基于鸽群算法的Fuch混沌蝗虫算法

针对蝗虫算法(GOA)存在位置更新易陷于局部最优和收敛精度低等问题,提出一种基于鸽群算法的Fuch混沌蝗虫算法(PFGOA)。首先用Fuch混沌映射初始化种群;然后将正弦余弦算子嵌入到位置更新公式,同时将鸽子搜索算子加入优化过程,并且通过改变惯性权重c来改善和平衡该算法的探索和开发能力;最后对最优个体引入非线性惯性权重,增加算法全局搜索能力,跳出局部最优。通过对11个测试函数进行仿真测试以及用Wilcoxon秩和检验的方法进行差异显著性统计检验的实验结果证明,改进后的算法性能更优,求解精度更高,显著性更好。

混合多策略改进的斑点鬣狗优化算法及应用

针对基本斑点鬣狗算法求解精度低、易陷入局部最优值等缺点,提出一种混合多策略改进的斑点鬣狗优化算法。通过Fuch混沌映射实现鬣狗种群的多样性,利用自适应惯性权重平衡斑点鬣狗算法的全局搜索和局部开发能力,引入拉普拉斯算子进行动态交叉操作,提高SHO算法跳出局部最优的能力,将小孔成像反向学习和逐维反向学习机制相结合,使种群更符合迭代规律,提高算法的收敛速度和寻优能力。通过若干基准函数的仿真实验进行比较,其结果表明,LPSHO具有更优越的寻优性能。将改进后LPSHO运用在机械优化设计和桁架结构优化工程问题上,与其它算法对比进一步表明LPSHO能够很好解决这类结构优化问题。

融合动态概率阈值和自适应变异的鲸鱼优化算法

针对基本鲸鱼优化算法在非线性优化问题中存在的收敛精度低、易陷入局部最优解的问题,提出一种融合动态概率阈值和自适应变异的鲸鱼优化算法.首先,利用Fuch混沌和反向学习生成均匀的初始种群;其次,设计基于双曲余弦函数的动态调整概率阈值以协调算法全局搜索与局部开采能力,采用可变权重对鲸鱼位置更新公式修正,提高收敛速度和精度;最后,对鲸鱼精英个体引入自适应变异策略,以避免算法陷入局部最优解而搜索停滞.对13个基准测试函数仿真实验,结果表明,与基本GWO算法、PSO算法以及鲸鱼优化算法相比,该算法具有更好的求解精度、收敛速度.

海鸥算法的改进及其在工程设计优化问题中的应用

【目的】本文研究海鸥算法求解最优化问题时存在的收敛速度慢、易陷入局部最优等缺点。【方法】首先融合Fuch混沌映射与精英反向学习策略来初始化海鸥种群,提高种群质量;其次根据余弦函数改进自身行为的特征参数A,将海鸥算法的线性搜索非线性化;最后通过加入莱维飞行机制增加海鸥飞行的随机性,对算法进一步优化。【结果】通过9个基准测试函数和3个工程设计优化问题对I-SOA(Improved-Seagull Optimization Algorithm)性能进行测试,实验结果表明:对于9个基准测试函数,I-SOA算法比标准SOA、PSO、GA算法在寻优精度和收敛速度上都要优越,尤其在求解f7、f9时均求得理论最优解0;对于3个工程设计优化问题,I-SOA算法相比于标准SOA算法寻优精度和收敛速度优势明显,相比于其他群智能优化算法的最优值,适应性和稳定性更强。【结论】I-SOA算法在基准测试函数和工程设计优化问题中均有优异的表现,证实了海鸥算法改进的有效性。

基于改进BOA-ELM的热轧带钢宽度预测

针对传统粗轧宽度预测模型参数强耦合、非线性等特点,从数据驱动角度出发,提出一种基于改进蝴蝶算法优化极限学习机(IBOA-ELM)的粗轧宽度预测模型。首先,利用蝴蝶优化算法(BOA)对极限学习机(ELM)的随机权重和偏置进行参数寻优,以提高ELM模型的预测精度。然后,针对蝴蝶优化算法易陷入局部最优及收敛性差等问题,引入Fuch混沌映射、非线性惯性权重和折射反向学习等策略改进蝴蝶优化算法,进一步提高宽度预测模型的精度。最后,通过某钢厂热轧生产现场数据对该模型进行仿真测试。结果表明:基于数据驱动的IBOA-ELM模型在预测精度方面具有明显优势,预测粗轧宽度误差在±8 mm以内的命中率为93%,明显优于对照模型,可用于热轧带钢粗轧宽度预测且具有较强的适用性。