学习型和声搜索算法及其在0-1 背包问题中的应用

针对现有和声搜索算法存在的不足,提出一种学习型和声搜索算法(LHS).根据目标函数值的变化,自适应调整和声记忆考虑概率(HMCR);引入学习机制,加快算法的搜索速度;动态调节基音调整概率(PAR),增强算法的全局搜索能力.对16个标准函数的测试结果表明,所提出的LHS算法与其他4种和声搜索算法相比具有较好的效果.最后将改进算法应用于10个0-1背包问题和1个经典的50维背包实例,实验结果表明LHS算法优于其他算法.关键词:和声搜索算法;自适应;学习策略;搜索速度;0-1背包问题     

和声搜索算法探索能力研究及其修正

和声搜索算法(harmony search,HS)的一大缺点是它容易陷入局部最优.针对此缺点,深入研究了近期文献中所提出的步长(bw)调整方法.首先具体分析了和声搜索算法即兴创作过程的探索能力,而后推导出在不对称区间下即兴创作过程的探索能力与各参数的关系,并进一步讨论了bw对探索能力和算法收敛的影响,证明了方差期望和均值期望所组成的迭代方程的迭代收敛充分性.基于这些分析和证明,提出一种修正和声搜索算法(modified harmony search,MHS),并分析了参数和声记忆库大小(harmony memory size,HMS)、基音调整概率(pitch adjusting rate,PAR)及和声记忆库的考虑概率(harmony memory considering rate,HMCR)对MHS优化性能的影响.数值仿真结果表明MHS算法优于HS及最新文献所报道的8种改进HS算法,具有良好的优化性能.     

基于IHS_RELM的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于IHS_RELM的网络安全态势预测方法。对和声搜索算法的原理进行了研究,在此基础上提出一种改进的和声搜索算法。将正则极速学习机(RELM)嵌入到改进的和声搜索算法(IHS)的目标函数计算过程中,利用IHS算法的全局搜索能力来优化选取RELM的输入权值和隐含层阈值,在一定程度上提升了RLLM的学习能力和泛化能力。仿真实验表明,与已有的其他预测方法相比,该方法具有更好的预测效果。     

和声搜索算法研究进展

和声搜索算法是一种新兴的智能优化算法,通过反复调整记忆库中的解变量,使函数值随着迭代次数的增加不断收敛,从而来完成优化。算法概念简单、可调参数少、容易实现。研究了和声搜索算法的起源,基本思想;给出了和声搜索算法的步骤和基本流程,并分析了记忆库取值概率和微调概率对算法的影响。比较了和声搜索算法与遗传算法的差异,给出了和声搜索算法的应用前景和研究趋势。     

基于BtW的和声搜索算法在BP网络优化中的应用

针对和声搜索算法参数影响其优化BP神经网络的性能问题,提出了一种可有效提高BP神经网络收敛速度和准确度的基于BtW参数动态变化的改进和声算法,同时用于BP网络优化。算法根据和声搜索参数的特点,采用以BtW为自变量的非线性函数变换方法,对微调概率PAR和微调幅度BW进行动态调整,利用改进的和声搜索算法对BP神经网络的连接权和偏置值进行优化。实验结果表明,该算法有效改善了和声搜索算法在BP神经网络优化中的性能,提高了BP网络的训练速度和预测的准确度。     

改进和声搜索算法优化LSSVM的脑CT图像分类

为了提高脑CT图像的分类正确率,针对分类器中的最小二乘支持向量机（LSSVM）参数优化问题,提出一种改进和声搜索算法优化LSSVM的脑CT图像分类模型（IHS-LSSVM）。将LSSVM参数看作不同乐器的声调组合,通过和声搜索算法的“调音”找到最优参数,并在寻优过程中引入粒子群算法的最优位置更新策略,增强了算法跳出局部极小值的能力,根据最优参数建立脑CT图像分类模型,并对模型的性能进行仿真测试。仿真结果表明,相对于对比模型,IHS-LSSVM不仅提高了脑CT图像分类正确率,而且加快分类速度,是一种有效的脑CT图像分类模型。     

全局竞争和声搜索算法

提出一种全局竞争和声搜索(GCHS) 算法, 给出随机局部平均和声和全局平均和声的概念, 建立竞争搜索机制, 实现每次迭代产生两个和声向量并进行竞争选择. 设计自适应全局调整和局部学习策略, 平衡算法的局部搜索和全局搜索, 详细分析参数HMS、HMCR和PAR对算法优化性能的影响. 数值结果表明, GCHS 算法在精度、收敛速度和鲁棒性方面比和声搜索算法及最近文献中提出的7 种优秀改进和声搜索算法要好.

     

改进和声搜索算法及其在连续函数优化中的应用

针对一般和声搜索(HS)算法在求解连续函数优化问题时存在的困难,提出一种改进的多样化和声搜索(IDHS)算法。该算法借鉴模拟退火算法的思想对参数的更新方式作出调整,并且限制保存在和声记忆矩阵中的一致和声的数量以增加解的多样性。数值仿真结果表明,与其他几种传统的和声搜索算法相比,该方法进一步提高了计算精度和收敛速度,以及全局寻优能力。     

改进和声搜索算法及其在连续函数优化中的应用

针对一般和声搜索(HS)算法在求解连续函数优化问题时存在的困难,提出一种改进的多样化和声搜索(IDHS)算法。该算法借鉴模拟退火算法的思想对参数的更新方式作出调整,并且限制保存在和声记忆矩阵中的一致和声的数量以增加解的多样性。数值仿真结果表明,与其他几种传统的和声搜索算法相比,该方法进一步提高了计算精度和收敛速度,以及全局寻优能力。     

自适应反向竞争和声搜索算法及其优化

提出一种自适应反向竞争和声搜索算法.该算法简单分析和声搜索算法步长设置的盲目性,提出一种自适应步长调整操作.算法融合反向学习策略的优势,建立末位淘汰竞争选择机制,以进一步提高算法的全局搜索能力,防止算法陷入局部最优.为验证文中算法的有效性,优化经典测试函数,数值结果表明文中算法在精度和鲁棒性方面比和声搜索算法及目前较优的改进和声搜索算法更好.最后通过优化求解热交换器和减速器设计问题,证明文中算法求解结果优于其他算法.     

改进二进制和声搜索算法求解多维背包问题

和声搜索（HS）是一种已广泛应用于连续优化问题的元启发式方法。针对典型的组合优化问题——多维背包问题（MKP）,提出一种改进二进制和声搜索（IBHS）算法。算法通过伯努利随机过程生成二进制群体,在候选和声生成算子中,引入动态自适应参数,通过算法参数的自适应调整来协调算法的全局搜索和局部搜索,并提出一种新的更有效的衡量商品多维加权价值密度的方法用于二进制个体修正和优化;引入精英局部搜索机制进行协同寻优,提高IBHS的收敛速度。通过求解10组不同规模的典型多维背包算例和与贪心二进制狮群优化（GBLSO）算法、改进的差分演化（MBDE）算法以及二进制修正和声（BMHS）算法的对比分析,实验结果表明,所提算法在求解MKP时有具有良好的收敛效率、较高的寻优精度和很好的鲁棒性。     

基于改进离散和声算法的批量流水线调度研究

针对批量流水线调度问题,提出了以总流经时间为目标的改进离散和声算法。与基本的和声算法相比,该算法首先采用了基于工件序列的编码方式,使其直接应用于调度问题,同时运用NEH和SWAP方法产生初始和声库,保证了初始种群具有较高的质量和多样性。使用自适应和声微调概率参数和INSERT方法产生新解,提高了算法的优化性能。为了提高算法的局部搜索能力,结合交换扰动策略和插入邻域搜索算法给出了两种混合求解策略。仿真实验表明所提算法的有效性。     

求解0-1二次规划问题的迭代禁忌搜索算法

提出迭代禁忌算法求解0-1二次规划问题。在局部搜索过程中,使用禁忌搜索贪心跳坑策略,能够使算法有效跳出局部最优值的陷阱。采用国际上公认的30个算例作为算法测试实验集,与传统的禁忌搜索、模拟退火算法以及混合算法进行比较。实验结果表明,该算法在所有算例上都能够得到文献中报告的最优解,且计算效率明显优于其他算法。     

求解批量流水线调度问题的改进和声搜索算法

针对以最大完工时间为目标的批量流水线调度问题,提出一种改进的和声搜索优化算法。该算法采用ROV规则的编码方式,使具有连续本质的和声搜索算法能直接应用于调度问题。对和声库的初始化和候选解的产生方式进行改进。针对该算法容易陷入局部最优的缺陷,将其与阈值接受算法结合,得到2种混合算法。仿真结果证明了该算法的有效性。     

柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型

针对在最小二乘支持向量机（LSSVM）的核函数参数和正则化参数优化中回溯搜索优化算法（BSA）易早熟、局部开采能力弱等问题,提出了一种集成预测模型CABSA-LSSVM。首先采用柯西种群生成策略增加历史种群的多样性使算法不易陷入局部最优解,然后利用自适应变异因子策略调节变异尺度系数以平衡算法的全局勘探和局部开采能力,最后运用改进后的柯西自适应回溯搜索算法（CABSA）优化LSSVM以形成新的集成预测模型。选取10个UCI数据集进行数值实验,结果表明所提模型CABSA-LSSVM在种群规模为80时回归预测性能最优,且与标准BSA、粒子群优化（PSO）算法、人工蜂群（ABC）算法、灰狼优化（GWO）算法优化的LSSVM相比,该模型的决定系数提升了1.21%~15.28%,预测误差降低了6.36%~29.00%,运行时间降低了5.88%~94.16%,可见该模型具有较高的预测精度和较快的计算速度。     

改进和声搜索算法求解一般整数规划问题

设计了一种改进的和声搜索算法对一般的整数规划问题进行求解,在计算机上予以实现。经实验测试,相对遗传模拟退火算法和混合遗传算法,获得了同样甚至更好的解。由于改进和声搜索算法使用灵活,因此对于线性和非线性的整数规划问题都能进行求解。     

求解NWFS调度的改进和声搜索算法

以无等待流水车间(NWFS)总流水时间为优化目标,提出一种改进的和声搜索算法。建立NWFS调度优化的问题模型,设计总流水时间的快速评估方法。采用LPV规则实现离散问题的连续编码,给出改进的和声搜索算法对总流水时间执行优化,达到总流水时间的全局和局部最优。对标准算例做仿真,并在相同条件下与现有算法比较,验证该算法的可行性和有效性。     

有时间窗约束车辆路径问题的改进遗传算法

将遗传算法与禁忌搜索结合起来,设计了一种改进的遗传算法求解有时间窗约束车辆路径问题。采用启发式插入算法产生较优良的遗传操作初始种群,通过改进的逆转变异算子更多继承父代的优良性能,以提高遗传算法的计算效率。引入海明距评估遗传进化中种群的多样性。当种群多样性低到一定程度时转入禁忌搜索,以避免遗传算法早熟的缺陷,最终实现全局优化。通过算例验证了该算法的优越性。     

花授粉算法的改进及在压力容器设计中的应用

虽然花授粉算法对于求解优化问题十分有效,但也存在收敛性慢的问题。为了解决此问题,提出一种带有时变因子的差分进化花授粉算法（Differential Evolution Flower Pollination Algorithm with Time Variant Factor,TVDFPA）。对步长因子进行改进,同时在迭代过程中加入差分进化的策略,通过种群杂交,提高算法的收敛速度和寻优能力。通过标准测试函数进行测试,仿真结果表明TVDFPA的收敛速度比原始花授粉算法、混沌和声的花授粉（HFPCHS）、模拟退火花授粉算法（SFPA）快,收敛精度也有较大提高。进而结合花授粉算法的特点,建立带有变参数的双适应值比较法来求解压力容器设计问题,实验结果表明改进之后的算法具有较好的求解性能。     

求解作业车间调度问题的禁忌分布估计算法

为优化作业车间调度问题的解,提出一个禁忌和分布估计的混合算法。分布估计算法是一种新的进化模式,通过概率优化模型在连续空间进行求解;通过对已获得的群体进行选择操作生成优势群体,提出的分布估计算法使用单变量边缘分布算法构建概率模型,估计离散空间中的联合概率分布,从概率向量采样生成新群体;采用基于工件编号的编码和解码机制保证解的可行性。为提高局部搜索能力,算法基于禁忌搜索算法设计新的双重移动组合、块禁忌和选择策略,在搜索陷入局部最优时利用遗传算法的变异算子生成新解;算法通过混合分布估计算法和禁忌搜索算法的优点,兼具全局搜索与局部搜索能力,提高了搜索的效率和性能。通过与现有算法在典型实例上的实验结果比较,表明该算法在求解作业车间调度问题上具有可行性和有效性。