一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。     

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。     

基于均匀局部搜索和可变步长的萤火虫算法

针对萤火虫算法（FA）收敛速度慢和求解精度不高的问题,提出一种基于均匀局部搜索和可变步长策略的萤火虫优化算法（UVFA）。首先,根据均匀设计理论建立局部搜索算子,对FA的搜索过程进行改进,以提升算法的局部开采能力和收敛速度;其次,利用可变步长策略,动态地调整算法搜索步长,以平衡全局和局部的勘探能力和开采能力;最后将均匀局部搜索算子和可变步长进行融合。通过对12个标准测试函数进行仿真实验,结果表明,UVFA的目标函数均值均明显优于FA、明智步长策略的萤火虫算法（WSSFA）、可变步长萤火虫算法（VSSFA）和基于均匀局部搜索的萤火虫优化算法（UFA）,并且时间复杂度明显降低,并且在低维和高维问题中均显示出了较好的质量,具有良好的鲁棒性。     

一种改进混沌萤火虫算法

萤火虫算法是一种新型的进化算法,虽然全局寻优能力较强,但是也存在后期收敛速度慢、易于早熟、求解精度低的缺陷.为了克服以上缺陷,利用混沌序列设计了两种新颖的混沌局部搜索算子,第一种混沌局部搜索算子针对种群中最优解进行局部搜索,第二种混沌局部搜索算子针对种群中较优解进行局部搜索,在此基础上进而提出了两种改进混沌萤火虫算法,并进行了一系列比较研究.仿真结果表明,两种改进算法均显著优于基本FA算法,与其它改进萤火虫算法相比也具有一定优势,是目前最优秀的改进萤火虫算法之一.     

基于动态反向学习和莱维飞行的双搜索模式萤火虫算法

针对多目标萤火虫算法在解决复杂多目标问题时存在收敛性差和分布性不足的问题,提出了基于动态反向学习和莱维飞行的双搜索模式萤火虫算法(MOFA-LR)。该算法通过比较任意一只萤火虫与种群中其余萤火虫的适应度值,判断它们之间的支配关系,根据不同的支配关系选择不同的搜索模式。当萤火虫被支配时,应注重向帕累托前沿上的优质解靠近,因此通过动态反向学习策略求出当前个体的反向解,使用反向解结合全局最优解共同引导萤火虫移动的搜索模式,能够发掘潜在的较好解,使萤火虫最大可能地向有利方向移动,改善了算法的收敛性;当萤火虫不被支配时,应注重获得均匀分布的帕累托前沿,因此使用全局最优解引导萤火虫飞行并结合莱维扰动的搜索模式,既能有效利用非支配解的优良信息,又能避免算法陷入停滞,在改善算法收敛性的同时维护了分布性。最后,为避免算法在迭代后期出现萤火虫严重聚集的现象,添加变异算子帮助种群跳出局部最优,引导种群进行局部开采。将MOFA-LR与12种新近多目标优化算法进行比较,实验结果表明,MOFA-LR具有良好的收敛性和分布性,证明了所提策略的有效性。     

萤火虫算法在供应链库存优化设计中的应用

为降低供应链成本,建立了三级供应链库存控制模型。按照库存与订单之差的控制率向上级订货,以供应链总成本为目标函数进行优化。针对初始萤火虫算法(FA)寻优过程中局部搜索能力弱、种群多样性差、搜索速度慢、容易陷入局部最优解等缺点,提出了一种易收敛的改进萤火虫算法(IFA)求解该模型。通过改进自适应光感系数加速种群的收敛速度;采用非线性莱维飞行步长,混沌变异判断策略兼顾全局搜索能力、局部收敛速度和种群多样性等。测试函数表明,IFA在全局搜索最优解和收敛速度方面都有了改进,成本降低了10.1%,为流程工业供应链节约了大量人力物力成本。     

融合莱维飞行与黄金正弦的蚁狮优化算法

针对蚁狮优化算法较易陷入局部最优停滞、收敛精度低以及收敛速度较慢等问题,将莱维飞行机制和黄金正弦算法融合到蚁狮优化算法中,提出了融合莱维飞行与黄金正弦的蚁狮优化算法（LGSALO）。该算法利用 Levy 飞行的变异机制对寻优过程中位置更新方式进行变异操作,可以改善种群多样性,使得算法跳出局部最优,提高全局寻优能力,并在一定程度上避免了算法的过早收敛;同时引入黄金正弦算法改进精英蚁狮的寻优方式,协调算法的全局探索与局部开发能力。实验仿真结果表明,该改进算法的寻优性能良好,开发能力强。     

引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

求解大规模优化问题的改进麻雀搜索算法

针对麻雀搜索算法在求解大规模优化问题时存在收敛速度慢、寻优精度低和易陷入局部极值的缺点,提出一种基于精英反向学习策略的萤火虫麻雀搜索算法(ELFASSA).首先,通过反向学习策略初始化种群,为全局寻优奠定基础;其次,利用萤火虫扰动策略提高算法跳出局部最优的能力并加速收敛;最后,在麻雀位置更新后引入精英反向学习策略以获取精英解及动态边界,使精英反向解可以定位在狭窄的搜索空间中,有利于算法收敛.通过选取10个高维标准测试函数进行仿真实验,将其与麻雀搜索算法(SSA)及4种先进的改进算法进行性能对比,并与3种单一策略改进的麻雀搜索算法进行改进策略的有效性分析,仿真结果表明, ELFASSA算法在收敛速度和求解精度两方面明显优于其他对比算法.     

多策略协同优化的改进HHO算法

为进一步提升哈里斯鹰优化算法（HHO）的收敛精度和迭代速度,提出一种多策略协同优化的改进HHO算法（MSHHO）。首先采用拉丁超立方抽样方法初始化种群,加强个体在解空间区域的均匀化分布程度;其次引入融合莱维飞行的自适应阿基米德螺旋机制于局部搜索阶段,完善算法开采机制并有效增强个体邻域的搜索严密性,提高算法收敛精度;最后鉴于算法在迭代后期易于陷入局部极值情形,采取柯西变异和反向学习的混合变异策略交替扰动最优个体以助其快速逃离局部极值区,加快算法迭代速度。通过对基准测试函数的求解对比分析、Wilcoxon秩和检验和CEC2014复杂函数对比分析,证实了改进算法优异的寻优性能和稳健的鲁棒性。     

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。     

融合Levy飞行和精英反向学习的WOA-SVM多分类算法

元启发算法-SVM是多分类评价模型的典型架构,在多分类综合决策判定中具有重要的理论与实践意义,为此提出了一种融合Lévy飞行和精英反向学习的鲸鱼优化算法(Lévy flight and elite opposition-based whale optimization algorithm,LFEO-BWOA)-SVM多分类评价算法.利用Lévy飞行策略替代螺旋轨迹策略更新位置信息,有效克服了鲸鱼优化算法易陷入局部寻优的不足;引入精英反向学习机制增加种群多样性,提高了鲸鱼优化算法全局寻优的能力.实验仿真结果表明,LFEO-BWOA-SVM算法在分类准确率上比传统SVM、BP神经网络分别提高17.84％和4.51％,准确率为98.73％,在训练时间上比标准WOA-SVM和PSO-SVM分别缩短了9.34％和84.94％.实验结果证明,LFEO-BWOA-SVM算法的寻优能力和收敛速度均有明显提升,准确率和快速性良好.     

精英反向学习与黄金正弦优化的HHO算法

针对基本哈里斯鹰优化算法(Harris hawks optimization,HHO)易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出融合精英反向学习与黄金正弦算法的哈里斯鹰优化算法(elite opposition-based learning golden-sine Harris hawks optimizat...     

锦标赛精英学习与协方差变异的烟花算法

针对传统烟花算法收敛精度低,收敛速度慢,容易陷入局部最优等问题,提出一种基于锦标赛精英学习与协方差变异的烟花算法（GLFWA-CM）。该算法在爆炸算子过程中利用核心烟花更新信息确定核心烟花在每一维上的爆炸半径,并引导核心烟花在更新方向上产生更多的爆炸火花,提高了核心烟花的搜索能力;在变异算子中用协方差变异代替原来的高斯变异,充分利用爆炸火花的信息,有效平衡了算法的局部搜索和全局搜索能力;在烟花选择过程中提出了一种基于锦标赛的精英学习策略,有效加快了算法收敛速度。在CEC2015测试函数上做仿真实验,结果表明,与多种经典烟花算法相比,该算法在收敛性和稳定性上都具有较好表现。     

基于Levy飞行的萤火虫模糊聚类算法

针对模糊C均值（FCM）聚类算法易受初始聚类中心影响而陷入局部最优问题,提出了一种基于Levy飞行的萤火虫模糊聚类算法（LFAFCM）。该算法改变萤火虫算法的随机移动策略,以平衡算法局部搜索和全局搜索能力;萤火虫位置更新过程中引入Levy飞行机制,以提高全局寻优能力;根据迭代次数和萤火虫位置动态调整每个萤火虫的尺度系数,以限制Levy飞行可搜索范围,并加快算法收敛速度。利用5个UCI数据集对算法进行实验验证,实验结果表明,该算法有效避免了陷入局部最优并具有较快的收敛速度。     

改进的萤火虫算法在神经网络中的应用

基本萤火虫算法存在容易陷入局部最优及收敛速度低的问题,提出了一种改进进化机制的萤火虫算法（IEMFA）。在群体进化过程中赋予萤火虫改进的位置移动策略,并利用改进后的萤火虫算法来优化传统BP神经网络的网络参数。测试结果表明,基于改进萤火虫算法的BP神经网络具有更好的收敛速度和精度。     

基于利维飞行和变异算子的萤火虫算法

为增强萤火虫的全局探索能力和避免陷入局部最优,提出一种基于利维飞行和变异算子的萤火虫算法。采用标准萤火虫算法进行常规寻优,社会学习用于平衡全局搜索和局部探索能力。引入利维飞行策略,实现萤火虫的随机移动,避免萤火虫陷入局部最优。引入遗传算法中变异算子,扩大萤火虫的多样性。将该算法在广泛采用的15个基准函数上进行测试并与5种萤火虫算法进行比较,测试结果表明,该算法具有较高的准确率和较快的收敛速度。     

基于趋化校正的哈里斯鹰优化算法

针对哈里斯鹰优化（HHO）算法收敛速度慢、易陷入局部最优的缺点,提出了一种改进HHO算法,即基于趋化校正（CC）的哈里斯鹰优化（CC-HHO）算法。首先,通过计算最优解下降率和变化权重来识别收敛曲线的状态;其次,将细菌觅食优化（BFO）算法的CC机制引入局部搜索阶段来提高寻优的精确性;再次,将生物在运动时的能量消耗规律融入逃逸能量因子和跳跃距离的更新过程中,从而更好地平衡算法的探索与开发;然后,对最优解和次优解的不同组合进行精英选择来拓展算法全局搜索的广泛性;最后,当搜索陷入局部最优时,通过对逃逸能量施加扰动来实现强制跳出。通过10个基准函数对改进算法的性能进行测试,结果显示CC-HHO算法对单峰函数的搜索精度比引力搜索算法（GSA）、粒子群优化（PSO）算法、鲸优化算法（WOA）以及另外4种改进的HHO算法提升超过10个数量级;对多峰函数也有超过1个数量级的优势;在保证搜索稳定性平均提升超过10%的前提下,所提算法的收敛速度明显优于上述几种优化算法,收敛趋势更加明显。实验结果表明,CC-HHO算法有效地提高了原算法的搜索效率和鲁棒性。     

融合正弦余弦算法和精英算子的花授粉算法

针对花授粉算法（FPA）具有寻优精度较低,稳定性不高的问题,提出了一种融合正弦余弦算法和精英算子的花授粉算法（SCA-EFPA）。针对花授粉算法的局部授粉过程,授粉范围小且易陷入局部最优值的问题,利用正弦余弦算法的“局部开发”和“全局搜索”特性,并作简化改进后引入;针对其全局授粉过程,搜索范围较大且寻优精度低的问题,引入精英花粉算子以提高寻优精度并且进行变异和交叉操作以保持种群多样性。达到整个改进后的算法具有提高寻优精度的目的。选取多组标准测试函数来测试改进算法的各项性能。结果表明,与基本花授粉算法、粒子群算法和差分变异算法等相比,融合正弦余弦算法和精英算子的花授粉算法具有更高的寻优精度,更好的稳定性和收敛性。