融合入侵杂草算子的蝙蝠算法

针对基本蝙蝠算法在寻优后期存在寻优精度低、早熟及易陷入局部最优等缺陷,提出一种融合入侵杂草生长繁殖局部搜索的蝙蝠算法。该算法将入侵杂草算法的杂草生长繁殖、空间扩散和竞争机制融合到蝙蝠算法中,采用动态调整杂草空间扩散算子的标准差,使算法既增加了全局搜索能力,同时也提高了局部搜索能力。通过对8个标准测试函数的仿真测试,结果表明该算法具有较优的全局搜索和局部搜索能力,在寻优精度和收敛性方面都比基本蝙蝠算法有较大的提高。     

一种采用蜂群全局引导搜索策略的入侵杂草优化改进算法

针对入侵杂草优化算法收敛速度较慢、易陷入局部最优的缺点,提出了一种改进的入侵杂草优化算法。首先,采用反向学习初始化方法对种群进行初始化以提高其全局收敛速度;其次,利用改进蜂群算法中的全局引导搜索策略,对繁殖后的种子进行最优引导搜索以提高其跳出局部最优点的能力。最后,对不同维数的5个标准测试函数进行了仿真验证。试验结果表明:与GABC及标准IWO(Invasive Weed Optimization)算法相比较,该改进算法在函数优化方面具有较快的收敛速度和较强的跳出局部最优的能力。     

一种基于混沌搜索的自适应入侵遗传算法

将生物系统中“入侵”的概念引入遗传算法,提出了一种基于混沌搜索的自适应入侵遗传算法。该算法动态地引入入侵种群,并采用混沌搜索产生入侵个体。入侵种群的扩散使优良基因得以在个体间传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局最优的方向进化,从而有效地避免了遗传算法的早熟现象。将该算法用于函数优化及解决模式分类问题的神经网络参数训练,实验结果表明,该算法具有较快的收敛速度和较强的寻优能力。     

求解流水车间批量流集成调度的离散入侵杂草优化算法

提出一种离散入侵杂草优化算法,用来解决最大完工时间目标的流水车间批量流集成调度问题.该调度问题包含两个紧密耦合的子问题:批次分割问题和考虑启动时间的批次调度问题.设计了两段字符串编码,用来表示两个子问题.与基本入侵杂草优化算法不同,所提算法基于适应度和年龄确定杂草种子数量,基于正切函数和连续邻域操作产生种子.8种邻域算子的混合应用与局部搜索增强了算法的求解能力.仿真实验表明了所提算法的有效性.     

基于云模型的入侵杂草优化算法

提出一种基于云模型的入侵杂草优化算法,根据杂草适应度值的大小将杂草种群分为优良子群、普通子群和较差子群。通过CR调整标准差,不同的子群采取不同的标准差进行扩散,优良子群采用较小的标准差进行精细搜索,普通子群利用云模型的随机性和模糊性动态调整标准差,进行自适应搜索,较差子群采用较大的标准差进行全局搜索。由此加快了算法的收敛速度,较好地平衡了全局搜索能力和局部搜索能力,并且在一定程度上避免了算法陷入局部最优。对7个测试函数进行仿真实验,结果表明,该算法具有较高的寻优精度和更快的收敛速度。     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

分层粒子群优化算法

针对粒子群优化算法存在进化后期局部搜索能力不强、收敛速度变慢的问题,提出一种分层粒子群优化算法。利用标准粒子群优化算法在整个搜索空间内进行全局搜索,由全局搜索获得的较优个体产生局部搜索区域,在局部区域内进行进一步搜索。为避免陷入局部最优,采用动态调整局部搜索区域的策略,保持算法的全局收敛性。通过典型测试函数计算表明,该算法的收敛速度和局部搜索能力有明显改善。     

基于局部搜索的改进SPEA2算法

由于追求收敛速度与防止陷入局部最优,标准的改进强度Pareto算法(SPEA2)过于注重全局搜索能力,从而导致局部搜索能力不足.为了增强SPEA2算法的局部搜索性能,进而提高算法收敛速度,提出了一种基于局部搜索的改进SPEA2算法.该算法单独设置一个新外部存档集以保存局部搜索后的非支配集,并且改进了交叉算子,加入了部分个体更新策略.将该改进算法与SPEA2算法进行了收敛性能比较实验.仿真实验结果表明,相比于标准算法,改进SPEA2算法不仅可以保证收敛到多目标优化问题的Pareto最优边界,而且在收敛能力上也得到了较好的改善.     

基于混沌局部搜索的粒子群算法及其应用

为提高混沌优化搜索结果的精度,在以粒子群算法进行全局搜索的基础上,根据全局搜索结果利用混沌优化进行局部搜索,实现在全局范围上搜索最优值。分析局部混沌搜索方法,设计基于混沌局部搜索的粒子群算法的流程,利用混沌优化进行粒子群局部搜索以跳出局部最优搜索区域,避免陷入局部极小值和实现在全局范围上搜索目标函数的最优值。以RMSE误差作为搜索结果精度评价指标,通过Rosenbrock函数算例对基于混沌局部搜索的粒子群算法精度进行分析,并将该算法应用于停车场最优选址实际问题的决策。研究结果表明,该算法搜索结果相较于混沌优化算法搜索结果具有更高的精度,其数值更逼近理论最优值,验证了其提高搜索结果精度的有效性和在解决实际问题上的可行性。     

基于当前最优解的分段搜索策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的局部搜索能力差、收敛精度低的缺点,提出了一种基于当前最优解的分段搜索策略的人工蜂群算法。该算法中跟随蜂利用由全局当前最优解和个体当前最优解引导的局部搜索策略逐维进行变异,并采用基于“分段思想”的局部搜索策略对蜜源进行贪婪更新,以提高蜜源的更新效率,从而提高了人工蜂群算法的局部搜索能力。6个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

六维力传感器下E膜小生境野草EKF滤波研究

为减小噪声信号对六维力传感器测量精度的影响,同时解决因主振型信息缺失导致扩展Kalman滤波器难以获得最优系统估计的问题,提出一种基于小生境野草算法优化的扩展卡尔曼滤波（NIWO-EKF）算法。算法根据正弦激励力响应与应变之间的关系,构建六维力传感器下E型膜非线性系统模型。将系统干扰矩阵与控制矩阵视为一个整体,引入野草繁殖思想,以前6阶主振型信息构成的综合矩阵为均值,进行高斯采样,产生初始化的可行解。将小生境技术与野草算法相融合,利用野草算法进行全局搜索,根据适应度的大小对个体进行降序排列,按照小生境容量划分出多个种群协同合作,避免搜索过程陷入局部最优,提高算法的寻优精度和收敛速度。采用改进野草算法对EKF中的系统干扰控制矩阵进行优化处理。仿真实例表明,优化后的扩展卡尔曼滤波器能有效地提高六维力传感器的测量精度,具有很好的鲁棒性和稳定性。     

改进二进制和声搜索算法求解多维背包问题

和声搜索（HS）是一种已广泛应用于连续优化问题的元启发式方法。针对典型的组合优化问题——多维背包问题（MKP）,提出一种改进二进制和声搜索（IBHS）算法。算法通过伯努利随机过程生成二进制群体,在候选和声生成算子中,引入动态自适应参数,通过算法参数的自适应调整来协调算法的全局搜索和局部搜索,并提出一种新的更有效的衡量商品多维加权价值密度的方法用于二进制个体修正和优化;引入精英局部搜索机制进行协同寻优,提高IBHS的收敛速度。通过求解10组不同规模的典型多维背包算例和与贪心二进制狮群优化（GBLSO）算法、改进的差分演化（MBDE）算法以及二进制修正和声（BMHS）算法的对比分析,实验结果表明,所提算法在求解MKP时有具有良好的收敛效率、较高的寻优精度和很好的鲁棒性。     

动态子和声算法求解无等待批量流水线问题

针对无等待批量流水线调度问题,根据和声算法的机理,提出了一种改进的和声算法对其进行求解。利用NEH和混沌序列相结合的方法产生初始解,并实现了和声向量与工序之间的转换;充分利用最优解,设计新的更新算子,为了避免陷入局部最优,引入了变异策略;结合蛙跳算法分组的特点,将和声库随机动态的分成了几个子和声;为平衡算法的全局开发和局部搜索的能力,对子和声中的最优解执行了局部搜索。通过仿真实验与其他几种算法进行比较,证明了算法的有效性。     

合蜂群杂草算法及其在灌溉制度优化中的应用

首先针对杂草算法容易早熟收敛的问题,将人工蜂群算法的寻优机制引入其中,提出了一种混合蜂群杂草算法。该算法对杂草种群中的每个个体利用采蜜蜂搜索方式进行变异,对群体最优个体利用跟随蜂搜索方式进行变异,用较优的变异结果替代原有个体,提高了算法的收敛精度。然后,通过对几个标准测试函数进行实验,验证了改进算法的优化性能。最后,将该算法应用到灌溉制度优化问题中,为制定灌溉水量分配方案提供了一种新的工具。     

基于Nelder-mead单纯形法的改进人工蜂群算法研究

针对现有的人工蜂群算法（Artificial Bee Colony,ABC）在进化速度和求解质量方面难以兼顾的缺点,提出一种基于Nelder-mead单纯形法的改进人工蜂群算法（Nelder-Mead Simplex Method based Improved Artificial Bee Colony,NMSM-IABC）。在迭代过程中,该算法周期性地将单纯形算子得到的最优个体迁移到人工蜂群算法的蜂群中,或将蜂群中的最优蜜源信息迁移到Nelder-mead单纯形算法中。旨在ABC借助NM-SM提高局部搜索能力,NM-SM借助ABC跳出局部最优点,达到两者协同搜索。再者,为了进一步加快收敛速度,在ABC中采用一种改进的跟随蜂搜索策略,并对产生侦察蜂的关键参数进行灵敏度分析。最后,通过6个典型的多维测试函数对算法进行仿真测试。结果表明：提出的算法有效地避免了陷入局部最优,提高全局搜索能力和搜索精度,有较快的收敛速度,是一种较好的协同搜索算法。     

多子群入侵杂草优化算法研究及应用

针对入侵杂草优化算法(IWO)进化后期种群多样性、优势个体易陷入局部极值的问题,提出一种基于K-均值聚类的多子群入侵杂草优化算法(K-MSIWO)。该算法利用K-均值聚类算法将杂草种群分为3个子群,通过种内和种间竞争策略建立个体之间、子群之间的协同进化关系,提高杂草种群的多样性。当算法的收敛速度下降时,对种群中早熟的个体采用随机扰动的变异策略,帮助其跳出局部极值。基准函数测试结果表明,将该算法用于二阶和高阶系统的PID控制器参数整定,与遗传算法的整定结果相比,系统超调量分别下降33.2%和50%,具有较好的寻优精度和一致性。     

改进的差分演化算法求解多维背包问题

多维背包（MKP）是组合优化中一个典型的NP难问题,广泛应用于工程和管理中。提出了一种改进的二进制差分演化算法（Modified Binary Differential Evolution algorithm,MBDE）求解MKP问题,算法关键步骤可分为两部分：二进制群体生成;得到候选可行解。提出了一种有效的衡量商品价值密度的方法用于对二进制个体修正和优化;设计了反向测试搜索和精英局部搜索策略来提高算法探索和开发能力,从而进一步提高了MBDE的求解精度和收敛速度。为验证MBDE算法的有效性,进行了三组实验,并和近期提出的解决MKP问题的其他启发式算法进行了比较,实验结果显示,MBDE算法求解精度更高。从算法运行时间看,求解速度快,非常适合求解大规模的MKP问题。     

求解置换流水车间调度问题的混合鸟群算法

针对置换流水车间调度问题（PFSP）,提出了一种混合鸟群算法（HBSA）以更加有效地最小化最大完工时间。首先,为了改善初始种群的质量和多样性,结合一种基于NEH（Nawaz-Enscore-Ham）的启发式算法和混沌映射提出了一种新的种群初始化方法;其次,为了使算法能够处理离散的调度问题,采用最大排序值（LRV）规则将连续的位置值转换为离散的工件排序;最后,为了强化算法对解空间的探索能力,借鉴变邻域搜索（VNS）和迭代贪婪（IG）算法的思想针对个体最佳工件排序和种群最佳工件排序分别提出了局部搜索方法。针对广泛使用的Rec标准测试集进行了仿真测试,并与目前有效的元启发式算法——刘等提出的混合差分进化算法（L-HDE）、混合共生生物搜索算法（HSOS）、离散狼群算法（DWPA）、多班级教学优化算法（MCTLBO）相比较,结果表明,HBSA取得的最佳相对误差（BRE）、平均相对误差（ARE）的平均值比上述四种算法至少下降了73.3%、76.8%,从而证明HBSA具有更强的寻优能力和更好的稳定性。尤其是针对测试算例Rec25和Rec27,仅HBSA的求解结果达到了目前已知最优解,进一步证明了其优越性。     

A novel hybrid invasive weed optimization algorithm for pattern synthesis of array antennas

By introducing novel strategies in Invasive Weed Optimization (IWO), a hybrid algorithm called IWO‐simplified quadratic approximation (SQA) is proposed, in which an adaptive standard deviation is designed to improve the convergence performances of the original IWO, and SQA is embedded into IWO as a local search operator to enhance the overall search capability of the algorithm. Simulated results for six benchmark functions show that the proposed algorithm performs better than the original IWO algorithm. In addition, the proposed algorithm is used to the pattern synthesis of array antennas. Compared to the genetic algorithm (GA) and particle swarm optimization (PSO), the advantages of IWO‐SQA algorithm are shown. As another application, the phase‐only pattern reconfigurable arrays are synthesized by IWO‐SQA algorithm, and the numerical results show that IWO‐SQA algorithm is superior to GA. All the testing results show that it is an effective improvement to embed SQA into IWO algorithm. © 2014 Wiley Periodicals, Inc. Int J RF and Microwave CAE 25:154–163, 2015.     

基于CUDA的并行布谷鸟搜索算法设计与实现

布谷鸟搜索（cuckoo search,CS）算法是近几年发展起来的智能元启发式算法,已经被成功应用于多种优化问题中。针对CS算法在求解大数据、大规模复杂问题时,计算时间过长的问题,提出了一种基于统一计算设备架构（compute unified device architecture,CUDA）的并行布谷鸟搜索算法。该算法的并行实现采用任务并行与数据并行相结合的方式,利用图形处理器（graphic processing unit,GPU）线程块与线程分别映射布谷鸟个体与个体的每一维数据,并行实现CS算法中的鸟巢位置更新、个体适应度评估、鸟巢重建、寻找最优个体操作。整个CS算法的寻优迭代过程完全通过GPU实现,降低了算法计算过程中CPU与GPU的通信开销。对4个经典基准测试函数进行了仿真实验,结果表明,相比标准CS算法,基于CUDA架构的并行CS算法在求解收敛性一致的前提下,在求解速度上获得了高达110倍的计算加速比。