混合随机反向学习和高斯变异的混沌松鼠搜索算法

针对松鼠搜索算法(SSA)易陷入局部最优、过早收敛等问题，提出一种混合随机反向学习和高斯变异的混沌松鼠搜索算法(RGCSSA)。该算法通过Tent混沌映射初始化策略生成混沌初始种群，增强初始种群分布的均匀性，实现对解空间更高效的搜索；采用非线性递减的捕食者概率策略，平衡SSA的全局搜索和局部开发能力；利用位置贪婪选择策略在迭代过程中不断保留种群中的优势个体，以提升算法收敛速度；引入随机反向学习和高斯变异策略，在增加种群多样性的同时提高算法跳出局部最优的能力。使用10个不同的基准测试函数进行仿真实验，并利用Wilcoxon符号秩检验验证所提算法的寻优性能，结果表明，RGCSSA算法在求解精度、收敛速度和稳定性等方面均有极大提升。     

基于量子计算和威布尔分布的混合CHIO算法求解JSP问题

针对冠状病毒群免疫优化算法（coronavirus herd immunity optimizer, CHIO）在解决优化问题时存在易陷入局部最优解、收敛速度慢和收敛精度差等问题,文章提出一种量子混合CHIO算法（quantum hybrid coronavirus herd immunity optimizer,QCHIO）。首先,引入量子计算的思想,通过量子相关性实现全局搜索和快速收敛的目标,能够有效避免算法陷入局部最优解的问题。其次,采用威布尔分布算子的大步长和小步长来增加算法的多样性,使算法能够更好地探索搜索空间,增强了算法的全局开发能力。此外,还引入β-登山算子通过搜索当前最优解的邻域,尝试找到更优的解,从而增加了算法的搜索宽度,改善了解的质量。多邻域搜索则通过搜索全局最优解的多个邻域来增加了算法的收敛精度。为验证其性能,将QCHIO应用到10种标准算例中与其他几种改进算法进行了对比分析,并通过显著性检验证明了QCHIO的优越性。最后将QCHIO应用到某发动机生产调度实例上,进一步证明了QCHIO的可行性和优越性。     

基于改进蚁群算法的移动机器人全局路径规划方法研究

针对基本蚁群算法在移动机器人全局路径规划中收敛速度慢,易陷入局部最优解的问题,提出一种改进的蚁群算法。将A*算法的根据目标点自适应调整启发函数的思想应用于蚁群算法中,增加目标点对启发函数的影响;改进状态选择策略,增加解的多样性;混合使用多种信息素分配机制,提高算法的收敛速度。通过布置相同的路径搜索条件,在MATLAB语言环境下进行仿真分析,验证了改进的算法是可行有效的。     

基于混合量子进化算法的自动化制造单元调度

为解决传统智能优化算法在求解自动化制造单元调度问题时易出现早熟、陷入局部最优等问题,提出了混合量子进化算法.该算法采用序列染色体和量子染色体相结合的混合编解码策略,利用构造启发式算法生成初始种群,避免了不可行解的大量产生;为提高算法的优化性能,进化过程中采用序列染色体和量子染色体同步交叉变异策略,并引入了基于图论的不可行解修复策略.通过与遗传算法、基本量子进化算法的对比实验,验证了算法的有效性.     

基于混合遗传算法的连采机减速器试验模态参数识别

针对经典遗传算法在复杂空间上局部搜索能力较弱,易过早陷入未成熟收敛,并在接近最优解时,由于优化压力较小导致搜索效率低等问题,在传统遗传算法群体进化中引入拉马克学习机制,构造基于拉马克学习机制的局部搜索算子,建立起混合遗传算法模型.两种算法相互融合,使学习的优势得到发挥,提高局部深度搜索能力并加快了全局收敛速度.将其应用于连采机减速器试验模态参数识别中,结果证明了混合遗传算法的有效性和准确性.     

基于自适应遗传算法的大型关重件车间布局优化

针对大型关重件生产车间的多行布局问题,建立了同时考虑物流费用与物流时间的多目标优化数学模型,运用了一种改进的自适应遗传算法,其交叉概率和变异概率可随群体的适应度自动改变,使算法避免陷入局部最优;加入精英保留策略,使每代中的最优个体都能够得到保留,避免交叉和变异操作遗失全局最优解。最后结合某船用曲轴车间实例,分别运用该算法和标准遗传算法对车间布局模型进行计算,通过数据和性能分析表明该算法有效的解决了遗传算法易陷入早熟及收敛速度慢的问题;优化后的车间物流费用及物流时间减少约35%,证明该方法在车间布局中的可行性和有效性。     

改进遗传算法及性能测试

为解决标准遗传算法处理复杂系统时易陷入局部最优及稳定性差的问题,通过复制优等个体进行选择,根据种群适应度采用了精英保留原则的交叉、变异运算,得到种群最优个体,通过权威测试函数对比修改后遗传算法与标准遗传算法的性能。结果显示,修改后的遗传算法具有更快的收敛速度和更好的稳定性,最优解不会陷入局部最值中。     

基于小生境技术的改进鲸鱼优化算法北大核心CSCD

针对标准鲸鱼优化算法全局搜索能力不足、收敛速度慢等问题,采用小生境技术和引入自适应权重对鲸鱼优化算法进行改进。首先,引入小生境技术中的竞争选择策略,通过比较距离添加共享函数计算适应度来提高鲸鱼算法的寻优能力,避免WOA算法陷入局部最优,解决算法早熟现象;其次,采用自适应参数作为位置权重调整鲸鱼算法的位置公式,提高算法的收敛速度和寻优精度。将该算法引入单峰和多峰模态基准测试函数中,仿真实验表明,在保证算法收敛速度的同时,所提出的改进鲸鱼优化算法有效地提高了搜索能力和寻优精度。     

基于混合策略改进的鹈鹕优化算法

针对鹈鹕优化算法求解精度低、稳定性不足、易陷入局部最优等问题,文章提出一种混合策略改进的鹈鹕优化算法（IPOA）。首先,为了增强种群的随机性和多样性,扩大种群的搜索范围,引入反向折射学习机制;其次,利用正余弦算法和鹈鹕算法融合,改进鹈鹕搜索猎物的方式,增强算法的局部搜索与全局搜索能力;然后,采用Levy飞行机制对鹈鹕位置进行更新,从而提高算法的搜索能力以寻找最优值;最后,引入自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强鹈鹕种群的多样性,避免算法陷入局部最优。通过12个标准测试函数对改进算法与海鸥优化算法、黑猩猩优化算法、鲸鱼优化算法、蛇群优化算法和基本鹈鹕优化算法进行测试比较,结果表明,IPOA具有更好的收敛速度和稳定性。最后将改进鹈鹕算法应用于压力容器设计优化问题,进一步证实改进后的算法具有较好的求解性能。     

基于改进蝙蝠算法的移动机器人路径规划方法研究

针对智能算法解决移动机器人路径规划问题时存在的效率低下、易陷入局部最优等问题,将黄金正弦算法融合到蝙蝠算法中,提出一种具有快速收敛能力和全局搜索能力的混合算法。该算法利用黄金正弦对精英蝙蝠个体位置进行更新,增加算法寻优方式,提高收敛速度,同时使用平均种群位置对剩余个体进行引导,改善种群多样性;其次对最优个体分阶段进行单维和全维搜素,增加对最优解局部区域的搜索方式;最后引入删除操作,降低路径冗余度。仿真结果表明,改进算法规划的路径在长度和平滑度上都有很好的表现,对比其它几种算法,路径搜索需要的迭代次数更少。     

基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。     

引入变异算子的改进贪心和蚁群混合算法

为求解旅行商问题,对一种改进的2-opt和蚁群混合算法进行了改进,引入了贪心算法和变异算子,解决了算法求解过程中随着迭代次数增加,局部最优解路径上信息素浓度过高的问题,避免了算法运行后期信息素浓度与节点距离对状态转移概率计算影响度失衡的不足,增加了路径的多样性,为解决蚁群算法易收敛于局部最优解的不足提出了新的思路。最后采用差分进化算法对算法参数进行了优化。使用改进后的算法求解旅行商问题,验证了算法改进的可行性和有效性。     

基于自适应蚁群算法的装配线平衡问题研究

提出了一种自适应蚁群算法,用以求解装配线平衡问题。在该算法中,针对装配线平衡问题的具体特点,设计了一种蚂蚁分配方案可行解的构造策略,提出了一种比传统方法区分度更高的评价解质量的目标函数,同时为了克服蚁群算法易陷入局部最优和收敛速度慢等缺陷,通过自适应地调整算法的挥发度等系数,在保证收敛速度的条件下提高了解的全局性。最后,通过实例验证,证明了算法的可行性和有效性。     

基于改进势场蚁群算法的移动机器人全局路径规划

针对势场蚁群算法路径转折点数量过多、收敛速度过快、容易陷入局部最优等问题,提出了基于势场跳点的蚁群算法.该算法融合了蚁群算法和跳点搜索算法的搜索策略,使规划出的路径更加平滑;引入了势场合力递减系数,减少了势场蚁群算法因势场而陷入的局部最优问题;引入了简化的跳点搜索算法对初始化信息素进行更新,提高了算法前期的搜索效率.为...     

机器人逆运动学的模拟退火自适应遗传算法

对5自由度关节型机器人的运动特点进行分析,并建立该机构的运动模型.在基本遗传算法的基础上,针对求解串联机器人运动学逆解的特殊性,为了消除遗传算法易陷入局部最优或早熟问题,提出一种新颖的改进遗传算法,采用模拟退火和自适应策略,保证其收敛性并加快收敛速度.仿真结果表明,该算法求解精度高,收敛速度快,且稳定性好.     

基于改进蚁群算法的装配序列规划

针对装配序列规划问题,分析了基本蚁群系统的不足,提出了面向装配序列规划的改进蚁群算法,来获得最优或次最优的装配序列.改进蚁群算法中,将装配操作约束作为启发式信息引入状态转移概率中,通过获取零部件之间的装配关系设定可行转移范围.通过信息素残留系数的动态变化和影响转移概率的α、β参数的动态设置,提高了蚁群的收敛速度并有效地避免了其陷入局部最优解.通过实例验证了改进算法的有效性.     

改进的PSO及其在结晶器液位控制中的应用

针对粒子群算法存在的易于陷入局部极值和收敛速度慢等不足，提出了基于变惯性权重和多种群并行寻优策略的，通过多种群寻优策略来解决陷入局部极值的问题，利用变惯性权重的方法提高收敛速度。并将改进粒子群算法在连铸结晶器液位PID控制器参数自整定中进行了应用研究，仿真结果表明了此算法在PID参数的自整定过程中的有效性。     

基于改进PSO的局部阴影下光伏阵列MPPT控制

光伏阵列在局部阴影情况下,其功率-电压曲线将呈现多峰值特征,针对传统粒子群算法在最大功率点跟踪时存在易陷入局部最优、收敛速度慢等问题,采用一种改进的粒子群算法,在粒子群算法中引入自适应调节的惯性权重和学习因子,使系统快速、精确地搜索到最大功率点。通过仿真验证了所采用的算法在不同阴影条件下能够提高收敛速度,快速追踪到最大功率点,避免陷入局部最优。     

面向电商终端物流配送路径优化的改进蚁群算法

为解决大规模电商物流终端配送路径优化问题,提高物流配送路径优化效率和质量,提出一种基于临近城市列表最大-最小蚁群系统的物流配送路径优化算法。通过引入临近城市列表使蚂蚁在更可能产生最优解的路径中进行搜索,从而更有效地收敛到最优解;最大-最小蚁群系统限制信息素的范围,避免算法陷入局部最优,提高寻优能力。采用菜鸟网络的大规模真实数据对所提出的算法进行比较评价。结果表明,所提出的算法能够快速且有效的求得最优解;并且,随着问题规模的扩大,算法改进的效果越明显。     

改进灰狼优化算法在特征栅格地图上的路径规划

针对灰狼优化算法求解移动机器人路径规划易陷入局部最优且效率低的问题,本文提出一种改进灰狼优化算法在特征栅格地图上的路径规划方法。首先,对灰狼优化算法进行改进,引入根据具体要求调节算法的全局搜索和局部搜索的调节因子,并引入动态权重和游走策略以提高算法的收敛速度和避免局部最优的能力;其次,提出一种建立特征栅格地图的新方法,加快了特征栅格的确定;最后设置远距离特征栅格和可视步长,简化了邻接矩阵的建立。仿真实验结果表明,本文算法相比于其它算法在标准测试函数和路径规划问题中,都有更优的结果。在此基础上,通过建立特征栅格地图,有效地加快了改进算法在路径规划问题上的求解速度。