一种新型的全局优化算法——细胞膜优化算法*

通过研究细胞膜的特性及其物质转运方式,从中进行提取优化模型,并结合全局优化算法的基本思想,提出了一种新型的全局优化算法——细胞膜优化算法（CMO）。通过数值实验,验证了细胞膜优化算法具有很好的全局寻优能力、快速的收敛能力和获取高精度解的能力,并与标准粒子群算法（PSO）和人口迁移算法（PMA）进行比较,结果表明,细胞膜优化算法在解决高维优化问题时具有更好的收敛性能。     

一种基于模式搜索算子的人工萤火虫优化算法

人工萤火虫算法是群智能领域近年出现的一个新的研究方向,该算法已在复杂函数优化方面取得了成功,但也存在着易陷入局部极小且进化后期收敛速度慢等问题.而模式搜索具有很强的搜索能力,但其搜索结果的好坏在很大程度上依赖于初始点的选择.结合两者的优缺点,提出一种基于搜索算子的人工萤火虫算法.该算法在人工萤火虫算法全局搜索过程中融入模式搜索法,改进人工萤火虫算法全局搜索和局部搜索能力.仿真实验结果表明,该算法收敛速度和解的精度显著地提高,是求解函数优化问题的一种可行和有效的方法.     

一种群体迁移优化算法及性能分析

受生态系统中迁移机制的激发, 提出了一种基于群体迁移的优化算法. 该算法是根据生态学中群体分布的迁移模型而提出的一种新的优化算法. 借鉴其他智能算法思想, 用栖息地来表示优化问题的解集, 通过生物群体的迁入与迁出实现解集之间特征信息的共享, 从而完成进化过程. 该文讨论了基于群体迁移的优化算法基本原理和实现步骤, 同时进行一些基准函数的性能测试. 通过分析表明提出的新算法是有效的, 是一种具有潜在优越性的优 化算法.     

函数优化的一种高效演化算法

提出了一个求解函数优化问题的高效演化算法,其设计思想由混合选择策略与分类变异簟略构成。该算法使用锦标赛选择、轮盘选择相结合的混合选择策略。变异运算分为三类进行：对最好个体实施模式搜索。对适应值排名靠前的三分之一的个体采用柯西变异,而其它个体使用普通变异算子。针对15个测试函数的实验取得了相当好的效果,实验结果表明该算法不仅收敛速度快．而且所求得的解达到或者以相当高的精度逼近最优解。     

一种混沌人工鱼群优化算法

人工鱼群算法是一种群智能全局随机优化算法,存在陷入局部极值和效率低的不足,结合混沌搜索的特点,提出一种混沌人工鱼群优化算法,该算法是用混沌初始化来初始化鱼群,在聚群和追尾行为后进行混沌的遍历性和随机性扰动来使鱼群局部搜索同时摆脱局部极值点。仿真实验结果表明,该算法比基本人工鱼群算法全局能力更强,搜索效率更高。     

一种基于反思机制的教与学优化算法

针对教与学优化(Teaching-learning-based optimization,TLBO)算法中存在的易于陷入局部最优以及收敛速度较慢等问题,提出了基于反思机制的TLBO算法。为提高算法的全局搜索和局部收敛能力,在教学过程中利用教师反思来增强教师教学水平,进一步提高学生知识技能,同时学生实现自我反思,达到同步提高的目的。利用基准测试函数对算法进行了性能测试,实验结果表明,改进后的TLBO算法具有更好的寻优性能。     

一种基于博弈论的混合优化算法

针对单种群智能优化算法存在一些固有的缺点和局限,提出一种基于博弈论的多子群——多策略的混合优化算法。该算法中各子群利用支付效用矩阵选择最优策略独立寻优,并周期性地选择和替换,使子群的策略能动态适应搜索过程的变化,有效发挥策略的优势性能。将所提出的混合优化算法应用于4个标准测试函数,并与原单种优化算法进行对比,结果表明：当混合策略中的单种优化算法具有不同的搜索特性时,混合优化算法有更高的寻优能力和收敛效率。     

一种基于教与学的混合灰狼优化算法

针对灰狼优化算法(GWO)存在收敛精度不高、易陷入局部最优的不足,提出一种基于教与学的混合灰狼优化算法(HGWO).首先,采用佳点集理论进行种群初始化,提高初始种群的遍历性;其次,提出一种非线性控制参数策略,在迭代前期增加全局搜索能力,避免算法陷入局部最优,在迭代后期增加局部开发能力,提高收敛精度;最后,结合教与学算法(TLBO)和粒子群优化算法,修改原位置更新公式以优化算法搜索方式,从而提升算法的收敛性能.为验证HGWO算法的有效性,选取9种标准测试函数,将HGWO算法、GWO算法以及其他群体智能优化算法和其他改进GWO算法进行仿真实验.实验结果表明,所提出的HGWO算法性能优于GWO算法和其他群体智能优化算法,且在改进算法中具有一定优势.     

云搜索优化算法

本文将云的生成、动态运动、降雨和再生成等自然现象与智能优化算法的思想融合,建立了一种新的智能优化算法-云搜索优化算法(CSO)。生成与移动的云可以弥漫于整个搜索空间,这使得新算法具有较强的全局搜索能力;收缩与扩张的云团在形态上会有千奇百态的变化,这使得算法具有较强的局部搜索能力;降雨后产生新的云团可以保持云团的多样性,这也是使搜索避免陷入局优的有效手段。实验表明,基于这三点建立的新算法具有优异的性能,benchmark函数最优值的计算结果以及与已有智能优化算法的比较展现了新算法精确的、稳定的全局求解能力。     

一种基于粒子群算法求解约束优化问题的混合算法

通过将粒子群算法(PSO)与差别进化算法(DE)相结合，提出一种混合算法PSODE，用于求解约束优化问题．PSODE是在PSO算法中适当引入不可行解，将粒子群拉向约束边界，加强对约束边界的搜索，同时与DE算法结合以加强搜索能力．基于典型高维复杂函数的仿真表明，该算法简单高效，鲁棒性强．     

基于遗传算法的多方法协作优化方法

采用遗传算法、模式搜索法和Powell法进行多方法协作构成多方法协作优化方法,进行多方法协作优化方法的结构设计,分析多方法协作优化方法的优化性能。实例证明了多方法协作优化方法相对于遗传算法的优越性。     

一种求旅行商问题的离散粒子群算法

针对旅行商问题提出一种离散粒子群算法。算法重新定义了速度及其与粒子位置的相关算子,设计了"距离排序矩阵"(保存距离城市由近到远的其他城市的矩阵),并根据它生成可动态变化的优秀基因库来指导粒子高效地进行全局搜索。本文用TSPLIB中的部分案例进行实验,实验结果表明,该算法在求解旅行商问题上有很好的性能,并且具有很好的鲁棒性。     

信息共享模型和组外贪心策略的郊狼优化算法

郊狼优化算法(Coyote Optimization Algorithm,COA)是最近提出的一种新颖群智能优化算法,具有较大的应用潜力,但存在运行时间长和搜索能力不足等问题。因此,文中提出了一种改进的COA,即基于信息共享和组外(静态)贪心的COA(COA based on Information sharing and Static greed selection,ISCOA)。首先,构建一种新型的信息共享模型,用于子群所有郊狼的成长,在郊狼成长前期,共享信息差异性大,以增加种群的多样性,在效狼成长后期,共享信息差异性小,以强化开采能力;其次,构建一种新的组内成长方式,即前期主要采用信息共享模型的成长方式,以郊狼的信息共享为主强化探索能力,后期主要采用原算法的成长方式,以alpha狼和文化趋势的引导为主强化开采能力;最后,将原算法的组内贪心算法改成组外贪心算法,即静态贪心算法,以便提高算法的稳定性和实现目标函数计算等的并行处理,提高运行速度。大量复杂的CEC2017函数优化实验结果表明,与COA相比,ISCOA在29个10维和30维函数上分别获得了23和24个函数的优势,其平均运行...     

基于云模型的进化算法

基于云模型在非规范知识的定性、定量表示及其相互转换过程中的优良特征,结合进化计算的基本思想,提出一种基于云模型的进化算法.该算法利用云模型对物种的遗传变异进化统一建模,能够自适应控制遗传变异的程度和搜索空间的范围,从而可以快速收敛到最优解,较好地避免了传统遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题.仿真结果表明:该算法具有精度高、收敛速度快等优点.云模型和进化计算思想的有效结合一方面拓宽了云模型的应用领域,也为进化计算的研究进行了新的探索和尝试.     

粒子群优化算法的分析与研究

粒子群优化算法是一种新兴的基于群智能的演化计算方法,其思想来源于对鸟群运动行为的研究.群体中的每一个粒子通过追随个体最优解和群体最优解来完成解的迭代过程.首先介绍了PSO算法的基本原理,然后对PSO的几种典型改进算法进行了介绍并通过仿真实验对各种算法进行了分析和比对,最后对粒子群算法研究方向进行了展望.     

基于微粒群算法与模拟退火算法的协同进化方法

提出了一种基于模拟退火与微粒群算法的协同进化方法,利用了微粒群算法的易实现性、局部快速收敛性以及模拟退火算法的全局收敛性.通过两种算法的协同搜索,可以有效克服微粒群算法的早熟收敛.仿真结果表明,本文的协同进化方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.文章从理论上证明了该方法以概率1收敛于全局最优解.     

粒子群优化技术的研究与应用进展

粒子群优化(PSO)算法是一种新兴的基于群智能搜索的优化技术,它是通过粒子追随个体最优解和群体最优解来完成优化,且算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。     

基于动态布谷鸟搜索算法的PID控制器参数优化

为了解决传统PID控制器参数优化费时且不能保证获得最佳性能的问题,通过改进布谷鸟搜索算法的参数取值,形成了动态布谷鸟搜索算法(DCS),并把其引入到PID控制器参数优化中,提出了一种基于动态布谷鸟搜索算法的PID控制器参数优化算法,仿真试验结果表明基于动态布谷鸟搜索算法的PID控制器具有较好的控制性能指标,并通过与其他算法对比,证明了动态布谷鸟搜索算法的PID控制器优化算法具有优越性和有效性.     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

改进的群搜索优化算法在结构优化中的应用

针对桁架结构优化设计问题,对群搜索优化算法（GSO）进行了算法修改和参数调整,并将修改后的算法应用到10杆、17杆和200杆共3个桁架结构截面优化设计算例中,同时与另一种GSO改进算法（IGSO）进行了对比分析。对于每个算例,该文改进算法和IGSO算法各运行了10次,从10次运行的统计结果可以看出,改进算法的优化效果和稳定性均好于IGSO算法。另外,改进算法也与目前结构优化中较好的其它几个算法进行了比较,总体来说,改进算法的最佳优化结果与这些算法的最佳结果相当。