粒子群优化算法研究

粒子群优化算法是一种启发式全局优化技术,是一种基于群智能的演化计算方法,其源于鸟群群体运动行为的研究。群体中的每一个微粒代表待解决问题的一个候选解,算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理。     

微粒群优化算法的研究

粒子群优化(PSO)算法是一种启发式全局优化技术,一种基于群智能的演化计算方法,其源于鸟群群体运动行为的研究,算法通过粒子问的相互作用发现复杂搜索空间中的最优区域.PSO的优势在于简单容易实现而又功能强大.分析了粒子群优化算法的基本原理,给出了多种改进形式以及研究现状和发展情况,并提出了未来可能的研究方向.     

基于智能优化算法的高效用项集挖掘方法综述

高效用项集挖掘（HUIM）能够挖掘事务数据库中具有重要意义的项集,从而帮助用户更好地进行决策。针对智能优化算法的应用能够显著提高海量数据中高效用项集的挖掘效率这一现状,对基于智能优化算法的HUIM方法进行了综述。首先,以智能优化算法的类别为角度,从基于群智能优化、基于进化以及基于其他智能优化算法的方法这3个方面对基于智能优化算法的HUIM方法进行了详细的分析与总结。同时,从粒子更新方式的角度对基于粒子群优化（PSO）的HUIM方法进行了详细梳理,包括基于传统更新策略、基于sigmoid函数、基于贪心、基于轮盘赌以及基于集合的方法。另外,从种群更新方法、对比算法、参数设置、优缺点等角度对比分析了基于群智能优化算法的HUIM方法。然后,从遗传和仿生两个方面对基于进化的HUIM方法进行总结概括。最后,针对目前基于智能优化算法的HUIM方法所存在的问题,提出了下一步的研究方向。     

随机聚焦搜索优化算法

提出了一种新的优化算法: 随机聚焦搜索. 该算法属于群集智能, 它模仿了人类的搜索行为及其在搜索过程中的随机性, 算法简单并且计算复杂度小. 在对一系列典型复杂函数的优化测试中, 通过与差分进化算法和全面学习的粒子群算法进行对比, 验证了该算法性能. 仿真结果表明, 该算法能解决大多数benchmark函数问题, 并且有较快的寻优速度, 可以在一定程度上替代现有的优化算法.     

动态双子群协同进化果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,提出动态双子群协同进化果蝇优化算法(DDSCFOA).该算法在运行过程中根据群体的进化水平,动态地将整个种群划分为先进子群和后进子群;先进子群采用混沌算法在局部最优解邻域内进行精细的局部搜索,后进子群采用基本FOA算法进行全局搜索,较好地平衡局部搜索能力和全局搜索能力;两个子群间的信息通过全局最优个体的更新和种群个体的重组进行交换.DDSCFOA算法能跳出局部极值,避免陷入局部最优.仿真结果表明,动态双子群协同进化的策略有效可行,DDSCFOA算法比基本FOA算法具有更好的优化性能.     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,并成功的运用于广泛的数值优化问题。PSO算法在求解高维复杂函数优化问题时容易陷入局部最优。有鉴于此,本文提出了一种基于信息熵的粒子优化算法。该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性。实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度。     

基于改进型进化机制的萤火虫优化算法

分析了萤火虫算法的进化计算机制,并利用实例对萤火虫算法中容易发生进化过早停滞的原因进行了研究。提出了一种基于新型进化计算模式的改进型萤火虫优化算法,该算法在进化初期利用种群最优萤火虫激发群中其他个体的寻优能力,在萤火虫相互之间建构了有效的信息交互网络后,各萤火虫将借助各自视觉范围内的更优近邻个体完成后期搜索和进化,当种群陷入局部最优区域时,利用高斯变异改善萤火虫个体的多样性。利用标准测试函数进行了实验分析,结果表明,改进后的萤火虫算法能有效改善过早进化停滞问题。     

智能优化算法在回归测试关键技术中的应用现状研究

近些年,智能优化算法在软件工程领域得到了广泛的应用,基于搜索的软件工程技术往往通过设计具体问题的适应值函数,并基于该函数在问题的可行解空间中使用优化算法寻求最优解。本文首先介绍了常用的智能优化算法,包括遗传算法、爬山算法、粒子群算法以及蚁群算法,之后分析并研究这些算法在测试数据生成、测试用例选择以及测试用例优先级排序技术中的应用,为有效解决基于搜索的软件工程问题奠定基础,促进回归测试效率的提高。     

一种自适应多策略行为粒子群优化算法

针对粒子群优化算法收敛速度慢、局部搜索能力差等缺点,提出一种自适应多策略行为粒子群优化算法.算法中每个粒子拥有4种行为进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定粒子的进化行为,并通过策略行为概率变异算法提升个体寻优速度或避免陷入局部最优解.在经典的基准测试函数上,对新算法与其他7个群智能进化算法的测试结果进行比较分析,结果表明所提出算法具有很好的求解精度和收敛速度,尤其适合应用于一些高维优化问题.     

改进的粒子群优化算法的研究和分析

粒子群优化算法是一种新的随机全局优化进化算法。为了有效地控制其全局搜索和局部搜索,使之获得较好的平衡,论文在深入分析和研究标准粒子群优化算法的基础上,提出了一种基于进化代数阈值和粒子间最大聚集距离高斯变异的粒子群优化算法。该算法在运行过程中通过粒子聚集程度的量化判定,对当前的最优粒子施加高斯变异,从而增强粒子群优化算法跳出局部最优解的能力。测试函数仿真结果表明了该算法的可行性和有效性。     

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。     

国外新型智能优化算法——北极熊算法

北极熊算法(Polar Bear Optimization, PBO)是2017年由David等人提出的一种受自然界启发的优化算法,算法的灵感来自于北极熊赖以在北极严酷的环境下生存下来的捕猎方式。由于PBO是近年才提出来的新颖智能优化算法,中文文献中关于PBO算法的描述和应用微乎其微。还原了PBO的开发背景,介绍了算法的相关运算算子和算法的详细执行步骤,展现了PBO算法在现实世界中的应用领域和实际效果。     

多策略的郊狼优化算法

郊狼优化算法（coyote optimization algorithm,COA）是最近提出的一种群智能优化算法,具有独特的搜索结构和较好的优化性能。为了进一步提高COA的优化性能,提出了一种多策略的郊狼优化算法（multi-strategy COA,MSCOA）。首先,对于组内最优郊狼,采用一种全局最优郊狼引导的成长策略提高其社会适应能力,对于组内最差郊狼,采用一种最优郊狼引导强化策略强化最差郊狼的能力;其次,对于组内其他郊狼采用一种动态调整信息交流的组内成长策略提升组内郊狼之间的信息共享程度,并将这种组内成长策略与一种改进的迁移策略融合,更进一步提升搜索能力;最后采用动态分组策略减少参数手动设置,提高算法的可操作性。以上多种策略的使用更好地平衡了探索与开采,使算法的性能最大化。大量来自CEC2014测试集的复杂函数实验结果表明,与COA相比,MSCOA具有更强搜索能力、更快的运行速度和更高的搜索效率,与其他优秀优化算法相比,具有更明显的优势。     

并行智能优化算法研究进展

基于种群迭代搜索的智能优化算法在农业、交通、工业等很多领域都取得了广泛的应用.但是该类算法迭代寻优的特点使其求解效率通常较低,很难应用到大规模、高维或实时性要求较高的复杂优化问题中.随并行分布式技术的发展,国内外很多学者开始着手研究智能优化算法的并行化.本文首要介绍了并行智能优化算法的基本概念;其次从协同机制、并行模型以及硬件结构3个维度综述了几类常见的并行智能优化算法,详细分析阐述了它们优点及不足;最后对并行智能优化算法的未来研究进行了展望.     

拆卸线平衡问题的改进细菌觅食优化算法

拆卸是产品回收过程中最重要的环节,拆卸过程高效与否直接影响产品的回收效率。为克服传统算法求解拆卸线平衡问题时性能不稳定的缺陷,在构建基于工作站利用率、负荷均衡,尽早拆卸有危害、高需求的零件,最小化拆卸成本等方面的拆卸线平衡问题多目标优化模型的基础上,提出一种改进的细菌觅食优化算法对问题求解。通过改进细菌的移动规则扩大搜索空间,引入全局信息共享策略增强算法收敛性能,定义了一种自适应驱散概率防止驱散操作中解的退化。在对不同规模算例的对比分析中,验证了该算法的有效性。     

求解复杂耦合问题的多系统优化方法

由于复杂耦合问题具有多系统、多目标、多约束、多尺度和不确定等特点, 急需一种求解此类问题的高效 智能优化方法. 为此, 借鉴多种群进化算法的智能平行特征, 利用种群间进化信息的继承和交互作用, 提出一种多 系统优化方法. 首先以子种群来代表子系统的优化环境, 通过子系统内的进化操作求解各自的优化子问题; 然后通 过子系统间的迁移操作, 即利用变量共享、目标函数和约束条件的相似程度来实现子系统间的信息迁移与反馈, 加 速整个问题的全局优化; 最后将该方法应用到基准函数和具有多系统优化特征的三级供应链网络, 仿真实验表明 所提出的方法可行且有效.     

基于人工食物链的动物群优化算法

为了解决目标函数中含有sin、cos等周期函数的优化问题,基于生态系统循环食物链思想提出了一种新型函数优化算法,即AFC-ASO算法.在该算法中,假设在生态系统中的某个循环食物链系统中生活有多种不同类型的动物,这些不同类型的动物采取循环食物链的方式维持该生态系统的生态平衡.进食的方法是采用攫取食饵动物部分器官或吸取其体内物质的方式,但不会危及食饵动物的生命;同类型的动物分雌、雄两种性别.每种类型的动物在该生态系统中活动时,具有捕食、交配、集群、逃逸、游弋五种行为,依据这五种行为构造出了相关的演化算子.其中,捕食算子能够使得个体器官间交换信息;交配算子能使强壮个体将其优良信息传给虚弱个体;集群算子能使个体摆脱局部最优解陷阱;避险算子能增强个体之间的分散度;闲逛算子可以增加当前个体的活跃度;生长算子能确保该算法具有全局收敛性.结果表明,算法对求解某些类型的复杂函数优化问题,特别是目标函数中含有sin、cos等周期函数的一类复杂函数优化问题,具有较高的适应性和收敛速度.     

基于SEIV传染病模型的函数优化方法

为了求解某些类型的复杂函数优化问题,基于 SEIV 传染病模型提出了一种新型函数优化算法,即SEIV算法。在该算法中,假设某个生态系统由若干个人和动物个体组成;每个人和动物个体均由若干个特征来表征。该生态系统存在一种传染病在人与动物之间传染,其传染规律为动物传给人或动物传给动物,这种传染病攻击的是个体的部分特征。每个染病个体均经历易感、暴露、接种或发病等阶段。个体的体质强弱是通过该个体的某些特征的暴露、某些特征的接种、某些特征的发病与某些特征的易感等情况综合决定的。依据SEIV传染病模型的疾病传播规律构造出了相关演化算子,其中E-E、V-V和I-I算子能传递强壮个体的特征信息,使得虚弱个体能向好的方向发展;S-E和S-S算子能使异类或同类（仅指动物）个体之间交换信息;S-V、V-S、E-I和E-V算子能使个体获得其他同类个体的平均特征信息,从而降低了个体陷入局部最优解的概率;S-S算子能使个体的活跃度提高,从而扩大搜索范围。体质强壮的个体能继续生长,而体质虚弱的个体则停止生长,从而确保该算法具有全局收敛性。结果表明,本算法对求解某些复杂函数优化问题具有较高的适应性和收敛速度。     

求解非线性方程组的智能优化算法综述

非线性方程组的求解是优化领域的一个重要研究课题.近年来,利用智能优化算法求解非线性方程组已成为一个重要方向.首先介绍非线性方程组的定义;其次,根据智能优化算法求解非线性方程组问题的基本框架,从转化方法和智能优化算法两方面入手,对求解非线性方程组的算法的研究进展进行归纳总结;再次,对非线性方程组的测试函数及评价指标进行描述,对比了5个具有代表性算法的性能,分析了目前利用智能优化算法求解非线性方程组亟待解决的问题;最后,指出值得进一步研究的方向.     

基于交叉迁移和共享调整的改进蝴蝶优化算法

针对蝴蝶优化（monarch butterfly optimization,MBO）算法易陷入局部最优和收敛速度慢等问题,提出了一种基于改进的交叉迁移和共享调整的蝴蝶优化（MBO with cross migration and sharing adjustment,CSMBO）算法。首先,利用基于维度的垂直交叉操作来替换标准MBO算法的迁移算子,形成交叉迁移算子,有效提升其搜索能力;其次,将原始调整算子改为具有信息分享功能的共享调整算子,以加快算法的收敛速度;最后,采用贪婪选择策略取代标准MBO算法中的精英保留策略,减少一次排序操作进而提高其计算效率。为了验证CSMBO算法的优化能力,测试了其在30维和50维函数上的优化,并与三种优化算法进行比较,其实验结果表明CSMBO算法具有良好的优化性能。