求解函数优化问题的改进的人工蜂群算法

为提高人工蜂群算法求解复杂函数优化问题的性能,分析了算法中侦察蜂逃逸行为的不足,并对其进行改进:定义了逃逸指标,使其能准确地反映个体状态对算法早熟的影响;重新设计选择机制,让侦察蜂不需要参数控制,能自适应地选择可能导致算法早熟收敛的个体执行逃逸操作;改进了逃逸算子,降低了逃逸操作的盲目性。通过9个典型测试问题的实验结果表明:在指定误差精度下,本改进算法均能有效收敛;同时与基本人工蜂群算法和已有的典型改进相比,本改进算法在收敛精度和速度上均有明显提高。说明提出的改进策略能有效提高算法求解复杂函数优化问题的能力。

改进人工蜂群算法求解多目标连续优化问题

针对多目标连续优化问题,依据人工蜂群算法原理给出其求解流程,并指出算法中更新策略存在盲目搜索和丢失优秀个体的不足,随后提出改进方案。改进方案包含两部分:首先,设计一种自适应搜索算子,使算法在运行过程中能根据个体质量自动调节搜索范围,让算法搜索行为准确高效;其次,利用外部集合记录下新产生的个体,一次迭代完成后结合外部集合重新构造种群,让算法能有效地保存进化过程中产生的优秀个体。实验中将改进人工蜂群算法与NSGA2算法、改进前算法以及文献报道的同类优秀算法进行了比较,结果说明:改进人工蜂群算法在求解多目标连续优化问题中具有良好的收敛性和均匀性。

基于极值优化策略的改进的人工蜂群算法

为提高人工蜂群算法在求解优化问题中的性能,结合极值优化策略提出一种改进的人工蜂群算法。改进算法基于极值优化策略高效率的寻优机制重新设计了原算法中跟随蜂的局部搜索方案,并具体给出了新方案的组元变异算子和最差组元判定规则。通过对优化问题中8个典型测试函数的仿真实验表明,与基本人工蜂群算法和已有的典型改进算法相比,改进算法在寻优精度和收敛速度上均有明显提高,在优化问题求解中体现出较强的寻优能力。

基于改进蛙跳策略的Map-Reduce作业调度算法

为提高智能算法在Map-Reduce作业调度问题中的求解效率,提出一种基于改进蛙跳策略的调度算法。针对蛙跳策略在Map-Reduce作业调度中的应用,算法具体设计了编码方案和进化算子;同时,为提高算法收敛性能,对蛙跳策略进行改进:结合种群多样性指标增加逆转变异操作。仿真实验结果表明,提出的改进蛙跳策略在Map-Reduce作业调度问题求解中,收敛性能、作业总完成时间和平均完成时间三个方面均优于基本蛙跳策略和已有的智能调度算法,是一种实用的Map-Reduce作业调度方案。

一种多目标人工蜂群算法

为将标准人工蜂群算法有效应用到多目标优化问题中,设计了一种多目标人工蜂群算法。其进化策略在利用精英解引导搜索的同时结合正弦函数搜索操作来平衡算法对解空间的开发与开采行为。另外,算法借助了外部集合来记录与维护种群进化过程中产生的Pareto最优解。理论分析表明:针对多目标优化问题,本算法能收敛到理论最优解集合。对典型多目标测试问题的仿真实验结果表明:本算法能有效逼近理论最优,具有较好的收敛性和均匀性,并且与同类型算法相比,本算法具有良好的求解性能。

一种人工蜂群算法改进方案

为提高人工蜂群算法的寻优效率,对算法中跟随蜂和侦察蜂的搜索策略进行了改进,提出了一种反映个体拥挤程度的crowd指标,并基于该指标为跟随蜂设计了针对优秀个体的自适应邻域搜索策略;针对侦察蜂的搜索行为,设计了一种较差个体重置机制,以保持种群多样性,防止算法可能出现的早熟收敛。通过八个典型测试函数的仿真结果表明,相比原算法以及实验中列出的同类算法,改进算法在收敛速度和寻优精度上取得了较好的效果,说明了改进方案的有效性。