改进蚁狮优化算法及其工程应用

针对蚁狮优化算法（ALO）在求解工程优化问题时易陷入局部最优及收敛速度慢等缺陷,提出一种基于Levy飞行和差分进化的改进蚁狮优化算法（LDALO）。改进算法对ALO中的蚂蚁进行差分进化操作,从而改善种群多样性,避免算法陷入局部最优并提高算法全局搜索能力。精英引导的Levy飞行被用于蚂蚁位置更新,以加快算法收敛速度。改进算法还在蚁狮捕食蚂蚁后对蚁狮进行差分变异,以提高算法的寻优精度。仿真实验基于10个基准函数进行,其结果显示LDALO较其他算法收敛速度更快,寻优精度更高。在无线传感器网络覆盖优化、压力容器设计、拉压弹簧设计等工程优化问题中的应用,验证了LDALO 的适用性和有效性。     

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。     

融合莱维飞行与混合变异的蝠鲼觅食优化传感器节点覆盖策略

为了解决无线传感器网络节点分布不均,导致有效网络覆盖率较低的问题,提出一种融合莱维飞行与混合变异的蝠鲼觅食优化传感器节点覆盖策略M-MRFO。首先,在蝠鲼种群初始化生成方面引入广义对立学习机制,提高种群在搜索空间内的多样性和算法遍历性;其次,结合莱维（Levy）飞行机制对算法的权重因子和翻滚因子进行调整,通过Levy飞行的随机跳跃式搜索提高种群的全局寻优能力;最后,提出针对精英个体的高斯分布和柯西分布混合变异方法,使算法具备跳离局部最优的能力。将改进算法应用于传感器节点的网络覆盖优化中,利用蝠鲼种群启发式觅食行为模式对节点部署位置迭代寻优。实验结果表明,与标准蝠鲼觅食优化算法MRFO、改进差分进化算法IDEA和混合改进蚁狮算法MS-ALO相比,改进算法M-MRFO能够有效降低节点冗余,更均匀地实现节点部署,提高网络覆盖率。     

融合正弦余弦和变异选择的蝗虫优化算法

针对蝗虫优化算法(GOA)全局寻优能力不足,易陷入局部最优、寻优精度较低等问题,提出融合正弦余弦和变异选择的蝗虫优化算法(SC-MGOA).首先,在位置更新处根据转换概率选择不同的位置更新方式来增加种群的多样性,同时弥补GOA算法全局搜索能力不足的缺陷;其次,为更好的协调算法的全局探索和局部开发,对引入的正弦余弦机制进行改进;最后,在一定概率下针对最优解进行变异,并利用贪婪法则择优保留,使算法能够跳出局部最优,提高算法的收敛精度.选取10个测试函数进行3组测试,结果表明了不同改进策略的有效性,还证明了SC-MGOA算法相对于其他比较算法在寻优精度、寻优速度和鲁棒性等方面的优越性.     

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Levy变异和精英自适应竞争机制的蚁狮优化算法

针对蚁狮优化算法易陷入局部最优、收敛速度慢的缺点,本文提出一种具有Levy变异和精英自适应竞争机制的蚁狮优化算法。利用服从Levy分布的随机数对种群较差个体进行变异,可改善种群多样性提高算法的全局搜索能力;精英自适应竞争机制使得多个精英并行带领种群寻优,提高了算法的收敛速度,为避免较大计算量,并行竞争的精英个数会随着寻优代数增加而减少。同多个改进算法进行比较,结果表明本文所提算法具有更好的寻优精度和收敛速度。最后将本文改进算法应用于硅单晶热场温度模型的参数辨识,仿真结果说明该算法具有较好的参数辨识能力。     

基于混合策略改进的鲸鱼优化算法

针对原始鲸鱼优化算法（WOA）收敛速度慢、全局搜索能力弱、求解精度低且易陷入局部最优等问题,提出一种混合策略来改进的鲸鱼优化算法（LGWOA）。首先将莱维飞行引入鲸鱼全局搜索的公式中,通过莱维飞行加大全局搜索步长,扩大搜索空间、提高全局搜索能力;其次,在鲸鱼螺旋上升阶段,加入一个自适应权重参数来提高算法的局部搜索能力和求解精度;最后结合遗传算法的交叉变异思想平衡算法的全局搜索和局部搜索能力,维持种群的多样性,规避陷入局部最优。通过对12个基准测试函数从2个角度进行实验对比分析,结果表明,基于混合策略改进的鲸鱼优化算法在收敛速度和求解精度上均有明显提升。     

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。     

引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

融合差分变异和切线飞行的天鹰优化器

针对天鹰优化器（aquila optimizer,AO）虽然拥有强大的全局勘探能力,但局部开发能力不足的问题,提出融合差分变异和切线飞行的天鹰优化器（differential evolution mutation and tangent flight aquila optimizer,DEtanAO）。首先,根据差分进化算法中的变异操作能使算法具有较强的开发能力弥补了AO算法的不足,然后,利用切线搜索算法中切线飞行策略具有较强的探索搜索空间的能力并能使算法跳出局部最优解的优势,用其替换了AO算法中的莱维飞行。这两种策略的结合有效地平衡了DEtanAO算法的勘探和开发阶段。最后,为验证DEtanAO算法的优化性能,在12个标准基准函数、高维函数、Wilcoxon秩和检验和工程优化问题上来测试所改进算法的寻优能力。实验结果表明,相比其他智能算法,DEtanAO算法具有更强的寻优能力和更快的收敛速度。     

优选策略的自适应蚁狮优化算法

针对基本蚁狮优化算法收敛速度较慢、易陷入局部极值、高维求解精度较低等缺点,提出具有自适应边界、优选轮盘赌和动态比例系数的改进蚁狮算法.在蚂蚁围绕蚁狮游走的过程中引入自适应边界机制,增加蚂蚁种群活跃性,防止算法陷入局部极值.轮盘赌选择蚁狮过程中加入优选轮盘赌策略,在保持蚁狮个体多样性的同时加快算法收敛速度.在蚂蚁位置更新公式中加入动态比例系数,提高算法前期的探索能力和后期的开发能力.理论分析证明文中算法的时间复杂度与基本算法相同.针对16个不同特征标准测试函数,在多个维度上的优化仿真实验测试结果表明,文中算法具有较好的可行性,寻优精度和收敛速度均有明显提升,受维度变化影响很小,高维求解能力更强、更稳定.     

改进蚁群算法在AGV路径规划中的应用

针对传统蚁群算法在路径规划时,易陷入局部最优、前期路径有效性差等问题,对传统蚁群算法进行改进并应用到AGV（Automated Guided Vehicle）路径规划上。采用栅格地图建立小车工作空间模型,利用改进的头尾搜索机制,提高并加快了算法的全局搜索能力和前期收敛速度;引入奖惩因子与信息素最大最小阈值,对每代最优路径上的信息素进行奖励,最差路径上的进行惩罚,提高全局搜索能力;引入遗传算法变异因子,使算法跳出局部最优能力加强;采用遗传算法对改进的蚁群算法进行参数优化,减少参数对算法的影响。在VS2017和MATLAB软件平台上进行算法仿真。结果表明了该算法在避免局部最优和加快收敛速度方面有很大改进。     

改进蚁群算法在机器人路径规划中的应用

针对传统蚁群算法在移动机器人路径规划问题中存在的易陷入局部最优与收敛速度慢等问题,提出一种改进的蚁群算法。根据起点到终点距离和地图参数构建全局优选区域,提高该区域内初始信息素浓度,避免算法初期盲目搜素;利用局部分块优化策略分别对各个子区域进行寻优并更新区域内最优路径信息素,增强局部搜索能力,加快收敛速度;对全局路径进行寻优,更新全局最优路径信息素。在信息素更新公式中引入信息素增强因子,加强最优路径信息素含量,应用反向学习优化信息素,改进状态选择概率,提高算法寻优能力。实验结果表明,改进后的算法明显提高了收敛速度,同时寻优能力更强。     

多策略协同改进的阿基米德优化算法及其应用

针对阿基米德优化算法（AOA）寻优过程中存在全局搜索能力弱、收敛精度低、易陷入局部最优等缺陷,提出一种融合多策略的阿基米德优化算法（MAOA）。首先,采用随机高斯变异策略选取适应度优的多个个体引导种群向最优解区域寻优,增强全局搜索能力;其次,利用多种混沌映射的随机性、遍历性和多样性,引入局部混沌搜索策略扩大混沌空间的搜索范围,提高算法的局部开发能力;同时,为了协调算法的全局勘探和局部开采能力,提出一种非线性动态密度降低因子;最后,利用Levy飞行引导机制的黄金正弦策略对种群位置进行扰动更新,增加迭代过程中种群的多样性,提高算法跳出局部最优的能力。通过对12个基准测试函数和部分CEC2014测试函数进行仿真实验,结果表明所提算法能够改善AOA全局探索能力弱、易陷入局部最优等缺点,提高AOA的寻优精度和稳定性。另外,引入机械设计案例进行测试分析,进一步验证MAOA在处理实际问题上的适用性和可行性。     

基于切线飞行的麻雀搜索算法

为解决在临近全局最优条件下,原始麻雀搜索算法(sparrow search algorithm, SSA)存在种群多样性降低,局部开发能力薄弱导致不容易跳出局部最优点的问题,提出基于切线飞行的麻雀搜索算法(tangent flight sparrow search algorithm, tanSSA)。首先,使用自适应t分布策略改进发现者位置更新公式,可以提高麻雀个体的寻优能力,同时防止算法早熟。然后,利用切线搜索算法中切线飞行策略所具有的可以增强算法探索搜索空间能力,且能使算法跳出局部最优解的优势,在原始麻雀搜索算法中使用切线飞行扰动策略对最优解进行扰动。这两种策略相结合,可以有效提升tanSSA算法的勘探与开发性能。最后,使用12个标准基准测试函数,结合Wilcoxon秩和检验来测试验证tanSSA算法的优化性能,并与原始SSA算法、鲸鱼优化算法、粒子群优化算法以及自适应t分布SSA算法进行比较。实验证明,基于切线飞行的麻雀搜索算法的寻优能力和收敛速度都有显著提升。     

差分准对立学习多目标蚁狮算法

为解决多目标优化问题，对经典的蚁狮算法进行改进，提出了基于差分进化的准对立学习多目标蚁狮算法（DEQOMALO）。该算法针对蚁狮算法易陷入局部最优的不足，一方面，该算法引用差分进化的思想，充分利用种群和精英蚁狮的信息对原算法中蚂蚁个体的位置更新方式进行改进；另一方面采用反向学习策略对蚂蚁种群进行优化，将原种群个体和其准对立个体进行混合并择优作为新的种群，大大增加种群的多样性。选取典型的标准测试函数，将提出的算法与原始蚁狮算法以及其他传统进化策略优化的蚁狮算法进行比较。实验结果表明，改进算法在收敛性和分布性上均有很大程度的提升，在解决双目标优化问题上具有较好的鲁棒性和有效性。     

基于自适应权重和莱维飞行的改进海鸥优化算法

在齿轮系设计问题中, 传统算法存在计算复杂与精度低等缺点, 海鸥优化算法(SOA)得益于其算法原理简单、通用性强、参数少等特性, 现多用于工程设计问题. 然而, 标准海鸥优化算法易出现寻优精度低、搜索速度慢等问题, 本文提出一种混合策略改进的海鸥优化算法(WLSOA). 首先, 利用非线性递减策略增强海鸥优化算法的探索开发能力, 提高寻优精度. 其次, 在海鸥攻击阶段引入自适应权重平衡全局与局部的搜索能力和加入莱维飞行步长对当前最优解进行扰动, 提高算法跳出局部最优值的能力. 然后分别使用WLSOA、黄金正弦算法、鲸鱼优化算法、粒子群优化算法、传统海鸥优化算法及最新提出的改进海鸥优化算法, 通过在9个经典的测试函数上进行仿真实验来探究WLSOA的性能. 结果表明, WLSOA比其他6种算法寻优精度更高, 收敛速度更快. 最后, 在齿轮系设计问题上, 通过与其他13种常见的群智能算法的比较表明, WLSOA的求解性能优于其他算法.