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。     

具有振荡约束的自然选择萤火虫优化算法

针对基本萤火虫算法高维求解精度低、收敛速度慢、易早熟等缺点,提出一种具有振荡、约束和自然选择机制的萤火虫算法,引入二阶振荡因子,平衡上一代个体对当前代个体的影响,防止萤火虫个体陷入局部极值;加入基于sigmoid函数的约束因子,动态调整个体移动距离,在算法后期避免萤火虫个体在理论最优值附近因过度扰震而导致精度降低的情况;采用基于高斯积分倒数递减趋势的自然选择,在保持个体多样性的同时加快算法的收敛速度.理论分析证明了改进算法的收敛性和时间复杂度.通过对10个不同特征标准测试函数多个维度的函数优化仿真实验,测试结果表明改进算法的寻优精度和收敛速度均有明显提升,尤其是在高维情况下,几乎对于所有函数仍能找到理论最优解,较好地解决了萤火虫算法不适于高维求解的问题.     

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。     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

带高斯变异的人工萤火虫优化算法

针对基本萤火虫优化算法在求解函数全局最优值时的不足,提出了一种带高斯变异的人工萤火虫优化算法。该算法在萤火虫的移动过程中,应用了高斯变异策略,从而在一定程度上避免了算法陷入局部最优,且能获得精度更高的解。通过对六个标准测试函数进行测试,结果表明,改进后的人工萤火虫算法比基本萤火虫优化算法有更高的收敛速度、求解精度和收敛成功率。     

一种用Powell方法局部优化的人工萤火虫算法

针对人工萤火虫算法在寻找函数全局最优值时,存在着收敛速度慢、易陷入局部最优、收敛成功率和求解精度低等不足,利用Powell方法强大的局部优化能力,将其作为一局部搜索算子嵌入到人工萤火虫算法,提出一种用Powell方法局部优化的人工萤火虫算法.最后,8个标准函数测试结果表明,改进后人工萤火虫算法在收敛速度、精度和稳定性方...     

人工萤火虫与差分进化混合优化算法

人工萤火虫优化算法在寻找函数全局最优值时存在着收敛速度慢、易陷入局部最优、收敛成功率和计算精度低等缺点,为此,文中将人工鱼群算法的觅食行为嵌入到人工萤火虫算法,并与差分进化算法融合,提出一种基于人工萤火虫与差分进化的混合优化算法.最后,通过4个典型测试函数和1个应用实例进行测试,结果表明所提出的混合算法收敛速度快,计算精度高,其整体逼近性能比基本人工萤火虫和差分进化算法更优.     

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.     

细胞膜机制萤火虫算法优化多阈值Otsu图像分割

图像阈值分割是将灰度图像转换为二值图像的常用图像分割方式.经典多阈值Otsu算法对复杂图像进行分割取得了很好的效果,但是其采用穷举方法来寻找最优阈值是非常耗时的.针对这一问题,本文提出了一种基于细胞膜和自适应步长萤火虫混合优化算法的多阈值Otsu图像分割方法.利用萤火虫算法的启发式搜索来寻找图像分割的最优阈值很好地降低了算法的时间复杂度,并且在萤火虫算法中混合细胞膜算法很好地解决了萤火虫算法的"早熟"现象.实验结果表明,与经典多阈值Otsu法和萤火虫算法优化多阈值Otsu法相比,本文提出的算法具有更高的收敛速度和更好的图像分割效果,并且有效解决了萤火虫算法易陷入局部最优的问题.     

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。     

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。     

基于排序选择和精英引导的改进人工蜂群算法

针对人工蜂群算法收敛速度较慢、收敛精度不高的问题,提出一种基于排序选择和精英引导的改进人工蜂群算法.分析观察蜂概率选择方法在适应值变化时对于精英个体优选的不足,提出一种排序选择方法,用以替代概率选择方法,从而提高算法的收敛速度.利用精英个体对搜索的引导作用,分别提出针对采蜜蜂和观察蜂的改进邻域搜索方程,从而提高算法的搜索效率.与其他人工蜂群算法的对比结果表明,所提出的改进方法能够有效提升算法的收敛速度和收敛精度.     

融合混沌对立和分组学习的海洋捕食者算法

针对海洋捕食者算法存在收敛速度慢、不易逃出局部最优的缺点,提出了一种改进海洋捕食者算法。将混沌映射与对立学习策略相结合,在保证遍历性和随机性的同时,生成高质量的初始猎物种群。引入自适应t分布变异算子更新种群,增加种群多样性,避免陷入局部最优。对更新后的种群,按照适应度分为精英组和学习组,学习组向精英组猎物的平均维度进行学习,精英组内的猎物相互维度学习,进一步提高种群质量和搜索精度。选取15个测试函数,通过对比测试,验证了改进后的算法可以有效提高原算法的收敛速度和寻优精度。将改进后的算法应用于无线传感器网络覆盖优化,实验结果显示,改进后的算法提高了网络覆盖率,优化后的节点分布更加均匀。     

基于自主学习和精英群的多子群粒子群算法

为了提高动态多子群粒子群算法中粒子学习的自主性,提出一种基于自主学习和精英群的粒子群算法.该算法借鉴教育心理学自主学习的理念,用基础群中粒子自主选择学习对象的操作代替子群的重组操作,并通过精英群局部搜索的配合来达到寻优的目的.将所提出的算法应用于6个测试函数,并与动态多子群PSO等算法进行了比较,比较结果表明,新算法在提高收敛速度、精度和寻优时间等方面具有良好的性能。     

基于反向学习的自适应差分进化算法

为解决差分进化（DE）算法过早收敛与搜索能力低的问题,讨论对控制参数的动态调整,提出一种基于反向学习的自适应差分进化算法。该算法通过反向精英学习机制来增强种群的局部搜索能力,获取精确度更高的最优个体;同时,采用高斯分布随机性提高单个个体的开发能力,通过扩充种群的多样性,避免算法过早收敛,整体上平衡全局搜索与局部寻优的能力。采用CEC 2014中的6个测试函数进行仿真实验,并与其他差分进化算法进行对比,实验结果表明所提算法在收敛速度、收敛精度及可靠性上表现更优。     

教与学信息交互粒子群优化算法

针对单一种群在解决高维问题中收敛速度较慢和多样性缺失的问题,提出了一种教与学信息交互粒子群优化（PSO）算法。根据进化过程将种群动态地划分为两个子种群,分别采用粒子群优化算法和教与学优化算法,同时粒子利用学习者阶段进行子种群之间信息交互,并通过评价收敛性和多样性指标让粒子的收敛能力和多样性在进化过程中得到平衡。与粒子群优化算法、混合灰狼粒子群算法、重选精英个体的非线性收敛灰狼优化（GWO）算法等多个进化算法在15个标准测试函数的不同维度下进行对比实验,所提算法在多个测试函数上可以收敛到理论最优值,速度相对于其他算法提高了1~6倍。实验结果表明,所提算法在收敛精度和收敛速度上具有较好的效果。     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。