基于极值优化的混合差分进化算法

针对标准差分进化算法在求解复杂优化问题时易陷入局部最优的问题,提出了一种基于极值动力学机制的混合差分进化算法。该算法的核心在于,当种群聚集度较高时, 利用极值优化算法强大的波动性,通过引入基于种群的极值优化算法来提高种群多样性,从而协助差分进化算法跳出局部最优。仿真实验表明,该混合算法具有较好的全局收敛性,能有效避免早熟收敛。     

最优化问题全局寻优的AFSA-BFGS混合算法

针对人工鱼群算法在优化后期收敛速度变慢问题,利用BFGS算法快速的局部搜索能力来改进,提出了一种最优化问题全局寻优的AFSA-BFGS混合算法。通过8个标准函数测试结果表明,AFSA-BFGS混合算法,不仅具有全局收敛性能,而且还具有较快的收敛速度和更高的求解精度,是求解优化问题的一种有效方法。     

前馈神经网络以概率1全局收敛的新型混合学习算法NHLA

首先提出变形的ＢＰ算法ＩＢＰ，然后将它与Ｓｏｌｉａ和Ｗｅｔｓ的随机优化算法相结合，提出了新型混合学习算法ＮＨＬＡ。算法具有能以概率１全局收敛于误差函数最小值的性质，从而有效地克服了ＢＰ算法不能保证全局收敛于误差函数最小值的缺点。     

嵌入极值优化的混合粒子群优化算法

针对标准粒子群算法容易陷入局部极值和精度低的问题,提出一种嵌入极值优化算法的粒子群优化算法。在线性下降的惯性权重粒子群算法运行过程中,间隔一定迭代次数与极值优化算法相结合,利用其波动性增加种群的多样性,并有效结合粒子群算法较强的全局探索能力和极值优化算法精细的局部搜索性能,以较高精度收敛到全局极值。仿真实验结果表明,该混合算法是一种求解高维多峰连续函数极值的有效方法。     

面向多峰函数优化的PASFLI算法及应用

针对基本混合蛙跳算法在高维多峰函数优化时早熟及难以找到所有全局极值的问题,提出了一种具有混合智能的多态子种群自适应混合蛙跳免疫算法,证明了算法以概率1收敛于全局最优解。该算法采用双层进化模式,融合了混合蛙跳、免疫克隆选择技术。在低层混合蛙跳操作中,加入了多态自适应子种群机制,提高了子种群多样性,有效抑制了早熟现象;在算法进化后期,提出了全局极值筛选策略,将子种群极值点提升到高层免疫克隆选择操作,进一步提高了全局寻优能力。通过复杂多峰函数仿真实验,表明该算法能够快速有效地给出全部全局最优解。     

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。     

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。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

一种混合搜索的粒子群算法

本文通过对粒子群算法个体极值、全局极值和种群极值的结合,提出一种混合搜索粒子群算法.用典型的非线性测试函数进行仿真,其实验数据和收敛曲线验证了该算法的有效性,具有快速收敛效果和寻优能力.     

一种改进的粒子群优化算法及其仿真

为了提高粒子群算法的性能,针对粒子群算法的早熟收敛和收敛速度问题,提出了一种改进的粒子群优化算法.在分析了粒子群算法不足的基础上,提出了两个提高算法性能的改进途径.该算法对动态惯性权重策略进行了扩展,并引入随机扰动策略,从两个方面同时改进以提高算法的收敛速度和克服局部极值的能力.函数测试的结果表明,该算法能显著提高收敛速度,并能有效克服局部极值.     

用于连续域优化的遗传网格蚂蚁融合算法

在进行函数优化时,遗传算法具有全局搜索能力强的特点,但其存在早熟收敛和后期收敛速度慢及局部搜索能力弱的问题。网格蚂蚁算法具有局部搜索能力强、优化精度高等特点,但其全局收敛速度较慢。因此提出了用于连续优化的遗传网格蚂蚁融合算法（Genetic and Grid Based Ant Colony Algorithm,GGACO）。该算法将遗传算法和网格蚂蚁算法相结合,用遗传算法进行全局搜索,用网格蚂蚁算法进行局部迭代寻优,经过若干次循环迭代产生最终结果。仿真实验结果表明,该算法在解决复杂函数优化时全局收敛性能好、速度快,尤其在解决高维多峰函数优化问题时效果更显著。     

双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.     

基于动态参数的人工搜索群算法

人工搜索群算法(Artificial search swarm algorithm,ASSA)是受人类士兵通过信息交流完成目标搜索行为及过程启发而设计的一种仿生智能算法.针对基本人工搜索群算法中固定参数可能导致算法过早陷入局部最优解的缺陷,提出一种动态参数改进人工搜索群算法(Improved artificial search swarm algorithm,IASSA).通过引入全局权重系数改善侦查行为中搜索群的历史经验位置,从而加强全局最优个体对整个种群的引导作用;利用动态协同参数提高士兵协同行为的搜索概率,以加强种群之间局部信息交流;采用动态步长策略提高算法的收敛速度和收敛精度;为了检验改进算法的优化性能,采用15个测试函数进行仿真实验.实验结果表明,所提出的改进算法可有效避免早熟现象,在收敛速度和收敛精度上较基本人工搜索群算法和若干同类优化算法有显著提高.     

简化粒子群优化方法的改进研究

为了有效提高粒子群优化算法的收敛速度和搜索精度,增强算法跳出局部最优,寻得全局最优的能力,提出了一种改进的简化粒子群优化算法。该算法考虑了粒子惯性、个体经验和全局经验对于位置更新影响力的不同,改进了位置更新公式,克服了粒子群优化算法收敛速度慢和易陷入局部最优的缺点。标准函数测试结果表明该改进算法的收敛速度和搜索精度有了很大的提高。     

快速寻优的全局优化进化算法

为了加快进化算法中种群的寻优速度,设计双变异算子,提出一种进化算法。该算法以种群的多样性、算法的收敛速度、全局与局部搜索能力的综合均衡为设计重点,利用概率论和Markov链证明了该算法的全局收敛性,通过对6个基准函数进行测试,从数值上验证了该算法的有效性。     

基于DE 和SA 的Memetic 高维全局优化算法

针对高维复杂多模态优化问题,传统的进化算法存在收敛速度慢,求解精度低等缺点,提出一种面向高维优化问题的Memetic全局优化算法。算法通过全局搜索和局部搜索结合的混合搜索策略,采用多模式并行差分进化算法进行全局搜索,基于高斯分布估计的模拟退火算法进行局部搜索。改进后的Memetic算法不仅继承了差分进化算法能发现全局最优解的优点,而且能大幅度提高搜索效率。最后,通过对4个高维多峰值Benchmark函数进行仿真实验,实验结果表明本文算法有效提高了算法的收敛速度和求解精度。     

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。     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

基于灰狼算法的改进研究

针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点,本文提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法,并且用于求解函数优化问题。提出的一种非线性收敛因子公式,能够动态的调整算法的全局搜索能力,引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数进行验证改进后的算法的全局搜索能力、局部搜索能力与收敛速度,实验结果表明:改进后的算法无论在搜索能力上还是收敛速度上,都强于标准灰狼算法。