引导小生境回溯优化算法

回溯搜索优化算法（BSA）是近年提出的一种新型优化算法,针对其收敛速度较慢、易陷于局部最优的缺点,提出了一种基于最优个体引导和小生境技术相结合的改进BSA算法。本方法首先在BSA的变异操作中引入向最优个体学习的策略,以提高算法的收敛速度;其次,设计一种新的小生境排挤技术,根据每个个体到其他个体距离的平均最小值确定小生境半径,排除部分相似性较高的个体;结合群体当前的最差信息,设计一种新的变异方法产生一定数量的新个体补充到新的种群中,维持群体数量的恒定并增强群体多样性。改进的BSA算法充分考虑了算法的收敛速度和群体的多样性,较大地提高了传统BSA算法的性能。对10个典型函数进行仿真测试,并与其他算法结果进行对比,实验结果表明,改进算法在收敛速度与精度方面具有较好的效果。     

带可变随机函数和变异算子的粒子群优化算法

标准粒子群优化算法的收敛分析表明,改变随机函数、个体历史最优,群体全局最优,有助于提高该算法的性能。为此,本文提出了一种带可变随机函数和变异算子的粒子群优化算法,即通过改变速度更新方程中的随机函数分布来调节粒子在迭代过程中飞向个体历史最优和群体全局最优的比重,通过对个体历史最优和群体全局最优进行变异来增强种群的搜索能力。实验结果证实了该算法的有效性。     

自适应变异的果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点, 提出自适应变异的果蝇优化算法(FOAAM)。该算法在运行过程中根据群体适应度方差和当前最优解的大小判断算法陷入局部最优时, 首先将最优果蝇个体复制M个; 然后对复制的最优果蝇个体进行扰动, 按一定的概率P执行高斯变异操作; 最后对变异后的最优果蝇个体进行二次寻优, 从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明, FOAAM算法具有更好的全局搜索能力, 在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

质心粒子群优化算法

为了加快粒子群算法收敛速度,提出了质心粒子群优化算法（CPSO）。算法通过计算种群所有个体最优记录所构成的一个群体的质心,对种群个体当前的最优记录和全局最优记录进行比较、替换或更新等操作,从而加快算法的收敛速度。仿真实验表明,在求解相同精度的情况下,质心粒子群优化算法的收敛速度优于线性递减惯性权重粒子群优化算法（LDWPSO）。     

自适应变异蝴蝶优化算法

针对基本蝴蝶优化算法存在的收敛速度慢、求解精度低和易陷入局部最优等问题，提出一种自适应变异蝴蝶优化算法。首先，利用改进帐篷映射结合重心反向学习初始化种群，获得更好的初始解；其次，在位置更新处引入非线性惯性权重，平衡算法的全局搜索与局部搜索能力；最后，在算法运行过程中，根据群体适应度方差以及当前最优解大小来决定是否对当前最优解和最差解进行高斯变异二次寻优，增强算法跳出局部最优的能力。对12个基准测试函数的多种维度仿真实验结果表明，该算法在收敛速度、求解精度和寻优稳定性方面明显优于其他对比算法。     

具有学习机制的正弦余弦算法

针对标准正余弦算法在求解函数优化问题时易陷入局部最优、收敛精度较差等问题,提出了一种具有学习机制的正弦余弦算法。该算法引入精英反向学习策略构造精英及反向群体,对其混合群体进行择优保留,从而优化了种群中的个体位置、提高了算法的寻优精度;同时,利用个体的反思学习能力防止个体盲目地向当前最优解学习,使算法停滞在局部最优,从而有效地避免了算法的未成熟收敛。在13个标准测试函数进行仿真实验,实验结果证明,该算法相比于对比算法具有较强的鲁棒性和函数优化能力。     

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划（Sequential Quadratic Programming,SQP）的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。     

具备反向学习和局部学习能力的磷虾群算法

针对磷虾群算法易陷入局部最优、收敛速度慢等缺点,提出了具备反向学习和局部学习能力的磷虾群算法。利用混沌映射和反向学习的思想初始化种群,根据算法迭代次数自适应调整学习维度,对精英个体进行反向学习,能有效保持种群的多样性,选取精英群体,通过自适应的Lévy飞行分布和改进的差分变异算子,提高种群的局部学习能力。这种新颖的元启发方式能加速收敛速度的同时可以保证磷虾群算法的鲁棒性。通过对8个基准函数进行仿真测试,实验结果表明：与最近的KH优化算法相比,该算法在收敛速度、收敛精度等方面得到明显改进。     

基于双种群交叉学习的粒子群优化算法

粒子群优化算法因其支配参数少、收敛速度快、易于实现等特点被广泛应用,但是粒子群优化算法存在精度低、容易陷入局部优化的问题。为此提出一种基于双种群交叉学习的粒子群优化算法。在该算法中,整个种群被分为普通子种群和精英子种群。普通子种群采用综合变异机制,该机制通过设置概率参数使普通子种群随机选择朝着优秀粒子的方向或者保持自身方向进行变异,以侧重寻找可能解区域。精英子种群则采用交叉学习机制,将粒子的历史最优和全局最优个体进行交叉生成范例,从而引导粒子对可能解区域进行局部搜索,还提出了一种非线性惯性权重来平衡粒子的全局勘探和局部开发能力。为了验证算法的有效性,在十六个基准问题上进行测试并与其他七种粒子群优化算法变体比较,实验结果表明该算法在求解精度和收敛速度总体排名第一,验证了该算法求解性能优于其他粒子群优化算法变体。     

一种混合改进的鸡群优化算法

摘要：针对鸡群算法（CSO）易陷入局部最优和出现早熟收敛的缺陷,提出了一种混合改进的鸡群优化算法（OBSA-CSO）。算法通过采用反向学习对种群进行初始化,同时对越界个体进行边界变异操作保证了算法的种群多样性并利于算法的全局搜索;在寻优过程中对母鸡采用新的位置更新公式,并对最优个体采用改进退温函数的模拟退火扰动,通过Metropolis准则进行择优的方式有效的提高了算法的寻优精度和收敛速度。通过对7个测试函数在固定迭代次数和固定寻优精度条件下的实验表明,改进后的算法相较于传统鸡群算法具有较好的寻优精度和收敛速度。     

Improved global-best-guided particle swarm optimization with learning operation for global optimization problems

In this paper, an improved global-best-guided particle swarm optimization with learning operation (IGPSO) is proposed for solving global optimization problems. The particle population is divided into current population, historical best population and global best population, and each population is assigned a corresponding searching strategy. For the current population, the global neighborhood exploration strategy is employed to enhance the global exploration capability. A local learning mechanism is used to improve local exploitation ability in the historical best population. Furthermore, stochastic learning and opposition based learning operations are employed to the global best population for accelerating convergence speed and improving optimization accuracy. The effects of the relevant parameters on the performance of IGPSO are assessed. Numerical experiments on some well-known benchmark test functions reveal that IGPSO algorithm outperforms other state-of-the-art intelligent algorithms in terms of accuracy, convergence speed, and nonparametric statistical significance. Moreover, IGPSO performs better for engineering design optimization problems.     

改进的樽海鞘群算法

针对樽海鞘群算法在对函数优化问题求解上出现的求解精度不高、收敛速度慢的缺点,提出了一种改进的群海鞘群算法.对于领导者引入加权重心取代最优个体位置,防止过早聚集在最优个体附近;对于追随者引入自适应惯性权重平衡算法的全局搜索和局部寻优能力;最后对于个体进行逐维随机差分变异,减少维间干扰,提高了种群的多样性.仿真实验结果表明改进的樽海鞘群算法在均值、标准差和收敛曲线优于标准樽海鞘群算法和其他改进算法,说明改进后的算法提高了寻优性能,有较高的求解精度和较快的收敛速度.     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

动态学习混沌映射的粒子群算法

传统粒子群优化算法（PSO）对社会认知部分与自我认知部分都采用恒定学习常数,一定程度上限制种群全局协调能力。在算法收敛后期种群多样性丧失而导致全部个体收敛于搜索空间中的某一点,这易诱发早熟现象。针对这种缺陷提出一种动态学习混沌映射的粒子群优化算法（VLCMPSO）。在算法初期迭代中应多考虑自身记录的最佳点,在算法后期应快速向种群最佳点收敛,因而设计一种进行协调的动态学习因子。为克服早熟现象,判断种群多样性方差低于设定阈值时,以混沌映射的方式将该代最优个体位置更新且以新的方式进行优化操作。经实验证明新算法在收敛速度与精度上都具有更好的性能。     

基于新变异算子的改进粒子群优化算法

粒子群优化算法(PSO)是一种基于群体智能的优化算法。本文在介绍PSO算法基本原理和流程的基础上,分析了该算法在处理一些复杂问题时容易出现的早熟收敛、收敛效率低和精度不高等问题,提出了一种基于新变异算子的改进粒子群优化算法(NMPSO)。NMPSO算法将产生的变异粒子与当前粒子进行优劣比较,选择较优的粒子,增强了种群的多样性,有效地避免算法收敛早熟。用5个常用基准测试函数对两种算法进行对比实验,结果表明:新提出的NMPSO算法增强了全局搜索能力,提高了收敛速度和收敛精度。     

一种自适应调整种群子代数量 与步长的优化算法——爆米花算法

提出了一种新的群体智能优化算法——爆米花算法。借鉴了烟花算法爆炸机制的优点,利用个体在寻优过程中适应度值的优劣来动态调整子代的数量,个体的适应度值越好,产生的子代数量越多,并且在该个体附近搜索的子代数量越多,以此控制局部搜索与全局搜索之间的平衡。还借鉴了粒子群优化算法的记忆机制,引入个体最优和全局最优来构造新的爆炸半径,使算法能够在寻优过程中动态地调整步长,并对全局最优进行高斯扰动,增加种群的多样性。实验结果表明:与其他优化算法(如蝙蝠算法、标准粒子群算法、烟花算法)相比,本文提出的爆米花算法总体性能更优。     

基于雁群启示的粒子群优化算法

粒子群优化（PS0）算法是一类新兴的随机优化技术，其思想来源于人工生命和演化计算理论。PSO通过粒子追随个体极值和全局极值来完成优化。本文借鉴生物界中雁群的飞行特征，给出了一种改进的PSO算法。该算法一方面将粒子排序，每个粒子跟随其前面那个较优粒子飞行，保持了多样性；另一方面使每个粒子利用更多其他粒子的有用信息，加强粒子之间的合作与竞争。用3个基准函数对新算法进行实验，结果表明，新算法不仅具有更好的收敛精度和更快的收敛速度，而且能更有效地进行全局搜索。     

自适应多位变异粒子群优化算法

针对粒子群优化算法的早熟收敛问题,提出一种改进的自适应多位变异粒子群优化算法.根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力,在理论上保证了算法具有良好的性能.对几种典型函数的测试结果表明：该算法的全局搜索能力有了显著改善,收敛速度较快,并且能够有效避免早熟收敛问题.