自适应二次变异差分进化算法

提出一种基于群体适应度方差自适应二次变异的差分进化算法．该算法在运行过程中根据群体适应度方差的大小，增加一种新的变异算子对最优个体和部分其他个体同时进行变异操作，以提高种群多样性，增强差分进化算法跳出局部最优解的能力．对几种典型Benchmarks函数进行了测试，实验结果表明，该方法能有效避免早熟收敛，显著提高算法的全局搜索能力。     

动态搜索和协同进化的鲸鱼优化算法

针对基本鲸鱼优化算法寻优精度低、收敛速度慢及容易陷入局部最优等缺陷,提出了一种动态搜索和协同进化的鲸鱼优化算法。首先,通过等价替换和Faure序列提高初始解的质量;其次,通过对种群进行分工,提高种群多样性并增强算法跳出局部最优解的能力;最后,根据种群进化信息动态调整搜索策略,从而提高算法的收敛速度和寻优精度。仿真实验结果表明,提出的改进算法相比基本鲸鱼优化算法和部分改进算法具有较好的寻优性能。     

一种多策略融合的人工蜂鸟算法

为提升基本人工蜂鸟算法的收敛速度和求解精度，提出了一种多策略融合的人工蜂鸟算法。首先，利用混沌反向交流策略初始化蜂鸟位置，提高初始种群的多样性；然后，通过概率动态调节函数控制蜂鸟的引导觅食和区域觅食行为，并且引入自适应螺旋改进迁移觅食行为，协调全局探索与局部搜索能力；最后，利用柯西高斯变异策略对最优蜂鸟的位置进行扰动，提高算法跳出局部最优的能力。利用9个基准测试函数进行仿真实验，并与其他5种最新的优化算法进行对比。仿真结果表明，所提算法的收敛速度更快、求解精度更高、稳定性更强。     

采用差分进化策略的入侵杂草改进算法及函数优化应用

针对入侵杂草优化算法易出现早熟且收敛速度较慢的问题,提出一种具有差分进化策略的入侵杂草算法。利用差分进化策略较强的开发能力,对种子进行交叉变异选择操作以帮助算法跳出局部最优;同时,为了提高算法的收敛速度和种群多样性,提出对杂草进行初始化并采用基于混沌反向学习的初始化方法。对8个标准测试函数进行的仿真实验表明:与标准杂草优化、差分进化及混合杂草优化算法相比,提出的改进算法具有较快的收敛速度、较高的收敛精度及较强的搜索全局最优解的能力。     

自适应合并与分裂的多种群差分进化算法

针对差分进化（DE）算法存在的早熟收敛与搜索停滞问题,提出了自适应合并与分裂的多种群差分进化算法。算法将种群划分为多个子种群,引入子种群优劣因子来评价种群的优劣性,实现种群间的自适应合并与分裂;对于种群中的各个个体,采取基于精英池学习的变异算子,结合优秀个体进行自适应学习调整,使算法达到全局搜索与局部搜索能力的平衡;在算法后期引入扰乱策略,保证算法快速收敛的同时有效地跳出局部极值点,提高算法寻优的精度。在30个标准测试函数的实验结果表明,改进算法能有效解决早熟和陷入局部最优的问题。     

一类自适应混沌文化算法

混沌变异进化算法忽略了混沌规律性,未充分利用知识来提高算法的局部收敛能力.为此,借鉴文化算法的双层进化结构,在文化算法的进化引导函数中引入自适应混沌变异策略,提出一种自适应混沌文化算法.利用进化过程隐含知识控制变异尺度,使知识引导个体能跳出局部较优解,在保证种群多样性的同时,实现进化后期的精细搜索.仿真结果表明,该算法可以有效提高进化收敛速度,具有较好的计算稳定性.     

基于邻域引力学习的生物地理学优化算法

针对生物地理学优化算法（Biogeography-Based Optimization,BBO）易发生早熟收敛、陷入局部最优的问题,提出一种基于邻域引力学习的生物地理学优化算法（Neighbor Force Learning Biogeography-Based Optimization,NFBBO）。该算法采用邻域选择的方法确定迁出栖息地,以充分利用栖息地的邻域信息,增加算法的种群多样性。同时采用引力学习策略对栖息地进行更新,拓展搜索空间,提高算法的搜索能力,避免早熟收敛问题。为使种群能够自适应地跳出局部最优,引入一种自适应高斯变异机制。基于高维标准测试函数的对比实验表明,NFBBO算法具有更快的收敛速度和更高的收敛精度。     

拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法

针对蝴蝶优化算法存在种群多样性差、寻优精度低、收敛速度慢的不足,提出了拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法。首先利用拉丁超立方抽样种群初始化策略以提高种群的多样性,从而增强算法的全局搜索能力;然后引入在不同进化时期自动调节搜索范围的自适应最优引导策略,平衡算法的全局和局部搜索能力,从而提升算法的寻优精度;最后采用高斯小孔成像策略,对最优个体进行扰动,使得种群个体向最优个体靠近,以进一步提升算法的寻优精度并加快算法的收敛速度。通过对14个基准测试函数进行仿真实验以及Wilcoxon秩和检验,结果表明改进算法的寻优精度、收敛速度、稳定性和可扩展性等性能均得到了较大提高。     

基于反馈和混沌变异的自适应进化策略*

为了提高进化策略的搜索精度和全局搜索能力,提出了一种基于反馈和混沌变异的改进进化策略,将各代当前最优搜索结果反馈到变异步长的更新公式中,通过对变异算子中随机数方差的调整使进化策略的变异步长随搜索过程自适应地变化,同时根据混沌运动具有遍历性的特点,利用混沌变异产生个体,保证种群中的部分个体在搜索后期仍保持较大的跳出局部极小的能力,从而达到提高算法全局搜索能力和搜索精度。为了对比改进后进化策略与常规进化策略的优化效果,利用三个测试函数对两种进化策略进行了仿真测试,测试结果表明,与常规进化策略相比,提出的基于反     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

基于动态全局搜索和柯西变异的花授粉算法

针对基本花授粉算法（FPA）收敛速度慢、寻优精度低以及容易陷入局部最优的缺点,提出了一种基于动态全局搜索和柯西变异的花授粉算法DCFPA。利用混沌映射增强花粉种群初始分布的随机性和均匀性,在全局授粉过程中,引入全局平均最优花粉位置和动态权重递减因子共同实现花粉个体位置的更新,牵引算法朝着正确的搜索方向进行,避免算法早熟收敛,最后利用Cauchy变异,增加种群多样性,帮助算法跳出局部最优。对6个测试函数进行仿真实验表明,DCFPA算法比FPA具有更好的全局优化能力,提升了算法的收敛速度与求解精度;与相关的改进算法比较结果也表明,DCFPA整体上也具有更好的优化性能。     

高斯差分变异和对数惯性权重优化的鲸群算法

针对鲸群优化算法在处理高维问题时存在收敛速度慢、容易陷入局部最优和收敛精度低等问题,提出一种基于对数惯性权重和高斯差分变异的鲸群优化算法。通过高斯差分变异对鲸鱼位置更新方程进行变异,增加了种群多样性,提高了鲸群算法的全局搜索能力,防止早熟现象发生;将对数惯性权重引入搜寻猎物阶段,平衡全局搜索和局部开发能力,提高了算法寻优精度。通过测试函数优化实验对算法进行测试,实验结果表明,改进算法具有更高的寻优精度和更快的收敛速度。     

采用混合搜索策略的阿奎拉优化算法

针对阿奎拉优化算法（AO）存在的不足,提出一种采用混合搜索策略的阿奎拉优化算法（HAO）。首先,利用动态调整函数平衡算法的全局探索与局部开发;其次,利用混沌自适应权重来增强算法的全局搜索能力、加快算法的收敛速度;最后,设计新的个体变异概率系数,采用改进型差分变异策略,利用适应度值较优个体引领群体中其他个体开展搜索活动,保持了种群的多样性,增强了算法跳出局部最优能力。通过八个基准测试函数和10个CEC2019测试函数,以及一个工程应用问题的数值实验仿真对所提算法进行实验验证。实验结果表明,所提算法的全局收敛速度和优化精度均得到了明显地改善,跳出局部最优的能力得到了增强。     

融合正弦余弦和变异选择的蝗虫优化算法

针对蝗虫优化算法(GOA)全局寻优能力不足,易陷入局部最优、寻优精度较低等问题,提出融合正弦余弦和变异选择的蝗虫优化算法(SC-MGOA).首先,在位置更新处根据转换概率选择不同的位置更新方式来增加种群的多样性,同时弥补GOA算法全局搜索能力不足的缺陷;其次,为更好的协调算法的全局探索和局部开发,对引入的正弦余弦机制进行改进;最后,在一定概率下针对最优解进行变异,并利用贪婪法则择优保留,使算法能够跳出局部最优,提高算法的收敛精度.选取10个测试函数进行3组测试,结果表明了不同改进策略的有效性,还证明了SC-MGOA算法相对于其他比较算法在寻优精度、寻优速度和鲁棒性等方面的优越性.     

基于混合策略改进的鲸鱼优化算法

针对标准WOA算法初始种群分布不均、收敛速度较慢、全局搜索能力弱且易陷入局部最优等问题,提出一种混合策略改进的鲸鱼优化算法。采用Sobol序列初始化种群以使初始解在解空间分布更均匀;通过非线性时变因子和惯性权重平衡并提高全局搜索及局部开发能力,并结合随机性学习策略增加迭代过程中种群的多样性;引入柯西变异提升算法跳出局部最优的能力。通过对12个基准函数和一个水资源需求预测模型的参数估计进行优化实验,结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。     

基于差分进化的飞蛾算法在电力调度中的应用

针对基本MFO算法存在后期收敛速度较慢、收敛精度低等缺点,提出了一种基于差分进化的改进飞蛾优化算法（DEMFO）。该算法首先将差分进化算法融合到MFO算法中,使得飞蛾种群个体之间具有变异、交叉、选择机制,DEMFO算法拥有更强的全局和局部搜索能力;运用柯西变异算子对飞蛾最优位置进行变异更新产生新解,保持飞蛾种群的多样性,帮助算法跳出局部最优;再引入动态自适应权重因子,使飞蛾的更新方式更具灵活性,引导算法朝着正确的搜索方向进行,从而有效地提高了算法的收敛性和精度;对该算法用8个测试函数进行仿真实验,从实验结果可以看出DEMFO算法在收敛速度和收敛精度上有了显著提高。将该算法成功应用于求解电力系统负荷经济调度（Economic Dispatch,ED）模型,在Matlab平台对140台机组算例进行了仿真,相比基本MFO算法,提出的DEMFO算法能够获得更高质量的优化解,提供更好的负荷经济调度方案,从而有效降低发电成本,产生巨大的经济效益。     

一种改进的鲸鱼优化算法

针对鲸鱼优化算法（whale optimization algorithm ,WOA）容易陷入局部最优和收敛精度低的问题进行了研究,提出一种改进的鲸鱼优化算法（IWOA）。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。实验选取九个基准函数,所有算法均迭代30次,结果表明：改进的鲸鱼优化与原鲸鱼优化算法以及五种改进的鲸鱼优化算法相比,其均值和标准差均优于其他算法,收敛曲线也优于其他大多数算法。说明改进的鲸鱼优化算法收敛精度和算法稳定性最佳,收敛速度较其他大多数改进的鲸鱼优化算法明显加快。     

新型分阶段粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了一种新型分阶段粒子群优化算法。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪局部吸引域和全局吸引域来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO.引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力.8...