求解高维复杂函数的混合蛙跳–灰狼优化算法

针对高维复杂函数问题,提出一种混合蛙跳–灰狼优化算法(SFL–GWO).该算法通过改进的Logistic映射初始化GWO算法种群提高算法的多样性;其次,提出一种新的距离控制参数的非线性调整策略来增强种群的探索与开发的能力;最后通过引入改进的随机蛙跳算法中改变最差位置的方式使SFL–GWO算法跳出局部最优的局限.通过选取的10个高维复杂函数的寻优结果验证了算法的性能,并与粒子群优化算法(PSO)、灰狼优化算法(GWO)和鲸鱼优化算法(WOA)3种基本算法以及与8种改进算法的寻优的结果进行了比较.仿真结果证明:SFL–GWO算法在不仅可以提高收敛精度也可以提高算法的搜索速度,证明了SFL–GWO算法在求解高维复杂函数的高效性.     

求解高维优化问题的混合灰狼优化算法

针对基本灰狼优化算法在求解高维优化问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出一种基于混沌映射和的精英反向学习策略的混合灰狼优化算法用于解决无约束高维函数优化问题. 该混合算法首先采用混沌序列产生初始种群为算法进行全局搜索奠定基础;对当前种群中的精英个体分别执行精英反向学习策略以协调算法的勘探和开采能力;在搜索过程中对决策层个体进行混沌扰动,以避免算法陷入局部最优的可能性. 选取10个高维(100维、500维和1000维)标准测试函数进行数值实验,结果表明混合灰狼优化算法在求解精度及收敛速度指标上明显优于对比算法.     

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。     

改进的灰狼优化算法及其高维函数和FCM优化

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.     

基于醉汉漫步和反向学习的灰狼优化算法

灰狼优化算法在优化后期易陷入局部最优,在求解高维函数时因其复杂度更高,陷入局部最优概率更大,针对上述问题提出基于醉汉漫步和反向学习的混合灰狼优化算法(DGWO).在迭代过程中对每代种群中优势狼与最差狼进行反向学习并进行比较、重新排序后保留前3的狼,同时将采用醉汉漫步机制更新领导狼,参数A和C采用系数标量而不是GWO原始...     

求解高维函数优化的动态粒子群算法

针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷,提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略,使得粒子对周围环境的适应能力不受进化代数的影响,从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明,与文献算法相比,该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

求解复杂函数优化问题的混合蛙跳算法*

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法。该算法把生物学中的吸引排斥思想引入到混合蛙跳算法中,修正了其更新策略,从而维持了子群的多样性。实验仿真结果表明,改进的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,数值实验结果验证了算法的有效性和鲁棒性。     

基于混合灰狼算法的机器人路径规划

针对传统灰狼算法GWO优化精度低、易陷入局部最优等不足,构建了混合灰狼算法HGWO,并将其应用于机器人路径规划RPP问题。HGWO算法采用反向学习方法构建初始灰狼种群,力求提升初始解的质量。同时,算法在个体位置更新方法中融入自身历史信息以指导种群进化,并借助精英反向学习策略探索当前种群优秀解的反向解空间,以增强算法的勘探能力。为确保路径规划的精度并降低求解难度,利用Spline样条插值法拟合路径曲线。最后,进行了函数优化和路径规划的对比实验,实验结果表明,HGWO算法具有良好的求解精度和稳健的鲁棒性。     

求解高维复杂优化问题的改进人工蜂群算法

为了提高人工蜂群算法求解高维复杂优化问题的能力,提出一种改进人工蜂群算法（artificial bee colony algorithm with attractor,BAABC）。在观察蜂阶段,BAABC算法摒弃轮盘赌选择策略,并通过引进吸引子改变观察蜂的搜索方式。首先,全局最优解波动产生吸引子。然后,观察蜂以吸引子为中心等比例收缩,共同开发同一区域,从而提高了算法的开发能力。实验结果表明,BAABC开发能力显著增强。关于迭代次数和时间,收敛速度都明显提高。在解决高维复杂优化问题方面,BAABC算法优势明显。值得一提的是,BAABC算法的收敛效果与问题维数无关,具有很好的鲁棒性。     

一种新型非线性收敛因子的灰狼优化算法*

针对标准灰狼优化算法在求解复杂工程优化问题时存在求解精度不高和易陷入局部最优的缺点,提出一种新型灰狼优化算法用于求解无约束连续函数优化问题。该算法首先利用反向学习策略产生初始种群个体,为算法全局搜索奠定基础;受粒子群优化算法的启发,提出一种非线性递减收敛因子更新公式,其动态调整以平衡算法的全局搜索能力和局部搜索能力;为避免算法陷入局部最优,对当前最优灰狼个体进行变异操作。对10个测试函数进行仿真实验,结果表明,与标准灰狼优化算法相比,改进灰狼优化算法具有更好的求解精度和更快的收敛速度。     

基于Cubic映射的灰狼优化算法及应用

针对标准的灰狼优化算法GWO对于复杂优化问题的求解易陷入局部最优的缺点,从混沌初始化和非线性控制策略2个角度,提出一种基于Cubic映射和反向学习的灰狼优化算法COGWO。首先,利用Cubic映射和反向学习策略对种群进行初始化,并通过非线性参数控制策略来调节寻优过程中的参数;然后,对6种基准测试函数进行寻优实验,实验结果表明,COGWO算法具有更好的收敛精度、收敛速度和稳定性;最后,将COGWO算法应用到了实际的工程优化问题中。     

改进灰狼优化算法在WSN节点部署中的应用

根据无线传感网络节点在随机部署时存在聚集程度高导致覆盖率低的问题,提出了一种改进的灰狼优化算法,并将其应用于无线传感网络节点的优化覆盖.首先,利用混沌算法进行算法种群的初始化,以提高种群多样性;其次,在灰狼算法的基础上改进其收敛因子,平衡全局和局部搜索能力,提高算法中后期的优化能力;最后,对δ狼进行融合变异以改善局部极值问题.仿真实验表明,将改进后的灰狼优化算法应用于WSN节点部署优化中,与标准灰狼优化算法相比加快了优化速度,网络覆盖率提高了3％.     

改进灰狼优化算法求解模糊车间调度问题

模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法（improved grey wolf optimization,IGWO）求解以最小化模糊完成时间和最小化模糊机器总负载的双目标模糊柔性作业车间调度问题。该算法首先采用双层编码将IGWO离散化,设计一种基于HV贡献度的策略提高种群多样性;然后使用强化学习方法确定全局和局部的搜索参数,改进两种交叉算子协助个体在不同更新模式下的进化;接着使用两级变邻域和四种替换策略提高局部搜索能力;最后在多个测例上进行多组实验分析验证改进策略的有效性。在多数测例上,IGWO的性能要优于对比算法,具有良好的收敛性和分布性。     

An integer encoding grey wolf optimizer for virtual network function placement

This paper studies the virtual network function placement (VNF-P) problem in the context of network function virtualization (NFV), where the end-to-end delay of a requested service function chain (SFC) is minimized and the compute, storage, I/O and bandwidth resources are considered. To address this problem, an integer encoding grey wolf optimizer (IEGWO) is proposed. IEGWO has two significant features, namely an integer encoding scheme and a new wolf position update mechanism. The integer encoding scheme is problem-specific and offers a natural way to represent VNF-P solutions. The proposed wolf position update mechanism divides the wolf pack into two groups in each iteration, where one group performs exploitation while the other focuses on global exploration. It provides the search with a balanced local exploitation and global exploration during evolution. Performance evaluation has been conducted based on 20 test instances and IEGWO is compared with five state-of-the-art meta-heuristics, including the black hole algorithm (BH), the genetic algorithm (GA), the group counseling optimization (GCO), the particle swarm optimization (PSO) and the teaching–learning-based optimization (TLBO). Simulation results demonstrate that compared with BH, GA, GCO, PSO and TLBO, IEGWO achieves significantly better solution quality regarding the mean (standard deviation), boxplot and t-test results of the best fitness values obtained.     

混合苍狼优化算法在全局最优中的应用研究

在分析标准苍狼优化算法（GWO）的开发与探索性能基础上,提出了一种混合苍狼优化算法（MAR- GWO）,搜索域得到了全面的扩展,其中针对[α、][β、][δ]领导层苍狼,引入自主搜索行为来加大其优化力度与促进速度的提高,对性能较差搜索狼采取淘汰重组机制以提高搜索效率,又采取概率差分变异行为增加了个体多样性,从而避免局部最优。为了验证MAR-GWO算法有效性,对13个全局优化问题进行实验,分别与GWO、GWO-EPD（改进的苍狼优化算法）、PSO、EA等算法进行了对比测试,从实验结果来看,MAR-GWO算法寻优成功率相对较高、收敛速度快,不易陷入局部最优,在智能算法中具有很强的竞争力。     

Effects of dominant wolves in grey wolf optimization algorithm

Bio-inspired computation is one of the emerging soft computing techniques of the past decade. Although they do not guarantee optimality, the underlying reasons that make such algorithms become popular are indeed simplicity in implementation and being open to various improvements. Grey Wolf Optimizer (GWO), which derives inspiration from the hierarchical order and hunting behaviours of grey wolves in nature, is one of the new generation bio-inspired metaheuristics. GWO is first introduced to solve global optimization and mechanical design problems. Next, it has been applied to a variety of problems. As reported in numerous publications, GWO is shown to be a promising algorithm, however, the effects of characteristic mechanisms of GWO on solution quality has not been sufficiently discussed in the related literature. Accordingly, the present study analyses the effects of dominant wolves, which clearly have crucial effects on search capability of GWO and introduces new extensions, which are based on the variations of dominant wolves. In the first extension, three dominant wolves in GWO are evaluated first. Thus, an implicit local search without an additional computational cost is conducted at the beginning of each iteration. Only after repositioning of wolf council of higher-ranks, the rest of the pack is allowed to reposition. Secondarily, dominant wolves are exposed to learning curves so that the hierarchy amongst the leading wolves is established throughout generations. In the final modification, the procedures of the previous extensions are adopted simultaneously. The performances of all developed algorithms are tested on both constrained and unconstrained optimization problems including combinatorial problems such as uncapacitated facility location problem and 0-1 knapsack problem, which have numerous possible real-life applications. The proposed modifications are compared to the standard GWO, some other metaheuristic algorithms taken from the literature and Particle Swarm Optimization, which can be considered as a fundamental algorithm commonly employed in comparative studies. Finally, proposed algorithms are implemented on real-life cases of which the data are taken from the related publications. Statistically verified results point out significant improvements achieved by proposed modifications. In this regard, the results of the present study demonstrate that the dominant wolves have crucial effects on the performance of GWO.     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。