一种改进的变步长自适应GSO算法

基本萤火虫群优化(GSO)算法在求解全局优化问题时,存在收敛速度慢、求解精度不高等问题。为此,提出一种变步长自适应GSO算法。该算法在一定程度上可以避免GSO算法过早陷入局部最优,且步长随迭代次数的增加而自适应地调整,从而使算法在后期获得精度更高的解。运用6个标准测试函数进行实验,结果表明,与GSO算法相比,该算法的收敛速度及精度均有明显提高。     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

带高斯变异的人工萤火虫优化算法

针对基本萤火虫优化算法在求解函数全局最优值时的不足,提出了一种带高斯变异的人工萤火虫优化算法。该算法在萤火虫的移动过程中,应用了高斯变异策略,从而在一定程度上避免了算法陷入局部最优,且能获得精度更高的解。通过对六个标准测试函数进行测试,结果表明,改进后的人工萤火虫算法比基本萤火虫优化算法有更高的收敛速度、求解精度和收敛成功率。     

带交尾行为的混沌人工萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解全局优化问题存在易陷入局部极小值、收敛速度慢和求解精度不高等缺陷,首先对基本萤火虫优化算法采用混沌搜索技术进行初始化,使算法获得质量较高且分布较均匀的初始解,在此基础上再引入交尾行为,提出了一种带交尾行为的混沌萤火虫优化算法(MCGSO)。该算法在一定程度上防止了基本GSO算法易陷入局部最优,且能够获得精度更高的解甚至可达到理论最优解。最后,通过对8个标准测试函数进行测试,测试结果表明,带交尾行为的混沌萤火虫优化算法比基本萤火虫优化算法有更高的收敛速度和求解精度。     

基于Predator-Prey行为的萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解函数全局最优值时,存在着易陷入局部最优、收敛速度慢和求解精度低等问题,提出了1种基于生物捕食-被捕食(Predator-Prey)行为的双种群GSO算法(GSOPP)。该算法通过引入种群间的追逐与逃跑以及变异等策略加快了收敛速度,且能获得精度更高的解。最后,通过对8个标准测试函数进行测试,结果表明,改进后的GSOPP算法比基本GSO算法有更优的性能。     

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。     

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm, BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning, OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm, SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。     

变步长自适应萤火虫群多模态函数优化算法

针对萤火虫群优化（GSO）算法优化多模态函数存在收敛速度慢和求解精度不高等缺陷,提出一种变步长自适应萤火虫群优化算法（CSGSO）。该算法主要思想是在GSO算法中引入搜索成功与失败概念,在每次迭代中萤火虫个体据其搜索成功或失败,加大或减小其搜索步长,使算法具有动态自适应性。实验结果表明,该算法可有效地解决GSO算法优化多模态函数存在收敛速度慢和求解精度不高的问题,增强了GSO算法优化多模态函数的性能;与其他算法相比,提出的算法具有操作简单、容易理解、收敛速度快和求解精度高等优点。     

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。     

一种基于差分策略的群搜索优化算法

针对群搜索优化(Group Search Optimizer,GSO)算法易陷入局部最优、收敛速度较慢、收敛精度较低等问题,提出一种基于差分策略的群搜索优化(Differential Ranking-based Group Search Optimizer,DRGSO)算法。主要进行两方面改进:1)按照适应度值的大小对种群进行排序,适当增加发现者的数目,使种群能够获得更好的启发式信息,加快了算法的收敛速度,有效地避免了算法陷入局部最优;2)在发现者搜索过程中,引入4种不同的差分变异策略,提高了算法的收敛精度,增强了算法的群体多样性在。11组国际标准测试函数上的实验测试结果显示,与GA,GSO,PSO算法相比,DRGSO算法具有较强的全局搜索能力以及局部资源勘探能力,算法整体收敛性能明显提高。