基于协作搜索策略的花粉算法

花粉算法是一种新型的元启发式智能算法,但存在陷入局部最优解、收敛速度慢、寻优精度低等缺陷.基于此本文提出一种基于协作搜索策略的花粉算法,该算法使得花粉个体能够在一定程度上跳出局部最优值,提高算法的全局寻优能力.最后,对8个标准测试函数进行测试,结果表明,改进后的算法在7个测试函数中能够找到理论最优值,收敛速度、寻优精度、鲁棒性均比花粉算法以及改进的花粉算法有较大的提高.     

一种基于权重策略的蝙蝠算法

针对基本蝙蝠算法存在的后期收敛速度慢、易陷入局部极值、稳定性差等缺点,提出一种基于权重策略的蝙蝠算法.该算法在蝙蝠学习机制中引入权重策略,使其不再单一地向全局最优蝙蝠学习,而是与邻域内所有蝙蝠进行信息共享与交流,并根据自身寻优能力自适应地调节向其他蝙蝠学习的力度,优化迭代种群,增加种群多样性,有效地提高了算法的全局搜索能力和搜索精度.数值测试结果表明,新算法有较快收敛速度和较高的寻优精度.     

种群规模对蝙蝠算法性能的影响

为优化蝙蝠算法的性能,提高算法自身的寻优能力,分别从蝙蝠算法收敛速度、求解精度、全局搜索能力和收敛时间4个方面分析种群规模对蝙蝠算法性能的影响。选用8个标准测试函数在不同种群规模下进行仿真实验。结果表明,求解单峰和多峰问题时,蝙蝠算法的种群规模分别选取70和170,算法的性能最好。     

基于随机搜索变异策略的人工蜂群算法

针对人工蜂群算法存在的收敛速度慢、易陷入局部最优等缺点,提出了一种基于随机搜索策略的人工蜂群算法(RMABC).首先,采用随机选择的方式进行变异和扰动操作,增加种群的多样性,平衡算法的局部搜索能力和全局搜索能力;其次,改变侦察蜂阶段的搜索策略,将limit次不更新的蜜源替换为它的反向蜜源,加快算法的收敛速度.选取9个标准测试函数进行数值仿真实验,结果表明本文提出的算法具有较快的收敛速度和较高的求解精度,对复杂的数值优化问题寻优效果很好.     

基于萤火虫算法的Markov模型及收敛性分析

为完善萤火虫算法(FA)的收敛性理论,本文就萤火虫算法(FA)建立了Markov链数学分析模型.通过分析该Markov链的性质,证明萤火虫位置的群体状态序列是有限齐次Markov链;通过分析萤火虫位置的群体状态转移过程,得到群体状态序列必将进入最优状态集的结论;然后证明萤火虫算法满足随机优化算法全局收敛的两个条件C1和C2,从而保证萤火虫算法全局收敛.在此基础上,通过几个典型测试函数对萤火虫算法的全局收敛性进行数值实验,验证了萤火虫算法的全局收敛性.     

基于量子进化算法的固井方案优化设计

为获得油气田固并质量的几个主要相关因素的最优搭配,利用神经网络的非线性映射能力和量子进化算法的全局寻优能力,从大量历史固井数据中确定神经网络训练样本,建立了BP神经网络模型,然后用量子进化算法对所建立的神经网络模型寻优,找到最佳的施工方案.仿真结果表明,该优化设计方案具有较好的收敛速度和运算精度,能较好地解决实际问题.     

基于花粉算法的K均值聚类算法

针对原始花粉算法寻优精度低,后期收敛速度慢等问题,提出加入高斯白噪声扰动改进花粉算法.利用改进后花粉算法强大的全局搜索能力优化K-means算法的初始聚类中心,通过基于距离的方法消弱孤立点对聚类的影响,并对该算法的性能进行验证和测试.实验结果表明该算法有效地避免了其陷入局部最优,改善了聚类性能.     

基于模拟退火的自适应正余弦算法

为克服正余弦算法寻优精度低、收敛速度慢、易陷入局部最优等缺陷,提出一种基于模拟退火的自适应正余弦算法。设置自适应参数r1,根据粒子自适应值的状态,动态调整参数r1,以增强算法的局部搜索能力;在简化的正余弦算法的位置更新公式中引入对数递减的惯性权重,更好的平衡算法局部搜索与全局搜索的能力;为增加种群多样性,对当前最优解添加高斯扰动,并根据模拟退火中的Metropolis准则接受新解,以避免算法后期陷入局部最优。10个标准测试函数仿真结果表明,改进后算法在收敛速度、寻优精度上更具优势。     

基于遗传算法和BP网络的造纸废水处理预测研究

在造纸废水处理过程建立出水COD预测模型中,针对BP算法易陷入局部极小、收敛速度慢等缺点,根据遗传算法(Genetic Algorithm-GA)具有全局寻优的特点,将两者结合起来形成一种训练神经网络的混合算法--GA-BP算法;仿真结果表明,预测模型具有较强的学习能力和泛化能力,同时,建立的GA-BP模型预测输出的平均误差仅为0.88%,说明此模型可以有效、可靠地预测造纸废水出水COD.     

基于指数惯性权重和自适应变异的樽海鞘算法

针对樽海鞘算法(SSA)求解精度低,收敛速度慢,易陷入局部最优等缺陷,提出一种基于指数惯性权重和自适应t分布变异的改进樽海鞘算法。通过用最优位置替代个体位置改进了跟随者位置更新公式,提升了其寻优能力。将带有随机扰动项的指数递减惯性权重引入到改进后的跟随者位置更新公式中,平衡了算法全局搜索和局部搜索能力。在搜索过程中对每次更新后的位置以一定概率进行自适应t分布变异,避免其陷入局部最优。将改进算法与4种算法在8个不同维度、峰度的测试函数上进行了对比测试,并将其应用到2种工程设计问题中,结果表明:改进算法具有更好的全局和局部搜索能力,以及更高的寻优精度和更快的收敛速度,同时在求解实际问题时也表现出良好性能。