基于混合策略改进的鲸鱼优化算法

针对原始鲸鱼优化算法（WOA）收敛速度慢、全局搜索能力弱、求解精度低且易陷入局部最优等问题,提出一种混合策略来改进的鲸鱼优化算法（LGWOA）。首先将莱维飞行引入鲸鱼全局搜索的公式中,通过莱维飞行加大全局搜索步长,扩大搜索空间、提高全局搜索能力;其次,在鲸鱼螺旋上升阶段,加入一个自适应权重参数来提高算法的局部搜索能力和求解精度;最后结合遗传算法的交叉变异思想平衡算法的全局搜索和局部搜索能力,维持种群的多样性,规避陷入局部最优。通过对12个基准测试函数从2个角度进行实验对比分析,结果表明,基于混合策略改进的鲸鱼优化算法在收敛速度和求解精度上均有明显提升。     

基于疯狂自适应的樽海鞘群算法

针对樽海鞘群算法求解精度不高和收敛速度慢等缺点,提出一种基于疯狂自适应的樽海鞘群算法.引入Tent混沌序列生成初始种群,以增加初始个体的多样性;在食物源位置上引入疯狂算子,增强种群的多样性;在追随者位置更新公式中引入自适应惯性权重,使算法的全局搜索和局部搜索能力得到更好的平衡.使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC2014函数的标准差评估改进樽海鞘群算法的效率.结果表明,改进算法具有更好的全局搜索能力和求解鲁棒性,同时,寻优精度和收敛速度也比原来算法有所增强,尤其在求解高维和多峰测试函数上,改进算法拥有更好的性能.     

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。     

基于改进搜索策略的狼群算法

针对狼群算法(WPA)存在的收敛速度慢、易陷入局部最优、人工狼交互性不理想等不足,提出一种基于改进搜索策略的狼群(MWPA)算法。对游走行为以及召唤行为引入交互策略,促使人工狼之间进行信息交流,提升狼群对全局信息的掌握,增强狼群的探索能力;对围攻行为提出自适应围攻策略,使算法具有调节作用,随着算法的不断进化,狼群围攻范围不断减小,算法开采能力不断增强,从而提高算法收敛速度。通过优化问题中6个典型复杂函数的仿真实验表明,与基于领导者策略的狼群搜索(LWCA)算法相比,改进搜索策略的狼群算法求解精度更高、收敛速度更快,更加适合函数优化问题的求解。     

基于改进布谷鸟搜索算法的配电网重构

针对布谷鸟算法后期搜索速度慢、精度不高等缺点,提出了一种基于自适应值的布谷鸟优化算法,将粒子群算法的学习因子融入标准CS算法中,通过引入群体信息共享和个体经验思想,提出自适应步长及发现概率的双重改进.最后对IEEE33节点配电系统进行仿真,结果显示,所提算法在求解配电网重构问题方面不仅能快速收敛,且全局寻优能力也更加优秀.     

具有捕食策略的混合随机优化算法及其多极值函数优化

SAGACIA是一种混合随机优化算法,该算法虽已吸收了模拟退火算法、遗传算法和趋化性算法的优点,但搜索过程中仍存在收敛速度慢以及采用固定步长影响搜索精度的缺点,而捕食搜索策略通过限制的调节能较快锁定最优区域,从而提高收敛速度。结合两者的优缺点,提出一种具有捕食搜索策略的自适应调整步长SAGACIA算法,改进后的算法通过捕食搜索策略平衡了算法的局域搜索和全局搜索,提高了收敛速度;邻域搜索采用自适应步长,避免了最优解附近的震荡,提高了搜索精度。实验仿真结果表明,改进后的SAGACIA算法具有较快的收敛速度和较高的寻优精度,证明了算法改进的有效性和可行性。     

基于混合策略改进的花朵授粉算法

针对传统花朵授粉算法(FPA)在解决复杂问题时搜索精度低和收敛速度慢等问题,提出了一种基于混合策略改进的花朵授粉算法(HSFPA)。采用自适应转换概率策略改进转换概率,动态平衡全局授粉和局部授粉之间的关系;在全局授粉阶段,提出一种动态全局搜索策略,既可以加快算法收敛速度,又能增加花粉种群的多样性,防止花粉陷入局部最优;局部搜索增强策略使得花粉能够充分开发当前优质花粉周围的搜索空间,提高收敛精度;花粉越界修正策略进一步加强了算法的探索能力。通过对10个基准函数进行仿真测试,实验结果表明,HSFPA算法在搜索速度和寻优精度方面具有更好的效果。     

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。     

一种基于改进BA算法的K-means聚类

摘要：针对传统BA（蝙蝠）算法易被局部极值吸引、发生过早收敛等问题,将莱维飞行搜索策略引入传统BA算法对蝙蝠的位置和速度更新方式进行改进,从而提高算法的全局搜索能力;通过引入非线性惯性权重平衡算法的全局和局部搜索能力并提高算法搜索精度;结合Limit阈值的思想避免算法过快陷入局部极值。通过对6个标准测试函数的实验表明,改进后的BA算法不仅在全局搜索能力上有所提高,而且具有较好的搜索精度。最后将改进后的BA算法同K-means聚类算法进行结合,提出了一种基于改进BA算法的K-means聚类算法,实验结果表明,改进的算法提高了聚类准确率及算法鲁棒性。     

基于混沌理论的动态种群萤火虫算法

针对萤火虫算法在全局寻优搜索中收敛速度慢、求解精度低,易陷入局部极值区域等缺陷,提出一种基于混沌理论的动态种群萤火虫算法。首先,该算法采用立方映射产生的混沌序列对萤火虫位置进行初始化,为全局搜索的多样性奠定基础; 其次,通过对种群的动态监测,每当算法满足预设条件时,基于混沌序列生成部分新的个体,以提高算法的收敛速度; 最后,对每一代产生的全局最优解,适时采用高斯扰动进行变异操作,使算法更具有跳出局部极小的能力。通过对6个复杂Benchmark函数进行测试,实验结果表明,该算法提高了全局搜索能力、收敛速度和解的精度。     

带权重的贪心萤火虫算法求解0-1背包问题

根据萤火虫算法的自身特点，将自适应权重、改进贪心算法、变异算子与基本萤火虫算法相结合，提出一种带权重的贪心萤火虫算法。通过加入自适应权重与变异算子，可以提高算法全局搜索能力，加入贪心算法在一定程度上可提高算法收敛速度，整体看，改进萤火虫算法提高了算法性能。通过仿真实验将改进后的算法与一些基本算法进行比较，实验结果表明，该算法在求解0-1背包问题时，无论在运算速度还是求解精度上都有明显改进。     

基于归一化边缘互信息与自适应加速粒子群的图像配准方法

传统的归一化互信息配准方法未利用图像的空间信息,当图像中混有一定噪声时,会出现误配准。边缘是图像最基本的特征之一,为了改进归一化互信息方法,提高图像配准的精度,加快收敛速度,将图像的边缘信息与灰度信息自适应地结合,形成归一化边缘互信息测度(NCMI),提出一种基于加速因子的自适应加速粒子群优化算法(AAPSO)来优化基于NCMI测度的图像配准。AAPSO算法通过对解排序,将指定数量的劣解进行进化加速来引导粒子的飞行,并对自适应惯性权重公式加以改进,提高了算法的收敛性,防止早熟收敛并增加优化解的多样性,同时加入加速因子来提高收敛速度。实验结果表明,该方法配准精度高,速度快,具有较强的实用性。     

萤火虫算法的改进分析及应用

针对萤火虫算法(FA)在求解有约束全局优化问题时,存在初始种群不易产生、相对吸引力的大小与萤火虫的绝对亮度无关、惯性权重没有充分利用目标函数信息、不能更好地控制和约束萤火虫的移动距离等缺点,提出一种改进的萤火虫算法。首先,给出了一种基于遗传算法(GA)的初始种群产生方法,提高了初始种群的产生速度;其次,给出了一种基于目标函数的动态自适应惯性权重萤火虫算法,以提高萤火虫算法收敛速度;另外,给出了一种相对吸引力大小与萤火虫的绝对亮度有关的吸引力的计算方法;最后,为了控制和约束萤火虫位置的移动距离,将压缩因子引入到萤火虫算法的位置更新公式中,从而提高了算法收敛速度。4个测试函数的计算结果表明,与标准FA和基于惯性权重的萤火虫算法相比,改进的萤火虫算法运算速度明显提高,迭代次数明显减少,从而验证了改进萤火虫算法的有效性。     

基于混沌自适应萤火虫算法的UAVs分配策略

针对多无人机多类型作战任务分配问题,提出一种混沌自适应萤火虫优化算法.将全局历史最优值和自适应惯性权重引入位置公式,并采用自适应步长以加快收敛速度、提高精度.运用变尺度混沌方法改进光吸收强度系数防止其陷入局部最优解.将改进算法的应用效果与粒子群优化算法(PSO)和萤火虫算法(FA)对比,结果表明,该算法能够提升多无人机...     

基于标准萤火虫算法的改进与仿真应用

通过对一种智能优化算法——萤火虫算法的研究,在标准萤火虫算法中引入一种新型的自适应惯性权重来提高算法的收敛速度,并提出用虚拟萤火虫来加强萤火虫之间的相互协作和信息共享,进而改进了萤火虫的位置更新公式。针对算法中萤火虫位置的越界问题和边界早熟问题,引入一种对称边界变异,提高了改进后的算法的寻优率。对6个标准测试函数的实验结果表明:改进后的萤火虫算法的有效性、收敛速度得到了明显的提高。最后对两个经典工程优化问题进行了计算,运用改进后的算法所得的结果优于其它算法所得结果,也验证了萤火虫算法在改进后的适用性。     

精英正交学习萤火虫算法

针对萤火虫算法后期收敛较慢以及求解精度不高的问题,提出了精英正交学习萤火虫算法。该算法利用精英萤火虫采用正交学习策略来构造指导向量,以保存和发现最优方向信息,从而引导群体更准确地飞向全局最优区域。同时,还采用了自适应步长技术来更好地平衡算法探索与开发能力,采用最小吸引力参数保证高维空间距离过大的个体之间的相互吸引。在6个经典测试函数上与标准萤火虫算法及其它3种改进的萤火虫算法进行了对比,实验结果表明,提出的算法具有较快的收敛速度和较高的收敛精度。     

自适应分组差分萤火虫算法求解连续空间优化问题

提出一种自适应分组差分萤火虫算法求解连续空间优化问题.利用自适应分组策略对种群进行分子群寻优,基于均匀设计理论调整算法参数,通过云模型算法来改进最优个体的随机扰动行为,引入个体能效吸引力来改进非最优个体更新方式.最后,利用差分变异算法和混沌理论完成个体变异.典型复杂函数测试表明,所提出的算法具有很好的收敛精度和计算速度.     

多策略融合的改进萤火虫算法

针对传统萤火虫算法（FA）中存在的易陷入局部最优及收敛速度慢等问题,把莱维飞行和精英参与的交叉算子及精英反向学习机制融入到萤火虫优化算法中,提出了一种多策略融合的改进萤火虫算法——LEEFA。首先,在传统萤火虫算法的基础上引入莱维飞行,从而提升算法的全局搜索能力;其次,提出精英参与的交叉算子以提升算法的收敛速度和精度,并增强算法迭代过程中解的多样性和质量;最后,结合精英反向学习机制进行最优解的搜索,从而提高FA跳出局部最优的能力和收敛性能,并实现对于解搜索空间的迅速勘探。为验证所提出的算法的有效性,在基准测试函数上进行了仿真实验,结果表明相较于粒子群优化（PSO）算法、传统FA、莱维飞行萤火虫算法（LFFA）、基于莱维飞行和变异算子的萤火虫算法（LMFA）和自适应对数螺旋-莱维飞行萤火虫优化算法（ADIFA）等算法,所提算法在收敛速度和精度上均表现得更为优异。     

基于拓扑改进与交叉策略的萤火虫算法

针对萤火虫算法（FA）复杂度大，对高维函数优化困难，容易陷入局部极小值等问题，提出了基于拓扑改进与交叉策略的萤火虫算法。该算法用冯诺依曼拓扑结构来模拟萤火虫之间的邻域结构，提高了全局搜索能力，并且减小了计算复杂度。同时，引入自适应交叉策略，根据萤火虫的多样性动态的调整交叉概率，增强了萤火虫跳出局部最优的能力。对8个标准测试函数的仿真实验表明，改进后的萤火虫算法与标准萤火虫算法相比，有更高的收敛精度和稳定性。