一种混合改进的鸡群优化算法

摘要：针对鸡群算法（CSO）易陷入局部最优和出现早熟收敛的缺陷,提出了一种混合改进的鸡群优化算法（OBSA-CSO）。算法通过采用反向学习对种群进行初始化,同时对越界个体进行边界变异操作保证了算法的种群多样性并利于算法的全局搜索;在寻优过程中对母鸡采用新的位置更新公式,并对最优个体采用改进退温函数的模拟退火扰动,通过Metropolis准则进行择优的方式有效的提高了算法的寻优精度和收敛速度。通过对7个测试函数在固定迭代次数和固定寻优精度条件下的实验表明,改进后的算法相较于传统鸡群算法具有较好的寻优精度和收敛速度。     

基于改进的鸡群算法在云计算资源调度中的研究

针对云计算中的资源调度效率低的问题,提出将改进后的鸡群算法用于调度。引入反向学习概念对鸡群种群进行初始化,提高全局搜索能力。对小鸡的位置引入了粒子群算法中的权重值和学习因子的概念进行改进,优化了鸡群个体位置,通过差分算法对鸡群算法整体的个体位置进行优化,最后通过边界处理从整体上预防了算法中个体位置可能出现的越界。在仿真实验中,将优化后的鸡群算法与基本鸡群算法,粒子群算法和蚁群算法进行在完成时间、花费成本、能量消耗和负载均衡中进行了对比,取得了较好的效果。     

混合策略改进的蝴蝶优化算法

针对蝴蝶优化算法存在的求解精度低、易陷入局部最优等缺陷,提出混合策略改进的蝴蝶优化算法.首先,利用Circle映射初始化蝴蝶个体的位置,增加初始个体的多样性;其次,在局部搜索阶段利用动态切换概率控制改进正弦余弦算法与蝴蝶优化算法的转换,充分利用少量的蝴蝶个体,增强算法的局部开发能力;然后,在全局和局部位置更新处引入自适应余切权重系数,控制蝴蝶个体下一代的移动方向和距离,提高算法的收敛速度和精度;最后,引入逐维变异策略,对全局最优位置变异,引导种群向最优位置进化,避免陷入局部最优.对八个基准函数进行仿真实验,结果表明,改进算法的收敛性能更佳,与其他改进算法相比具有一定的竞争力.     

粒子群优化的速度方程改进与自适应变异策略

对基本粒子群优化算法的速度方程进行了改进,减少了控制参数,引入随机调节因子,使得粒子的自我认知能力和社会认知能力在一定范围内随机产生,同时对个体最优粒子进行自适应随机变异,由此构造出一种改进的粒子群优化算法。数值结果表明新算法能够克服早熟收敛,具有更好的性能和全局搜索能力。     

双曲正切高斯与两阶段反向学习平衡优化算法

针对平衡优化算法易陷入局部最优以及收敛速度慢等缺点,提出双曲正切高斯与两阶段反向学习平衡优化算法.首先,将双曲正切函数与黄金分割系数融入高斯分布动态调整算法的全局搜索能力,提高算法寻优精度;其次,为了缓解迭代中种群多样性减少,对种群个体执行遗传算法中交叉和变异操作,使种群最大程度上避免多样性减少;然后,通过两阶段反向学习,种群个体能够通过一般反向学习或随机反向学习增强算法逃离局部最优的能力和加快算法收敛的速度;最后,使用12个基准测试函数、CEC2014函数集、Wilcoxon秩和检验及Friedman秩检验测试改进算法的综合性能,并与其他改进群智能算法进行对比,实验结果表明改进算法优势明显.     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。     

混合改进搜索策略的鸡群优化算法

针对鸡群算法易陷入局部最优和出现早熟收敛的情况,提出一种混合改进搜索策略的鸡群优化算法。该算法通过种内和种间竞争,确定子群规模及等级次序,子群角色通过竞争繁殖进行动态更新。种群进化寻优中引入全局最优引导策略和动态惯性策略,个体的寻食学习通过动态惯性策略进行自我调整,并同时接受子群与种群中的最优个体引导,以平衡局部搜索和全局搜索之间的关系。仿真实验结果表明,与基本鸡群算法和粒子群算法等相比,改进后的鸡群算法能有效提高算法的收敛精度和收敛速度。     

求解高维优化问题的遗传鸡群优化算法

针对鸡群算法在求解高维复杂优化问题时收敛速度慢、寻优精度不高、容易陷入局部最优等不足,结合遗传思想,增加公鸡和母鸡交配、变异产生新小鸡的概念,并设定交配周期和小鸡淘汰更新周期,利用交叉、变异算子对算法进行改进,得到一种改进的鸡群算法。通过对10组基准函数的实验结果进行分析,相比于标准鸡群算法和其他两种目前比较流行的群体智能优化算法,提出的改进鸡群算法在寻优精度、解的质量、收敛速度、稳定性及鲁棒性等方面优势明显,具有良好的性能。     

多策略融合的改进麻雀搜索算法及其应用

针对麻雀搜索算法易陷入局部最优、收敛速度慢等不足,提出一种多策略融合的改进麻雀搜索算法.采用精英混沌反向学习策略生成初始种群,增强初始个体的质量和种群多样性,实现对更多优质搜索区域的勘探以提升算法的局部极值逃逸能力和收敛性能;结合鸡群算法的随机跟随策略,优化麻雀搜索算法中跟随者的位置更新过程,平衡算法的局部开发性能和全局搜索能力;采用柯西-高斯变异策略提升算法的种群多样性保持能力和抗停滞能力.对10个不同特征的基准测试函数进行寻优,测试结果与Wilcoxon符号秩检验结果均表明改进算法具有更好的寻优精度、收敛性能和稳定性.最后,利用改进算法对最小二乘支持向量机的参数进行优化,应用于煤与瓦斯突出危险性辨识,通过实验进一步验证改进策略的有效性和改进算法的优越性.     

基于Memetic框架的混合粒子群算法

提出一种Memetic框架下的混合粒子群优化算法(HM-PSO)。针对粒子群算法的搜索结果,该算法采用基于拉马克学习的局部搜索策略帮助具有一定改进能力的个体提高收敛速度,同时利用禁忌策略帮助可能陷入局部最优的个体跳出局部最优点。HM-PSO算法在加速个体收敛的同时提高算法搜索的多样性,避免陷入局部最优。实验结果表明,改进拉马克学习策略有效可行,HM-PSO算法具有良好的全局寻优性能。     

混合柯西变异和均匀分布的蝗虫优化算法

由于位置更新公式存在局部开发能力较强而全局探索能力较弱的缺陷,导致蝗虫优化算法(GOA)易陷入局部最优以及早熟收敛,对此,提出一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA).受柯西算子和粒子群算法的启发,提出具有分段思想的位置更新方式以增加种群多样性,增强全局探索能力;将柯西变异算子与反向学习策略相融合,对最优位置即目标值进行变异更新,提高算法跳出局部最优的能力;为了更好地平衡全局探索与局部开发,将均匀分布函数引入非线性控制参数c,构建新的随机调整策略.通过对12个基准函数和CEC2014函数进行仿真实验以及Wilcoxon秩和检验的方法来评估改进算法的寻优能力,实验结果表明,HCUGOA算法在收敛精度和收敛速度等方面都得到极大的改进.     

独立自适应调整参数的粒子群优化算法

针对传统粒子群优化算法在求解复杂优化问题时易陷入局部最优和依赖参数的取值等问题,提出了一种独立自适应参数调整的粒子群优化算法。算法重新定义了粒子进化能力、种群进化能力以及进化率,在此基础上给出了粒子群惯性权重及学习因子的独立调整策略,更好地平衡了算法局部搜索与全局搜索的能力。为保持种群多样性,提高粒子向全局最优位置的收敛速度,在算法迭代过程中,采用粒子重构策略使种群中进化能力较弱的粒子向进化能力较强的粒子进行学习,重新构造生成新粒子。最后通过CEC2013中的10个基准测试函数与4种改进粒子群算法在不同维度下进行测试对比,实验结果验证了该算法在求解复杂函数时具有高效性,通过收敛性分析说明了算法的有效性。     

新型分阶段粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了一种新型分阶段粒子群优化算法。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪局部吸引域和全局吸引域来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

基于双策略协同进化的QPSO算法及其应用

为更好地提升量子粒子群优化算法（QPSO）的局部挖掘和全局搜索能力,提出了一种改进的QPSO算法（DSQPSO）。在改进算法中引入了双策略协同进化的思路调整粒子的位置更新公式。为充分体现个体粒子挖掘的优势和群体共同引导的特点,提出了两种吸引点构造的思路,做到个体和种群更好地融合以及信息的互通;分别考虑了最优平均位置与全局最优和粒子的历史最优之间的联系,对粒子搜索范围作出了重新定义;此外,在迭代过程中,借助随机扰动机制对全局最优位置进行调整,以保持种群的多样性。通过18个测试函数将DSQPSO算法与PSO、QPSO、RQPSO和LQPSO四种算法在收敛精度和鲁棒性方面进行对比;进而在两个具体的工程优化问题上,应用改进算法与八个智能算法进行了寻优结果比较。实验表明DSQPSO算法无论在基准测试中还是在工程应用上,其计算精度和收敛效果均有明显优势。     

一种新形式的微粒群算法

标准微粒群算法在优化多峰、多维的复杂函数时,其效果并不理想,容易早熟收敛。为了改进微粒群算法处理此类问题的性能,提出了一种新的微粒群算法。该算法将标准微粒群算法迭代公式中的群体最优位置用个体最优位置的中心代替,有利于增强群体的多样性,避免早熟收敛,同时保持了迭代公式的简洁形式。3个常用测试函数的数值模拟表明,新的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

基于自适应t分布与动态权重的樽海鞘群算法

针对樽海鞘群算法寻优精度低、收敛速度慢和易陷入局部最优等缺点,提出一种基于自适应t分布与动态权重的樽海鞘群算法。首先,在领导者位置更新中引入蝴蝶优化算法中的全局搜索阶段公式,以此来增强全局探索能力;然后,在追随者位置更新中引入自适应动态权重因子来加强精英个体的引导作用,从而增强局部开发能力;最后,为了避免算法陷入局部最优,引入自适应t分布变异策略对最优个体进行变异。通过对12个基准测试函数进行求解,根据平均值、标准差、求解成功率、Wilcoxon检验和收敛曲线分析,表明所提出的算法要优于标准樽海鞘群算法,以及参与比较的其他改进樽海鞘群算法和其他群智能算法,说明了其在寻优精度和收敛速度方面都有显著提升,并且具备跳出局部最优的能力。通过将其应用在脱硝入口浓度最低点寻找上,验证了算法的有效性。     

混沌动态种群数粒子群优化算法

针对粒子群优化算法在整个迭代过程中粒子极易陷于局部极值区域,提出一种混沌动态粒子数的粒子群优化算法,也即在判定全局最优值处于停滞时,以混沌策略对粒子进行位置初始化后加入种群,从而有效地保证了粒子群的多样性。用4个测试函数验证了该算法具有很好的寻优能力和较高的搜索精度。     

一种群活性反馈粒子群优化算法

为解决粒子群优化(PSO)算法的早熟收敛问题,提出一种群活性反馈PSO进化算法SAF-PSO。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作,增强粒子跳出局部最优的能力,提高寻找全局最优的几率。对基准函数的仿真结果表明,与其他PSO算法相比,该算法具有更强的全局搜索能力和更高的寻优精度。     

自适应二次粒子群算法钢架模型修正

粒子群算法参数少,简便易行,具有较好的全局搜索能力和计算效率,在优化等领域得到了广泛应用,但它易于陷入局部极值,因此需要进行改进以增强其优化性能.修正了基本粒子群算法中的速度公式权重因子和最优位置,提出了形式简单且搜索效率高的自适应二次粒子群算法,并应用于五层钢架结构模型修正,修正结果证实了算法的有效性和优越性.     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.