一种改进的新型元启发式花朵授粉算法

最近,受自然界花朵授粉过程的启发,Yang提出了一种新的元启发式群智能算法——花朵授粉算法,该算法融合了现有其他智能算法的优点。首先阐述了花朵授粉的特征,从机理上描述了该算法的实现步骤,同时对该算法的寻优性能进行了剖析。其次,针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种基于差分进化策略的花朵授粉算法。该算法引入差分进化中的变异、交叉及选择操作,使缺乏变异机制的花朵授粉算法具有变异能力,增加种群的多样性,提高算法的全局寻优能力和避免种群个体陷入局部最优。通过十个标准测试函数进行测试,仿真结果表明,改进算法的寻优能力明显优于基本的花朵授粉算法、蝙蝠算法、粒子群算法及改进的粒子群算法     

混合改进的花朵授粉算法

针对花朵授粉算法(FPA)收敛速度慢、精度低的问题,提出了一种混合改进的花朵授粉算法(HFPA)。该算法采用均匀初始化和边界变异提高种群多样性,利用正态分布缩放因子进行全局寻优,加快收敛速度。局部寻优引入变异策略帮助算法跳出局部最优。实验使用7个测试函数,对比原FPA算法其他群智能算法,结果表明:HFPA算法在收敛速度和寻优精度方面均有显著的提高。     

基于变异策略的改进型花朵授粉算法*

介绍了一种新的元启发式群智能算法——花朵授粉算法(flower pollinate algorithm ,FPA)和一种新型的差分进化变异策略——定向变异(targeted mutation,TM)策略。针对FPA存在的收敛速度慢、寻优精度低、易陷入局部最优等问题,提出了一种基于变异策略的改进型花朵授粉算法——MFPA算法,该算法通过改进TM策略,并应用到FPA的局部搜索过程中,以增强算法的局部开发能力;同时在FPA的全局搜索过程中引入均匀变异算子,以增强算法的全局寻优能力。最后通过4个标准的测试函数进行测试,测试结果表明,MFPA算法的寻优能力明显优于原始的花朵授粉算法、粒子群算法以及蝙蝠算法。     

基于单纯形法和自适应步长的花朵授粉算法

针对花朵授粉算法易陷入局部极值、后期收敛速度慢的不足,提出一种基于单纯形法和自适应步长的花朵授粉算法。该算法在基本花朵授粉算法的全局寻优部分采用自适应步长策略来更新个体位置,步长随迭代次数的增加而自适应地调整,避免局部极值;在局部寻优部分对进入下一次迭代的部分较差个体采用单纯形法的扩张、收缩/压缩操作,提高局部搜索能力,进而提高算法的寻优能力。通过八个CEC2005benchmark测试函数进行测试比较,结果表明,改进算法的寻优性能明显优于基本的花朵授粉算法,且其收敛速度、收敛精度、鲁棒性均较对比算法有较大提高。     

基于双指数分布的粒子群算法

针对标准粒子群算法容易陷入局部最优、收敛精度低的缺点,提出了一种改进的粒子群算法。它用双指数分布改进了速度方程度,并用其动态地调整粒子的最大速度,扩大了群体的多样性,增强了粒子跳出局部最优解的能力,保证了整个寻优过程的持续收敛。通过比较和分析5个典型测试函数的实验结果,改进的粒子群算法提高了迭代后期的收敛速度,有效地避免PSO算法的早熟收敛问题,而且具有较高的收敛精度。     

基于折射原理的混合型花朵授粉算法

针对花朵授粉算法收敛速度慢,寻优精度低的缺陷,提出基于折射原理的混合型花朵授粉算法（refrHFPA）。算法首先利用和声搜索算法提升算法收敛速度,然后利用折射原理提高种群的多样性,帮助算法跳出局部最优,提升寻优精度。实验利用8个测试函数,对比其他群智能算法,结果表明refrHFPA算法在收敛速度和寻优精度方面均有显著的提高。     

一种结合灰狼算法的粒子群优化算法

针对粒子群算法有陷入局部最优的缺点,提出一种基于灰狼算法的粒子群优化算法.首先,根据自然界中优胜劣汰的生存法则,对每次迭代种群中的最差粒子进行进化,其次,由于粒子群算法中整个种群中的最优粒子有很强的引导能力,对最优粒子进行扰动,增大寻找全局最优的可能性;最后,结合灰狼优化算法,引导粒子群包围式进行搜索,增强全局搜索能力;将改进的粒子群算法与标准粒子群算法在9个测试函数上进行了寻优精度和收敛速度的对比,结果证明改进粒子群算法(PSO_GWO)在收敛速度和寻优精度上均优于粒子群算法(PSO).     

混沌映射的禁忌同步随机学习因子粒子群算法

针对粒子群算法初始化个体质量参差不齐,算法后期容易早熟,陷入局部最优值以及后期搜索精度不高、收敛速度缓慢的缺点,本文提出一种基于混沌映射的禁忌同步随机学习因子粒子群算法.利用Logistic映射对算法的粒子种群进行初始化,提高种群个体质量;在算法进入后期搜索寻优时,引入禁忌搜索策略,利用其良好突跳能力,跳出局部最优值,提高算法的全局搜索能力;最后将传统的学习因子通过几个测试函数进行迭代寻优,选取寻优能力突出的区间构建同步随机学习因子,平衡粒子的个体经验和群体经验.将改进的粒子群算法与另外几个智能算法在测试函数上寻优对比验证,仿真实验证明,改进的粒子群算法在寻优能力、收敛速度、搜索精度以及算法的稳定性等性能上,与另外3个智能算法相比都有显著提升.     

基于RMSprop的粒子群优化算法

粒子群算法对所有粒子采用相同的惯性权重,忽视了单个粒子的特性,导致收敛精度偏低且易陷入局部最优.结合RMSprop算法中对每一个维度进行自适应设置的策略,提出一种自适应惯性权重粒子群优化算法RMSPSO.考虑粒子每一个维度的速度变化及动量,进行自适应动态惯性权重设置,使算法在全局寻优和局部寻优之间达到良好平衡.选取10个典型测试函数,将改进后的粒子群算法(RMSPSO)与4个主流粒子群算法进行实验对比分析,实验结果表明,在单峰、多峰和组合函数上,RMSPSO算法在收敛速度和收敛精度上取得了明显进步.     

基于云量子花朵授粉的极限学习机算法

为了避免花朵授粉算法在极限学习机识别过程中易陷入局部最优，提出了一种基于云量子花朵授粉的极限学习机算法。首先,将云模型和量子系统引入到花朵授粉算法中，增强花朵授粉算法的全局搜索能力，使粒子能在不同状态下进行寻优。然后,采用云量子花朵授粉算法优化极限学习机的参数，提高极限学习机的识别精度和效率。实验中采用6个标准测试函数对多个算法进行仿真对比，对比结果验证了所提云量子花朵授粉算法的性能优于另外3种群智能优化算法。最后，将改进的极限学习机算法应用到油气层识别中，结果表明其识别精度达到98.62%，相较于经典极限学习机，其训练时间缩短了1.680 2 s，该算法具有较高的识别精度和效率，可以广泛应用到实际分类领域中。     

一种高效的混合蝙蝠算法

针对基本蝙蝠算法存在收敛速度慢,易陷入局部最优,求解精度低等缺陷,提出一种融合局部搜索的混合蝙蝠算法用于求解无约束优化问题。该算法利用混沌序列对蝙蝠的位置和速度进行初始化,为全局搜索的多样性奠定基础;融合Powell搜索以增强算法的局部搜索能力,加快收敛速度;使用变异策略在一定程度上避免算法陷入局部最优。选取几个标准测试函数进行仿真实验,结果表明：与基本蝙蝠算法和粒子群优化算法相比,混合蝙蝠算法具有更好的寻优性能。     

机载雷达组网多站测角被动跟踪轨迹优化研究

研究多观测器轨迹优化控制问题,由于多站测角被动跟踪系统运行存在误差,用机载雷达组网的可移动传感器采集信息,可对雷达载体轨迹优化进行研究,利用控制雷达载体的飞行轨迹可有效解决跟踪目标的弱观测性及估计器的稳定性。为了改善传统轨迹优化算法容易陷入早熟收敛和局部最小的问题,提出一种模拟退火(Simulated Annealing,SA)和粒子群优化(Particle Swarm Optimization,PSO)算法的混合优化方法(SA-PSO)。在给出了角度信息的适应度函数表达式基础上,结合模拟退火算法的局部搜索能力和粒子群优化算法的全局搜索能力,提高优化算法的收敛速度、精度以及全局搜索能力。实验证明,改进的混合算法对雷达载体轨迹优化有效,并减小对机动目标的被动跟踪误差。     

基于混合粒子群优化算法的旅行商问题求解

针对旅行商问题提出一种混合粒子群优化算法。为了增强算法的局部搜索能力,在粒子群优化算法中加入倒置、对换等局部搜索算法。利用遗传算法全局搜索能力强的特点对用粒子群优化算法求到的解进行优化,对全局最优路径通过消除交叉路径进行优化,以进一步提高混合算法的性能。仿真结果表明,中小规模旅行商问题能够在较少的代数内收敛到较满意解。     

基于领域建模的数控系统代码自动生成方法

针对传统数控系统开发方法存在的问题,提出基于领域建模的数控系统开发方法,将领域元模型设计、模型转换、代码自动生成作为主要研究对象,介绍数控系统元模型的基于多视角的构建过程,分析数控系统代码自动生成的原理及步骤,阐述基于映射规则库及代码模板库的模型映射过程。通过三轴数控车床的设计实例,证实该方案的可行性及有效性。     

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法（SFLA）的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO）,并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。     

局部深度搜索的混合果蝇优化算法

针对基本果蝇优化算法(FOA)局部深度搜索能力较差且易陷入局部最优的缺点,提出了局部深度搜索的混合果蝇优化算法(SFOALDS)。通过借鉴混合蛙跳算法(SFLA)的更新策略,循环进行局部深度搜索操作,使得SFOALDS既保持了FOA较快的收敛速度,又增强了FOA局部深度搜索能力,有效避免了基本FOA易陷入局部最优的缺点,提高了进化后期算法的收敛速度和精度。仿真实验结果表明,SFOALDS比基本FOA和SFLA有较强的全局寻优性能,并且在高维函数上的优势更加明显。     

基于模拟退火的混合差分进化算法及其在联合补货-配送集成优化中的应用

针对差分进化 (Differential evolution, DE)算法搜索效率较低和容易陷入局部最优的缺点,设计了基于SA的混合差分进化算法(SA-based Hybrid DE, SAHDE),以提高DE算法的全局寻优能力。该算法采用自适应变异算子和交叉算子,并结合模拟退火(Simulated Annealing, SA)算法的Metropolis 准则。首先通过标准测试函数对改进的SAHDE进行性能测试,证明了该算法比DE、自适应混合DE (Adaptive Hybrid DE, AHDE)和遗传算法(Genetic Algorithm, GA)更有效。进而将该算法运用到联合补货-配送集成优化(典型NP-hard)问题的求解中,通过大规模的算例分析,证实SAHDE在解决联合补货-配送优化问题比DE、AHDE和GA更有效。     

解决作业车间调度的微粒群退火算法*

针对微粒群优化算法在求解作业车间调度问题时存在的易早熟、搜索准确度差等缺点,在微粒群优化算法的基础上引入了模拟退火算法,从而使得算法同时具有全局搜索和跳出局部最优的能力,并且增加了对不可行解的优化,从而提高了算法的搜索效率;同时,在模拟退火算法中引入自适应温度衰变系数,使得SA算法能根据当前环境自动调整搜索条件,从而避免了微粒群优化算法易早熟的缺点。对经典JSP问题的仿真实验表明,与其他算法相比,该算法是一种切实可行、有效的方法。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

一种模拟退火和粒子群混合优化算法

针对粒子群优化算法(PSO)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点.把模拟退火技术(SA)引入到PSO箅法中,提出了一种混合优化算法.混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构.由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法.SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小.混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度.仿真结果表明,混合优化算法的优化性能优于基本PSO算法.