基于模拟退火与高斯扰动的烟花优化算法

烟花算法(Fireworks Algorithm,FWA)是一种群体智能优化算法,具有求解复杂问题的全局最优解的能力。为了提高FWA求解全局最优解的能力,将模拟退火的思想引入到烟花优化算法中,并对FWA中某些单个烟花个体进行高斯扰动,提出了一种基于模拟退火与高斯扰动的烟花优化算法(SAFWA)。分别把烟花算法(FWA)、标准粒子群算法(SPSO)、增强烟花算法(EFWA)和SAFWA在10个典型的基准测试函数中进行仿真对比,结果表明,在收敛速度、计算精度以及稳定性方面,SAFWA均优于其他3种算法。     

基于高斯扰动和指数递减策略的改进蝙蝠算法

针对基本蝙蝠算法后期收敛速度慢、收敛精度不高、稳定性不强等问题,提出基于高斯扰动和指数递减策略的改进蝙蝠算法（GDEDBA）。将指数递减策略引入速度更新公式,使算法迅速进入局部寻优并展开精确搜索;构造高斯扰动项加入到局部新解产生公式,使局部新解中所有粒子与当前全局最优粒子产生信息交流与学习,防止陷入局部最优,增加种群多样性;设计扰动控制因子来控制高斯扰动的扰动范围,增强算法的稳定性。15个测试函数的仿真结果表明,改进算法的寻优性能显著提高,收敛速度更快,求解精度更高,稳定性更强。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于越界重置和高斯变异的蝙蝠优化算法

针对蝙蝠算法个体越界、易早熟收敛的问题，提出一种基于越界重置和高斯变异的蝙蝠优化算法。新算法将飞越解空间边界的个体拉回解空间内，利用越界重置策略重新分配位置。通过高斯变异策略控制个体的搜索范围，使种群以最优解为中心向四周呈放射状搜索，增强了算法的局部搜索和全局寻优能力。蝙蝠算法在靠近目标解时响度和脉冲发射频率更新不协调，影响了算法的持续进化能力,通过线性渐变策略保证响度和脉冲发射频率的变化与算法持续进化相适应。研究了在解空间不同位置关系的情况下新算法和对比算法的优化能力，并结合实验数据对算法收敛稳定性进行分析。实验结果表明，提出的新算法具有较好的收敛速度和精度，其全局寻优能力和高维问题优化能力体现了很好的鲁棒性。     

基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化（QPSO）算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。     

基于高斯扰动量子粒子群优化的图像分割算法

研究图像提取问题,在处理由不同种类纹理区域组成的彩色图像时,针对克服量子粒子群优化(QPSO)聚类算法由于早熟现象导致图像分割过程中难以计算出精确纹理区域,为了能准确提取图像目标和提高精度,提出了基于高斯扰动的量子粒子群优化(GQPSO)的新型聚类算法.受益于高斯扰动,GQPSO 改善了 QPSO 固有的多样性下降和陷入局部早熟的问题,而快速逼近全局最优解.对 Berkeley Segmentation 数据库中的 6 幅图像的分割实验结果表明,相比于 PSO 和 QPSO,GQP-SO 的聚类效果和性能均有明显改善.     

基于柯西-高斯变异的混沌蝙蝠算法

针对蝙蝠算法在寻优过程中易陷入局部极值的不足,提出一种基于柯西-高斯变异的混沌蝙蝠算法（Cauchy Gaussian Bat Algorithm,CGBA）。首先,在蝙蝠的初始化阶段采用混沌初始化策略,以提高蝙蝠种群个体的均匀分布能力;其次,在全局搜索过程中,在蝙蝠算法搜寻过程中引入柯西逆累积分布函数,增强蝙蝠算法的收敛速度和寻优精度;最后,对局部最优解采用高斯扰动,增强算法跳出局部最优的能力。测试结果表明,CGBA在求解精度和收敛速度均优于传统蝙蝠算法。     

融合均匀变异与高斯变异的蝙蝠优化算法

为提高蝙蝠算法的寻优精度和收敛速度,提出一种融合均匀变异和高斯变异的蝙蝠优化算法.算法引入变异开关函数,该函数使所有蝙蝠个体在任何时期都有概率发生变异,使种群保持较高的多样性和活跃性.同时在算法整个寻优过程中融入均匀变异和高斯变异,两种变异机制共同协作使算法首先快速定位到全局最优解区域,随后完成局部精确搜索.仿真结果表明,改进后的算法寻优性能显著提高,具有较快的收敛速度和较高的收敛精度.     

基于高斯分布和模拟退火算法的免疫微粒群优化算法研究

针对微粒群算法在搜索过程中粒子容易失去多样性而陷入局部最优且搜索速度较慢的缺陷,提出了一种基于高斯分布和模拟退火算法的免疫微粒群算法,该算法借助高斯分布和模拟退火的有关机理,分别进行免疫接种和免疫选择的操作。使用常用的基准函数对算法进行了仿真验证工作,通过与全局微粒群优化算法、变惯性权值微粒群优化算法的对比表明,免疫微粒群优化算法(IPSO)在搜索速度和全局寻优方面具有一定的优势。     

基于遗传模拟退火算法的无线传感器网路由协议

在无线传感器网络中(WSNs)中,由于节点能量有限,为了延长整个网络的生存周期,提出一种基于遗传模拟退火算法的无线传感器网络路由协议.利用模拟退火(SA)算法具有较强的局部搜索能力并能以稳定的速度收敛,克服遗传算法(GA)局部搜索能力差并容易早熟收敛等缺点.该路由协议在簇头节点选举时充分考虑了节点的剩余能量,并根据网络中数据转发能量耗损和延迟时间建立个体适应度函数,采用遗传模拟退火算法找到簇头节点到基站的最优路径.仿真结果表明:与其他协议比较,该方法不仅可以均衡各个节点的剩余能量,还可以有效延长整个网络生存周期和提高网络的数据传输能力.     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

遗传算法与模拟退火算法在最小权三角剖分中的比较

针对平面点集的最小权三角剖分问题,在实测的基础上．首先得出遗传算法和模拟退火算法的优良参数,然后在优良参数的条件下进行运行效率上的比较．所得结论为在点集规模较大时,模拟退火算法明显优于遗传算法。所得结论对于采用这两种算法解决其他问题也具有借鉴意义。     

采用机动飞行的蝙蝠算法

针对基本蝙蝠算法存在着易陷入局部最优、后期收敛速度慢等问题,提出了采用机动飞行的蝙蝠优化算法.该算法中每只蝙蝠根据其当前在群体中位置的优劣情况选择不同的飞行模式,处于较优位置的蝙蝠选择机动飞行模式,随机变轨逐步向群体最优位置靠近捕获猎物;而处于较差位置的蝙蝠选择非机动飞行方式,随机移动捕获猎物.为表明所提出算法的有效性和正确性,通过九个典型的基准函数优化实验测试,实验结果表明,该算法具有较好的优化精度和较好的全局搜索能力.     

基于和声退火算法的多维函数优化*

在研究和声搜索对多维函数优化问题的基础上,结合传统的模拟退火算法,提出一种混合优化算法——和声退火算法。该算法改进了和声的搜索机制,选取合理的取值概率HMCR以及动态的微调概率PAR,在和声记忆库内随机搜索,获得较高质量的新和声;然后对新和声执行一次Metropolis算法,从而增强了全局探索能力,减小了陷入局部极小值的机会。仿真实验数据表明,算法明显优于和声搜索和模拟退火算法,具有较高的求解质量和效率。     

基于模拟退火的混合萤火虫Memetic算法

针对标准萤火虫算法（FA）,首先,从数学理论上分析并揭示了其存在的种群过早收敛、容易陷入局部最优等不足,然后提出一种基于模拟退火的混合萤火虫Memetic算法。该算法利用标准萤火虫算法对上一代种群进行全局搜索以保持种群的多样性和算法的全局探索能力;使用模拟退火算子对当前种群中的部分个体进行局部搜索,以一定概率接受适应度较差的个体以避免算法陷入局部最优,该算法同步进行萤火虫吸引过程和模拟退火过程以降低算法复杂度。最后,对该算法在10个标准测试函数上进行对比仿真实验。实验结果表明,该算法在6个测试函数中均能找到最优解,最优值、平均值、方差等指标比对比算法高出一定数量级,在4个复合函数中效果均优于萤火虫算法。     

基于模拟退火的花朵授粉优化算法

针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种把模拟退火(SA)融入到花朵授粉算法中的混合算法。该算法通过SA的概率突跳策略使其避免陷入局部最优,并利用SA的全域搜索的性能增强算法的全局寻优能力。通过6个标准测试函数进行测试,仿真结果表明,改进算法在4个测试函数中能够找到理论最优值,其收敛精度、收敛速度、鲁棒性均比基本的花朵授粉算法(FPA)、蝙蝠算法(BA)、粒子群优化(PSO)算法及改进的粒子群算法有较大的提高;同时,对非线性方程组问题进行求解的算例应用也验证了改进算法的有效性。     

基于曲线自适应和模拟退火的蝗虫优化算法

针对蝗虫优化算法容易陷入局部极值点、收敛速度慢、精度较差等缺点,提出曲线自适应和模拟退火蝗虫优化算法。首先,引入曲线自适应代替蝗虫优化算法关键参数的线性自适应,提高了算法的全局搜索能力;其次,在此基础上引入模拟退火算法,对蝗虫算法的劣势解具有一定概率的接收,使算法具有跳出局部最优,实现全局最优的能力。自适应缩小模拟退火中蝗虫位置随机解的范围,有利于进一步提高蝗虫算法的开发能力。通过测试函数测试,实验结果表明,改进的新算法具有更好的求解质量和收敛速度。     

基于模拟退火粒子群算法的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于模拟退火粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力和模拟退火算法跳出局部极值的能力,克服了模糊C-均值聚类算法的不足。实验表明,该算法有很好的全局收敛性,能够较快地收敛到最优解。