

基于速度权重扰动机制的改进蝙蝠优化算法

为提高基本蝙蝠算法的局部最优解开发能力,拟引入速度权重扰动机制,提出一种基于速度权重扰动机制的改进蝙蝠优化算法.在算法迭代寻优过程中,蝙蝠个体自身当前位置优于群体当前位置均值时,选择带有速度权重扰动机制的速度演化策略更新下一代速度信息,从而提高算法跳出局部最优的能力,并最终实现群体逼近收敛到全局最优解.针对典型基准测试函数的仿真实验结果表明,该速度机制能够有效提高蝙蝠个体的局部开发能力,加强算法的全局寻优能力.

具有高斯扰动的局部引导粒子群优化算法

为解决粒子群优化算法PSO存在的早熟收敛问题,提出了一种具有高斯扰动的局部引导粒子群优化算法(LGPSO)。该算法在粒子的速度更新公式上采取两种措施改进PSO:一是移除社会认知部分,使粒子仅受局部引导;二是增加全局最优粒子控制的高斯扰动项。两种改进措施相结合,可有效解决早熟收敛的问题,加快收敛的速度。本文算法通过与经典及新近改进PSO算法的多次对比实验测试,均展现出较好的寻优性能及稳定性。两种改进措施的效果分析实验测试数据和社会认知项与高斯扰动项的对比实验测试数据也进一步验证了本文算法的有效性。

一种具有速度扰动的高斯学习粒子群优化算法

针对标准粒子群(PSO)算法在复杂问题上收敛速度慢和早熟收敛的缺点,提出一种基于速度扰动的高斯学习粒子群优化算法(PGPSO).新算法中,首先在速度更新公式中添加速度扰动项,使得每次迭代进化时粒子速度增量比标准PSO更大,一方面加快了算法的收敛速度,另一方面又减缓了粒子速度快速降低的趋势,有效地维持了种群的多样性;同时引入高斯学习的概念,当算法陷入局部最优时,对全局最优粒子在搜索空间进行高斯学习,以增强算法逃离局部最优的能力.基准测试函数的实验结果表明,相较一些国际上知名的粒子群算法,新算法不仅能提高收敛速度、增强全局搜索能力,而且能有效提高解的精度和稳定性.

基于高斯扰动量子粒子群优化的图像分割算法

研究图像提取问题,在处理由不同种类纹理区域组成的彩色图像时,针对克服量子粒子群优化(QPSO)聚类算法由于早熟现象导致图像分割过程中难以计算出精确纹理区域,为了能准确提取图像目标和提高精度,提出了基于高斯扰动的量子粒子群优化(GQPSO)的新型聚类算法。受益于高斯扰动,GQPSO改善了QPSO固有的多样性下降和陷入局部早熟的问题,而快速逼近全局最优解。对Berkeley Segmentation数据库中的6幅图像的分割实验结果表明,相比于PSO和QPSO,GQP-SO的聚类效果和性能均有明显改善。

基于萤火虫算法和高斯扰动的飞蛾优化算法

针对飞蛾优化算法易陷入局部最优、寻优精度不高的缺点,提出一种基于萤火虫算法和高斯扰动的飞蛾优化算法。采用萤火虫算法改善飞蛾优化算法的初始种群质量,增强飞蛾种群的多样性;将指数递减策略引入飞蛾位置更新公式,使算法迅速进入全局寻优并展开精确搜索;构造高斯扰动项加入到局部新解产生公式,防止陷入局部最优;设计扰动控制因子以控制高斯扰动的扰动范围,增强算法的稳定性。通过10个测试函数进行仿真实验。结果表明:改进的飞蛾优化算法的寻优性能明显提高,收敛速度更快,求解精度更高,稳定性更强。

改进蝙蝠算法在多目标优化中的应用

在模拟退火的高斯扰动蝙蝠优化算法(SAGBA)的基础上,结合解决多目标优化问题的算法技术,探讨了2种改进的多目标蝙蝠算法——基于动态加权的SAGBA算法(DWASAGBA)和基于向量估计的SAGBA算法(VESAGBA),并对算法进行了仿真实验.结果表明,SAGBA算法所得到的解集分布均匀,能够得到测试函数较为准确的Pareto曲线.

基于高斯扰动和指数递减策略的改进蝙蝠算法

针对基本蝙蝠算法后期收敛速度慢、收敛精度不高、稳定性不强等问题,提出基于高斯扰动和指数递减策略的改进蝙蝠算法(GDEDBA)。将指数递减策略引入速度更新公式,使算法迅速进入局部寻优并展开精确搜索;构造高斯扰动项加入到局部新解产生公式,使局部新解中所有粒子与当前全局最优粒子产生信息交流与学习,防止陷入局部最优,增加种群多样性;设计扰动控制因子来控制高斯扰动的扰动范围,增强算法的稳定性。15个测试函数的仿真结果表明,改进算法的寻优性能显著提高,收敛速度更快,求解精度更高,稳定性更强。

混沌映射与精英高斯扰动的非线性灰狼优化算法

针对传统灰狼优化算法处理复杂优化问题时易于陷入局部最优,提出基于混沌Tent映射与精英高斯扰动的非线性灰狼优化算法。根据混沌Tent映射与对立学习机制,保证较优个体的同时,设计种群初始化方法,可使个体尽可能均匀分布;为有效均衡个体的局部开发和全局勘探能力,设计一种非线性收敛因子控制策略;在头狼选取上引入面向精英个体的高斯扰动机制进行位置更新,使算法跳出局部最优。若干基准函数优化求解的测试结果表明,该算法可以有效提升寻优精度和收敛速度。

基于反向学习和高斯扰动的粒子群优化算法

针对标准粒子群优化算法(Particle Swarm Optimization,PSO)收敛速度慢,易陷入局部最优的问题,提出一种基于反向学习和高斯扰动的粒子群优化算法。算法在粒子"自我学习"基础上,随机选择种群中任意粒子的反向位置,对当前粒子进行反向学习,增加种群多样性。算法在进化过程中,还对全局最优位置进行高斯扰动,防止算法陷入局部最优。实验表明,相比较传统知名算法如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等。论文算法在30维和100维测试函数上,无论是收敛精度,还是收敛速度,均具有明显的优势。

基于改进金枪鱼优化粒子滤波算法的谐波估计

新能源快速发展和电力电子设备不断应用,在推动整个电力系统快速发展的同时,也加重了影响电能质量的谐波污染问题。对谐波的准确估计是有效解决谐波污染的前提,针对目前电力系统的谐波估计精度不高、适用性低、抗干扰性较弱等问题,提出了改进金枪鱼群优化粒子滤波算法(TSO-PF)。首先引入Tent混沌映射初始化粒子种群,使其个体分布更均匀;随后将金枪鱼的螺旋觅食和抛物线觅食两种狩猎行为引入粒子滤波算法中,通过加入高斯扰动因子和水波动态自适应因子改进策略,提升金枪鱼优化算法的寻优能力,并指导粒子向高似然区域移动,提高粒子的多样性;最后对IEEE-14节点系统进行仿真,结果表明,所提的算法具有较好的鲁棒性、精度和抗干扰能力。

改进蝴蝶算法优化支持向量机的土壤含水量预测模型

针对传统土壤含水量预测方法精度低、效率差的不足,提出改进蝴蝶算法优化支持向量机的土壤含水量预测算法。引入Levy飞行改进蝴蝶优化算法的位置更新方式,结合高频短步长跳跃搜索和低频长步长行走策略,同步实现局部精细搜索和远程区域勘探,提升寻优能力;设计基于高斯变异和混沌Logistic映射的个体扰动机制,提升种群多样性。利用改进蝴蝶优化算法LGBOA优化SVM模型,构建土壤含水量预测模型。选取某地土壤气象数据为样本进行实验分析,验证LGBOA-SVM模型可以提高土壤含水量预测精度和效率。

带有高斯变异的Lévy飞行改进蝙蝠算法

提出一种带有高斯变异的Lévy飞行特征的改进蝙蝠算法(GMBA).该算法中,每只蝙蝠根据当前位置的优劣程度选择不同的飞行方式,位置较差的采用Lévy飞行,位置较好的逐步向群体最优位置移动;最后在算法满足变异条件时,应用高斯变异策略,从而在一定程度上避免了算法陷入局部最优,并能获得高精度的解.结果显示,GMBA的优化性能有了显著的提高.

一种基于改进差分进化的K-Means聚类算法研究

为改进传统K-Means聚类算法中因随机选取初始聚类中心而导致聚类结果不稳定且效率低的缺点,提出一种基于改进差分进化的K-Means聚类算法(AGDE-KM)。首先,设计自适应操作算子来提升算法前期的全局搜索能力和后期的收敛速度;其次,设计多变异策略并引入权重系数,在算法的不同进化阶段发挥不同变异策略的优势,平衡算法的全局和局部搜索能力,加快算法的收敛速度;最后,提出一种基于当前种群最佳个体的高斯扰动交叉操作,为个体提供更优进化方向的同时保持种群在“维”上的多样性,避免算法陷入局部最优。将算法停止执行时输出的最优解作为初始聚类中心替代传统K-Means随机选取的聚类中心。将提出算法在UCI公共数据库中的Vowel、Iris、Glass数据集和合成数据集Jcdx上进行对比实验,误差平方和(SSE)相对于传统K-Means分别减小5.65%、19.59%、13.31%、6.1%,聚类时间分别减少83.03%、81.33%、77.47%、92.63%。实验结果表明,提出的改进算法具有更快的收敛速度和更好的寻优能力,显著提升了聚类的效果、效率和稳定性。