基于全局最优解和随机采样的改进人工蜂群算法

为进一步提高人工蜂群算法的收敛速度、开采能力,提出了基于全局最优解和随机采样的改进人工蜂群算法.算法在跟随蜂阶段采用全局最优引导与完全随机采样相结合的高斯搜索策略,以加快算法的收敛速度,平衡探索和开采能力,避免陷入局部最优.在侦察蜂阶段引入包含被遗弃蜜源信息的高斯方程产生新蜜源,加快搜索速度.在12个基准测试函数上进行了比较实验,实验结果表明该改进的算法求解简单函数时,收敛速度更快,求解较复杂的函数时,解的精度和稳定性得到一定的提高.     

一种改进的混沌局部搜索的人工蜂群算法

人工蜂群算法具有鲁棒性强、收敛速度快且全局寻优性能优异等优点,但其局部搜索能力不足.为了克服此缺陷,提出了一种改进的混沌局部搜索的人工蜂群算法.新算法在每一代的所有个体的平均值附近利用混沌函数进行局部搜索,然后在搜索到的解和原食物源之间采用贪婪选择的原则确定下一代种群.基于6个标准测试函数的仿真结果表明,本算法能有效地加快收敛速度,提高最优解的精度,其性能优于已有的人工蜂群算法.     

基于自适应选择策略的人工蜂群算法

由于适应度比例选择法在进化过程中使得蜜源的多样性受限和早熟收敛.因此,按照蜜源当前的性状提出了一种基于自适应选择策略的蜂群算法(SABC)来动态地调节选择压力,使算法的全局搜索和局部搜索能力达到平衡.从测试函数的仿真结果表明:改进的人工蜂群算法很大地提高了蜂群算法的寻优能力,在收敛速度和精度上优于基本蜂群算法.     

基于狭义中心和随机维度学习的人工蜂群算法

针对人工蜂群算法收敛速度慢、寻优精度低的缺点,提出基于狭义中心和随机维度学习的人工蜂群算法。首先,在算法中定义狭义中心蜜蜂,并与当前种群最优解进行贪婪选择为种群最优解;其次,用最优解引导算法进行搜索,以增强算法局部搜索能力;再次,在每次迭代时,蜜蜂随机选择若干维度数进行学习,以加速算法收敛。8个经典基准函数的测试结果表明,新算法在收敛速度和解的精度上优于类似改进算法。     

基于最速下降法改进的人工蜂群算法

针对基本人工蜂群算法求解优化问题时存在收敛精度低、搜索盲目性大的缺点,提出一种基于最速下降法改进的人工蜂群算法.算法利用最速下降法简单、计算量小的特点,对基本人工蜂群算法中经过limit次更新后没有得到改善的蜜源进行更新,它结合了基本人工蜂群算法较强的全局搜索能力和最速下降法快速精确的局部搜索能力,能够有效避免基本人工蜂群算法中的某些盲目的无意义迭代.经过9个标准测试问题的仿真试验表明,所得的人工蜂群算法具有比基本人工蜂群算法更快的收敛速度和更高的求解精度.     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

改进人工蜂群算法

针对人工蜂群算法存在的收敛速度慢、易陷入局部最优的缺点,利用自由搜索算法中的信息素、灵敏度模型代替传统的轮盘赌选择模型,并引入OBL策略产生新蜜源取代每次迭代的最差蜜源,提出了一种改进的人工蜂群算法,并结合NIT技术建立一种新的多峰优化方法.对9个标准测试函数仿真表明本文提出的改进算法不仅大大提高了最优解的精度而且缩短了运行时间,改进性能明显优于现有人工蜂群算法.实例测试表明该方法能够有效、精确地搜索各个峰值点.     

一种应用于函数优化问题的多种群人工蜂群算法

针对传统人工蜂群算法(ABC)收敛速度慢、易陷入局部最优解等不足,提出一种基于种群分割的多种群人工蜂群算法(MABC)应用于函数优化问题.该算法利用K均值聚类算法对蜂群进行种群分割,在子种群中引入基于全局通信的蜜源位置更新方式加速算法收敛,同时引入基于局部通信的适应度函数扩展解方案的多样性.通过对6个基准测试函数的实验表明,MABC算法适应度高、收敛速度快,克服了ABC算法易陷入局部最优解等不足,在函数优化问题中表现出了更好的性能.     

集成学习人工蜂群算法

为了抑制人工蜂群算法中的早熟收敛问题,提出一种集成学习框架,挖掘种群中的有用信息来抑制早熟。当个体产生候选解的时候,通过对所有好于当前解的个体线性组合,产生一个集成最优解;然后利用相应的人工蜂群算法的搜索公式产生候选解,该公式中的全局最优解被集成最优解代替。该框架通过产生更有希望的个体带领算法进化,帮助算法逃离局部最优解。实验表明,新的集成学习框架显著地提高了全局最优解引导的人工蜂群算法的性能,而没有增加算法的计算复杂度,且该框架可提高全局最优解引导的差分、粒子群算法的性能。     

基于自适应进化策略的人工蜂群优化算法

提出一种自适应进化策略的人工蜂群优化算法来提高基本人工蜂群优化算法的性能。算法中每个引领蜂拥有4种进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定引领蜂个体的进化行为,并通过多策略进化概率变异方式来提升个体寻优速度或避免陷入局部最优解。典型高维复杂函数测试表明,该算法具有很好的收敛精度和计算速度。     

基于精英保留策略与爆炸算子的改进遗传算法

针对标准遗传算法(standard genetic algorithm,SGA)应用于数值优化存在收敛缓慢、易陷入局部优解和精度低等问题,提出一种具有爆炸算子的改进遗传算法(FGA)。引入爆炸算子(fire algorithm,FA),通过局部最优解集爆炸产生新个体以弥补SGA算法寻优过程中种群多样性不足的缺陷, 从而提高算法在解析域的全局搜索能力;加入精英保留策略使每代中的最优个体都能得以保留,避免交叉和变异操作遗失全局最优解。为验证算法的优化性能,选用4个经典测试函数对SGA与FGA这2种算法的优化性能进行对比,算例结果表明,本文所提算法具有更好的全局搜索能力、收敛性能以及计算精度。     

基于多目标驱动人工蜂群算法的疏散仿真模型

提出一种基于多目标驱动蜂群算法的疏散仿真模型.在人工蜂群算法的基础上,对跟随蜂设置视野搜索半径,将视野范围内适应值最优个体作为其视觉引领蜂,从而减少跟随蜂选择引领蜂的盲目性.提出多目标驱动人工蜂群算法,即由惯性引领蜂、全局最优蜂、个体历史最优蜂、视觉引领蜂共同对跟随蜂的移动方向进行引导,从而使跟随蜂的移动路径得到进一步...     

精英区域学习的转轴人工蜂群算法

针对人工蜂群(ABC)算法在解决复杂优化问题时容易出现收敛速度慢、开采能力不足的问题,提出了一种精英区域学习的转轴人工蜂群(ERABC)算法。在ERABC算法中,通过执行区域学习方法构建精英池,并利用精英池改进其搜索策略,同时在每一代中以一定的频率对最优解执行转轴法(RM)局部搜索。在20个包含单峰、多峰和偏移函数的基准测试函数上,分析了ERABC算法中改进策略的有效性,并与多种新近的改进ABC算法和演化算法进行了比较实验。实验结果表明,提出的算法在保证精英池中个体多样性的同时加快了算法的收敛速度,RM有效地提高了算法的开采能力。     

基于动态概率引导的人工蜂群聚类算法

针对传统人工蜂群算法中搜索策略开发能力不足、单一的搜索策略难以适用于算法运行的各个阶段等问题,提出了一种搜索策略动态调整的人工蜂群算法,该算法搜索策略由基于反馈的动态概率引导以平衡算法的探索能力和开发能力;为增强蜜源结构相似性的联系与优秀蜜源的影响,引入局部最优蜜源引导下一代的产生。在此基础上,针对K-means算法初始聚类中心敏感、全局搜索能力不足等问题提出了基于改进蜂群算法的K-means算法,在多个标准测试函数和UCI数据集上测试验证所提出算法的性能。     

基于人工鱼群与Levenberg-Marquardt混合算法的Jiles-Atherton磁滞模型参数提取

准确高效地提取J-A磁滞模型参数,是利用该模型模拟磁性元件磁滞特性的首要任务。针对现有J-A模型参数提取方法存在的求解精度低且仿真耗时的问题,提出了一种基于人工鱼群算法与L-M算法混合的J-A模型参数辨识方法。首先,根据人工鱼群算法全局搜索能力强的特点,将其运用于J-A模型参数全局最优解所在区域的定位当中;在满足切换过渡准则后,人工鱼群算法终止迭代并切换至L-M算法;此时,L-M算法利用其局部寻优能力强的优势,将人工鱼群算法提供的最优解作为初始值,快速收敛于全局最优解。仿真及实验结果表明,所提混合算法不仅求解精度较高,同时收敛速度更快。     

基于新型两阶段混合算法的电力系统无功优化

针对电力系统无功优化领域现有的人工智能算法易早熟和收敛精度不佳的缺点,将萤火虫算法和量子粒子群算法相结合,形成一种新型两阶段混合优化算法。该混合算法采用串联的方法将GSO算法与QPSO算法混合,使两种算法优势互补。在算法迭代前期充分利用萤火虫算法可同时搜索全部局部最优解的特性,保证了寻优的全面性。在迭代中后期,利用量子粒子群算法收敛速度快、解的精度高的特点进行寻优,保证了算法的收敛精度。同时基于黄金分割点理论,引入了群体替代算子,避免了迭代后期算法陷入局部最优。经过算法在IEEE30节点算例中的对比仿真,结果表明:在无功优化领域中,两阶段混合算法的全局搜索能力,收敛速度及精度均优于对比算法。     

自适应Tent混沌搜索的蚁狮优化算法

针对蚁狮算法存在的早熟收敛和不易得到全局最优解等问题,借鉴混沌优化算法,提出了自适应Tent混沌搜索蚁狮算法.该算法首先使用Tent混沌映射初始化种群,然后自适应调整混沌搜索空间得到最优解,改善适应度较差个体,提高种群整体的适应度和寻优效率,同时使用锦标赛策略选择蚁狮个体.最后,利用混沌算子优化蚂蚁随机游走行为,与蚁狮觅食行为形成了全局、局部并行搜索模式.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂高维基准函数的寻优测试实验表明,对于30维基准函数,该算法经过约0.5秒收敛到最优值;对于50维基准函数,约2秒收敛到最优值.与标准蚁狮算法和其他优化算法相比,该算法具有较好的收敛速度和寻优精度,适合复杂高维函数寻优.航迹规划实验表明,对于包含7个威胁源的空域环境,当搜索维度为10维时,该算法经过0.939秒,迭代30次基本可以达到航迹代价的全局最优值.与标准蚁狮算法相比,能够更加快速准确地得到一条满足要求的航迹,具有实际应用价值.     

基于改进粒子群算法的无人船全局路径规划研究

针对传统粒子群算法(Particle Swarm Optimization, PSO)在全局路径规划过程中存在搜索路径不合理、容易陷入局部最优解等问题,提出了一种PSO-ABC(Particle Swarm Optimization-Artificial Bee Colony Algorithm)融合搜索算法。首先,提出惯性权重自适应更新与动态学习因子策略,使得粒子能够随着迭代次数的变化而更新惯性权重与学习因子,提高算法的寻优能力和收敛速率;其次,提出粒子拥挤度因子的概念,增强算法跳出局部极小值的能力;最后,引入人工蜂群算法中的跟随蜂和侦察蜂思想,提高融合算法的全局搜索能力。设置4种不同的障碍物环境进行仿真实验,实验结果表明,改进的融合算法相较于3种对比算法路径规划速度快且路径短,提高了算法搜索路径的成功率,其综合性能显著优于传统的粒子群算法。     

基于蜂群单阈值分割的SRC板材缺陷分类方法

针对传统单阈值板材缺陷分割算法易陷入局部最优、早熟以及收敛速度慢等缺点,提出了一种基于改进蜂群算法的单阈值分割算法.为了提高缺陷分类准确率并减少运算量,将稀疏表达分类器(SRC)运用到板材缺陷分类过程中.改进算法每次迭代都会同时进行全局和局部搜索,且侦查蜂随机全局选取蜜源以加快收敛速度,搜索半径可以根据时变搜索参数进行自适应调整,SRC可将缺陷分类问题转换为求最稀疏系数解的过程.结果表明,本文算法可以准确快速地计算出最佳分割阈值,并将分类准确率提高到90%以上,具有一定的可靠性与可行性.     

基于正态云模型的果蝇优化算法

针对果蝇优化算法在寻优过程中易陷入局部最优、寻优结果对算法参数的选取依赖性较强而导致结果不稳定等现象,在研究相关理论的基础上从算法的结构上对算法性能进行分析,通过基准函数的测试研究了影响算法性能的主要因素,将云模型相关理论引入算法改进,从算法的寻优步长和最优解产生机制两方面对算法进行优化改进.在算法的嗅觉搜索阶段引入味道浓度影响因子,由味道浓度影响因子自适应动态调整算法的搜索步长,提高算法的全局搜索能力和局部寻优能力;在计算味道浓度阶段引入正态云模型,利用正态云发生器以果蝇个体到原点的距离为期望生成正态云,体现算法中果蝇个体味道浓度的随机性和模糊性,改进算法最优解的产生机制,提高算法的寻优精度.最后将改进后的算法应用于自动组卷系统,建立基于云模型果蝇优化算法的自动组卷数学模型,通过实验验证了算法在组卷效率和组卷精度上都具有较好的效果.