一种新颖的改进人工鱼群算法

针对基本人工鱼群算法(AFSA)在函数优化问题中存在的后期收敛速度慢、求解精度低和易陷入局部最优等缺点,提出了一种新的改进人工鱼群算法(IAFSA)。首先,使用混沌变换来初始化鱼群个体的位置,使鱼群更加均匀地分布在有限的区域内,保证种群具有多样性,利于全局收敛;其次,对觅食行为中具有不同函数值的人工鱼个体采取不同的视野策略,不仅提高了算法的寻优速度,而且有效地降低了鱼群陷入局部最优的可能性;最后,根据运动和体能之间的关系构建体能变换模型,在鱼群觅食的后期,体能开始变弱,这时适时地减小鱼群觅食、聚群和追尾行为中移动的步长可有效提高算法收敛的速度和寻优的精度。通过标准测试函数和14个城市的TSP对算法进行验证,仿真实验结果表明,相 比基本人工鱼群算法 ,改进后的算法具有更快的后期收敛速度和更高的求解精度。     

求解TSP问题的人工鱼群算法

人工鱼群算法在函数优化问题中取得了较好的应用,但在组合优化问题中的应用相对较少。因此,文中用人工鱼群算法来求解TSP问题,并与标准粒子群算法和基本遗传算法进行了比较分析。通过仿真实验对公认的TSP测试数据中算例Oliver30进行测试并与目前已知最优解进行了对比,结果表明,人工鱼群算法解决TSP问题时可以收敛到已知最优解,并且解的质量要优于标准粒子群算法和基本遗传算法。     

求解TSP问题的人工鱼群算法

人工鱼群算法在函数优化问题中取得了较好的应用,但在组合优化问题中的应用相对较少。因此,文中用人工鱼群算法来求解TSP问题,并与标准粒子群算法和基本遗传算法进行了比较分析。通过仿真实验对公认的TSP测试数据中算例Oliver30进行测试并与目前已知最优解进行了对比,结果表明,人工鱼群算法解决TSP问题时可以收敛到已知最优解,并且解的质量要优于标准粒子群算法和基本遗传算法。     

粒子群和人工鱼群混合优化算法

提出基于粒子群的人工鱼群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应用于求解具有变量边界约束的非线性的复杂函数最优化问题和求解复杂化学方程根的问题。仿真结果表明,混合粒子群算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。     

基于递减反馈视野的人工鱼群算法改进与应用

基本人工鱼群算法的觅食行为是算法收敛的基础,觅食视野固定会导致寻优效率低、易陷入局部极值等弊端。引入视野递减反馈策略,视野随着迭代次数和寻优的反馈信息适时变化,旨在平衡算法的全局搜索和局部搜索能力。通过五个TSP实例测试,结果表明该算法在保证收敛速度的基础上提高了计算精度。最后将改进算法应用于求解山西省国家AAAA级风景区(含5A)最短遍历路径问题。     

求解0/1背包问题的改进人工鱼群算法研究

分析了人工鱼群算法求解组合优化问题的不足,提出一种改进人工鱼群算法。该算法针对背包问题的特点,采用随机键方法对待装载物品进行编码,利用物品的单位价值（价值-质量比）启发式信息进行解码,直接在编码空间上模拟人工鱼行为。使用优质解随机游走寻优、优质解保留劣质解被替换和劣质解随机游走寻优三个更新算子来改善人工鱼群的全局搜索能力。通过实例进行了算法测试和比较。算法测试表明：改进后的人工鱼群算法提高了收敛速度,增强了全局搜索能力。     

混沌搜索在人工鱼群算法中的应用

随着人工鱼群算法（AFSA）的发展,其相关思想及方法已广泛应用于工程实例的各个领域。针对全局人工鱼群算法（GAFSA）中搜索行为的随机性造成的收敛稳定性差、寻优精度低等缺点,将混沌搜索与全局人工鱼群算法相结合,提出了一种改进的人工鱼群算法（CSGAFSA）。该算法一方面将鱼群算法四种基本行为中的随机移动改进为混沌行为,有效避免了搜索的无方向性、不确定性、重复性,保证了寻优值的稳定性（CGAFSA）;另一方面对全局人工点（公告牌）做混沌搜索,实现了全局鱼群算法在收敛后期搜索精度的进一步提高（CS＿GAFSA）。通过对一系列国际标准测试函数的计算和比较,证明了这种方法确实在寻优精度、收敛性能上均有提升。     

最优化问题全局寻优的AFSA-BFGS混合算法

针对人工鱼群算法在优化后期收敛速度变慢问题,利用BFGS算法快速的局部搜索能力来改进,提出了一种最优化问题全局寻优的AFSA-BFGS混合算法。通过8个标准函数测试结果表明,AFSA-BFGS混合算法,不仅具有全局收敛性能,而且还具有较快的收敛速度和更高的求解精度,是求解优化问题的一种有效方法。     

基于改进随机移动算子的人工鱼群算法

人工鱼群基本算法在求解多峰函数最优值时,存在计算精度有限,易陷入局部最优,鲁棒性较差以及收敛速率较慢和搜索效率较低的缺点,而随机移动算子的随机性是造成这些缺点的重要因素。通过引入粒子群算法思想和自适应扰动的思想对随机移动算子进行改进,进而提出了基于粒子群算法的人工鱼群算法（PSO-AFSA）和包含自适应扰动项的改进人工鱼群算法（ADI-AFSA）,并证明了两种改进算法的收敛性。利用公认测试函数集进行仿真实验,结果表明两种改进算法与人工鱼群基本算法及其传统改进算法相比,提高了计算精度、收敛速率、搜索效率并且具有更好的鲁棒性。     

利用多群交叉变异人工鱼群算法生成分类规则

在基本人工鱼群算法的基础之上构建了用于解决连续变量空间分类规则提取的多群体人工鱼群算法,根据分类规则提取问题的特性设计了人工鱼的编码规则,并在此编码基础上定义了进行规则评价的适应值函数以及相关状态更新公式。为克服人工鱼群算法易陷入局部最优解的缺陷,引入了遗传算法中的交叉变异思想,设计了基于人工鱼的交叉及变异算子,提出了利用多种群交叉变异人工鱼群算法生成分类规则的算法思想。利用Iris和Wine数据集作为测试数据,结果表明：（1）该算法能够快速生成精度较高的分类规则;（2）在收敛效率及规则精度上全面优于基本多群体人工鱼群算法,并达到了多群体微粒群算法的性能水平。     

混合策略改进正弦余弦算法

为提高正弦余弦算法在求解函数优化问题的性能,提出混合策略改进正弦余弦算法。首先,利用正切函数作为调节因子代替原本线性变化的参数,用于平衡算法的全局探索和局部开发;然后,引入权重系数,用于控制位置更新处个体上一代位置的影响力,有效提高算法开发能力和寻优速度;最后,构建逐维交叉学习策略,克服最优解无更新的缺点,对最优个体进行扰动更新,跳出局部最优,避免早熟收敛。在不同维数的八个基准函数上进行仿真实验。实验表明,该算法相对于其他群智能优化算法具有更高的寻优精度和收敛速度,相比于最新的正弦余弦改进算法,也表现出更好的收敛性能和稳定性。     

用于连续域寻优的分组蚁群算法

用蚁群算法进行多模函数优化时,容易陷入局部最优,从而影响了寻优精度和收敛速度。因此提出了一种用于求解连续空间优化问题的分组蚁群算法。该算法将连续空间优化问题的定义域划分成若干个子区域,并给每个子区域分配一组蚂蚁。每组蚂蚁在各自的区域里进行搜索,且在搜索过程采用“精英策略”并利用精英蚂蚁更新普通蚂蚁的位置信息,以加快算法的收敛速度。同时,当普通蚂蚁离精英蚂蚁之间的距离较长时,使用大步长搜索,以加快搜索速度,反之,采用小步长搜索,可提高搜索过程的精细程度。该方法使每组蚂蚁的搜索空间成倍地缩小并能有效地改善陷入局部最优的情况,从而能使收敛速度和精度大幅提高。计算机的仿真实验结果证实了这一结论。     

预警机制的鲸鱼算法及时间约束的航迹规划

针对高实时性要求的固定翼无人机航迹规划问题,在模型中引入算法的运行时间以契合实际工程要求,并提出基于预警机制的改进鲸鱼优化算法完成求解;该算法通过对适应度进行排序定义个体的预警概率,并借此控制个体更新机制的选取;随后引入与预警概率关联的权重系数控制螺旋更新机制的收缩扩张,同时使用莱维飞行改进随机游走机制加快收敛,达到平衡各机制开发与探索能力的目的;有效地改善算法收敛速度慢、精度低的缺陷;使用基准函数测试并验证算法的有效性,并在不同维度与距离的航迹规划对比仿真实验中量化改进算法在收敛精度与收敛速度的优越性;仿真实验表明,面对低维度航迹规划时,算法精度可提高8.0%;面对高纬度航迹规划时,算法收敛速度可提高50%;     

基于多核微机的微粒群并行算法

提出了一种基于Logistic模型的惯性权重非线性调整策略,采用OpenMP多线程编程,在微机上实现了微粒群算法的多核并行计算。通过对BenchMark测试函数集中的5个函数进行测试,试验结果表明,采用基于Logistic模型的惯性权重非线性调整策略在算法成功率和收敛代数都优于线性调整策略,而基于OpenMP的微粒群多核并行计算使得计算速度得到提高。     

模糊推理最大熵图像恢复算法

与线性恢复算法相比,基于最大熵的图像恢复算法具有更好的图像恢复效果,但其收敛速度较慢。为了提高最大熵图像恢复算法的收敛速度,首先给出了算法的非周期反卷积模型,然后采用模糊推理系统在线确定算法的迭代步长。由于采用了可变步长,因此极大地提高了算法的收敛速度。仿真实验表明提出的算法收敛速度快,图像恢复效果好。     

基于改进XGBoost超参数优化的地下工程空调系统负荷预测

针对地下工程空调负荷难以精确预测的问题，提出一种基于天牛须搜索算法（Beetle Antennae Search， BAS）优化极限梯度提升算法（eXtreme Gradient Boosting， XGBoost）的负荷预测模型。该算法通过引入典型最优解引导机制优化常规BAS算法中的位置更新策略，同时采用线性递减策略对天牛的搜索步长进行修正，以实现更快达到全局最优点，提高收敛速度；并利用改进的BAS算法对XGBoost中的决策树个数、树的最大深度2个对模型预测精度有较大影响的超参数进行寻优，以获得XGBoost的最优参数组合，提高模型预测精度。最后，以某地下保障工程空调系统为研究对象，验证所提出的预测模型的有效性。     

多策略融合粒子群算法及其收敛性分析

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在实际运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种改进的粒子群算法。该算法采用多次随机初始化的策略初始种群位置,再对惯性权重引入随机因子,使其基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,提高算法的收敛精度,并证明其能以概率1全局收敛。为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及提出的改进算法在不同维度下进行测试比较。结果表明,该算法的寻优精度更高。     

改进的基于高斯混合模型的运动目标检测算法

针对固定场景视频监控中,由于运动物体在运动目标检测算法初始化时的存在而导致传统的基于高斯混合模型的运动目标检测算法收敛速度慢的问题,提出了改进算法。该改进算法通过采用在线K-均值聚类方法对混合高斯模型进行初始化,提高了算法的收敛速度。同时在模型更新时,通过对匹配准则和新高斯分布生成准则的改进,节约了存储空间。实验结果表明,与传统算法相比,改进算法能够快速、有效地检测运动目标,具有更好的鲁棒性。     

新型改进果蝇优化算法

针对传统果蝇优化算法在进行优化时所存在的寻优精度偏低和收敛速度较慢的问题,提出了一种新的改进果蝇优化算法。该算法在迭代过程中将每次迭代所得最优值的变化率作为下一次果蝇种群飞行距离变化的参考依据。动态改变果蝇种群每次飞行的距离,能够有效地权衡算法的全局搜索能力和局部搜索能力。将该改进算法在函数优化中与原果蝇算法和另外两种果蝇改进算法进行仿真对比,结果表明,所提出的改进算法在收敛精度、收敛速度以及稳定性方面具有明显优势。     

一种改进的粒子群微学习单元特征选择算法

微学习单元是微学习过程里的基本学习单位,具有高维性.提取微学习单元适合的特征,保留有代表性的特征,有助于降低冗余,是提高微学习聚类精度的重要方法之一.为获得适合的微学习单元特征、降低计算复杂度,并确保聚类准确性,本研究提出一种改进的骨干粒子群无监督特征选择算法用于选择微学习单元的特征.该方法用互信息构造适应度函数,并采用适应性突变概率策略,以提高算法收敛速度和计算精度.实验表明,该方法有助于提取适合的微学习单元特征,且所提取的特征能够提高微学习单元聚类的准确性.