自适应变异的天牛群优化算法

针对复杂优化问题下粒子群优化算法收敛速度慢和易早熟收敛的缺陷,提出一种结合粒子群优化算法与天牛须搜索算法的新型优化算法——自适应变异的天牛群优化算法。首先,通过引入个体粒子对周围环境的感知机制,构造一种基于自适应须长与步长的天牛群优化算法,丰富个体在迭代过程中可参考的信息;然后,引入多维扰动群体最优位置的变异策略,实现减少陷入局部最优解的功能;最后,根据群体聚集程度调整变异概率,并随着迭代的进行逐步降低变异概率以使天牛群在迭代后期稳定在局部精细搜索。为验证算法的性能,将新算法与其他7个对比算法针对7个经典测试函数在不同维度下针对平均适应值和算法运行时间进行比较,此外,还进行了神经网络训练对比测试以验证算法实用效果。实验结果表明新算法的寻优效果和收敛速度较其他算法有较大提高,尤其适合应对高维复杂优化问题。

元胞空间结构下的文化算法

针对以往文化算法种群空间没有地域的概念,信念空间缺少文化的进化机制,以及求解优化问题时寻优精度不高且易陷入局部最优等缺陷,提出一种新的基于元胞空间结构的文化算法.将元胞空间网格分别嵌入文化算法计算框架中的种群空间和信念空间以模拟文化算法的双层进化体系;对于种群空间,将进化个体分布于下层元胞网格,并对网格进行地域划分,使每个地域内的个体均以差分进化算子独立进化;对于信念空间,将进化信息放入与种群空间地域对应的上层元胞网格当中,利用文化的扩散机制实现文化的进化.实验结果表明,该算法具有收敛精度高以及全局搜索能力强等优点,在处理高维复杂优化问题时同样具有优势.