基于模拟退火的自适应正余弦算法

为克服正余弦算法寻优精度低、收敛速度慢、易陷入局部最优等缺陷,提出一种基于模拟退火的自适应正余弦算法。设置自适应参数r1,根据粒子自适应值的状态,动态调整参数r1,以增强算法的局部搜索能力;在简化的正余弦算法的位置更新公式中引入对数递减的惯性权重,更好的平衡算法局部搜索与全局搜索的能力;为增加种群多样性,对当前最优解添加高斯扰动,并根据模拟退火中的Metropolis准则接受新解,以避免算法后期陷入局部最优。10个标准测试函数仿真结果表明,改进后算法在收敛速度、寻优精度上更具优势。     

基于指数惯性权重和自适应变异的樽海鞘算法

针对樽海鞘算法(SSA)求解精度低,收敛速度慢,易陷入局部最优等缺陷,提出一种基于指数惯性权重和自适应t分布变异的改进樽海鞘算法。通过用最优位置替代个体位置改进了跟随者位置更新公式,提升了其寻优能力。将带有随机扰动项的指数递减惯性权重引入到改进后的跟随者位置更新公式中,平衡了算法全局搜索和局部搜索能力。在搜索过程中对每次更新后的位置以一定概率进行自适应t分布变异,避免其陷入局部最优。将改进算法与4种算法在8个不同维度、峰度的测试函数上进行了对比测试,并将其应用到2种工程设计问题中,结果表明:改进算法具有更好的全局和局部搜索能力,以及更高的寻优精度和更快的收敛速度,同时在求解实际问题时也表现出良好性能。     

基于花粉算法的K均值聚类算法

针对原始花粉算法寻优精度低,后期收敛速度慢等问题,提出加入高斯白噪声扰动改进花粉算法.利用改进后花粉算法强大的全局搜索能力优化K-means算法的初始聚类中心,通过基于距离的方法消弱孤立点对聚类的影响,并对该算法的性能进行验证和测试.实验结果表明该算法有效地避免了其陷入局部最优,改善了聚类性能.     

基于随机搜索变异策略的人工蜂群算法

针对人工蜂群算法存在的收敛速度慢、易陷入局部最优等缺点,提出了一种基于随机搜索策略的人工蜂群算法(RMABC).首先,采用随机选择的方式进行变异和扰动操作,增加种群的多样性,平衡算法的局部搜索能力和全局搜索能力;其次,改变侦察蜂阶段的搜索策略,将limit次不更新的蜜源替换为它的反向蜜源,加快算法的收敛速度.选取9个标准测试函数进行数值仿真实验,结果表明本文提出的算法具有较快的收敛速度和较高的求解精度,对复杂的数值优化问题寻优效果很好.     

混沌映射的粒子群算法分析比较

为解决粒子群算法(Particle Swarm Optimization, PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题，提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征，基于6种混沌映射对粒子群算法分别进行初始化，进而增加种群多样性和解的覆盖。引入动态惯性权重系数，提高算法收敛速度。通过6个测试函数进行仿真实验，对比不同混沌映射数据结果，实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。     

一种基于权重策略的蝙蝠算法

针对基本蝙蝠算法存在的后期收敛速度慢、易陷入局部极值、稳定性差等缺点,提出一种基于权重策略的蝙蝠算法.该算法在蝙蝠学习机制中引入权重策略,使其不再单一地向全局最优蝙蝠学习,而是与邻域内所有蝙蝠进行信息共享与交流,并根据自身寻优能力自适应地调节向其他蝙蝠学习的力度,优化迭代种群,增加种群多样性,有效地提高了算法的全局搜索能力和搜索精度.数值测试结果表明,新算法有较快收敛速度和较高的寻优精度.     

解决作业车间调度问题的混合差分进化算法

文章提出了一种改进的差分进化算法—混合差分进化算法(Hybrid Differential Evolution Algorithm)来解决作业车间调度问题。为了防止基本差分进化算法陷入早熟收敛和局部最优,从2个方面对算法进行了改进。首先为了在进化初期能够保持种群多样性,后期减少缩放因子对最优解的破坏,提出了自适应的缩放因子F。其次交叉操作时采用分组交叉思想。通过对作业车间调度问题的研究,改进后的算法全局寻优能力和鲁棒性有了明显改进。     

混合生物地理优化策略

针对生物地理学优化算法全局搜索能力较弱,易于陷入局部最优解的缺点,提出了一种双向搜索的策略.在生物地理学优化算法中引入反转算子与正交实验设计的思想,以提高算法的收敛速度与全局搜索能力.通过对标准测试函数的实验,显示出新算法的高效性,并将其应用于调谐质量阻尼器参数优化问题.实验证明,该算法不但克服了原算法的缺陷,而且在精度和稳定性上也得到了显著提高.     

基于遗传-粒子群混合算法的测试数据自动生成

针对传统遗传算法（GA）容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传-粒子群混合算法（GA-PSO）的软件测试数据自动生成算法：以粒子群优化算法（PSO）为主线,按PSO算法中标准的速度和位置更新,将GA算法的筛选、交叉、变异与PSO算法的自动更新特征结合在一起,使所有测试数据在局部区域中再次寻找最优值,从而避免了过早收敛,改进了搜索最佳值的能力.仿真实验表明：遗传-粒子群混合算法具有更快的收敛速度,保持了种群的多样性,提高了全局搜索能力.     

种群规模对蝙蝠算法性能的影响

为优化蝙蝠算法的性能,提高算法自身的寻优能力,分别从蝙蝠算法收敛速度、求解精度、全局搜索能力和收敛时间4个方面分析种群规模对蝙蝠算法性能的影响。选用8个标准测试函数在不同种群规模下进行仿真实验。结果表明,求解单峰和多峰问题时,蝙蝠算法的种群规模分别选取70和170,算法的性能最好。     

具有时间因子的粒子群优化算法

粒子群算法是一种基于群体智能的随机搜索优化方法,能够有效的优化各类函数.提出了具有时间因子的粒子群优化算法,其目的在于克服基本粒子群算法的早熟与收敛速度慢等缺点.数值试验表明,具有时间因子的粒子群优化算法收敛速度更快,运算达到的精度更高,运行更为稳定,并能有效克服局部极值.     

一种自适应交替的粒子群差分进化优化算法

为了克服粒子群算法易陷入早熟收敛的缺点及提高差分进化算法的搜索能力,提出了一种自适应交替的粒子群差分进化算法.该算法采用自适应的概率交替使用PSO和DE,通过对6个基准函数的测试,说明本文提出的算法是一种收敛速度快、求解精度高的全局优化算法.     

蝙蝠算法的全局收敛性分析

为了研究蝙蝠算法的收敛性,本文基于随机搜索算法的全局收敛性判断准则对蝙蝠算法的收敛性进行了分析,并通过仿真实验进行了验证．结果表明,蝙蝠算法不完全满足随机搜索优化算法的2个全局收敛准则,无法确保全局收敛,因此蝙蝠算法属于局部搜索优化算法．     

改进粒子群算法在机械优化设计中的应用

针对机械优化设计中广泛存在的多变量、非线性约束优化问题,提出一种改进的粒子群算法。通过在基本粒子群算法的惯性权重部分加入收缩因子,以解决传统的优化方法容易陷入局部最优的缺陷,改善算法的收敛性。实例表明,该方法在机械优化设计中具有一定的实用价值。     

一种改进的粒子群算法

为克服粒子群算法易于陷入局部极值的缺点,通过引入聚群效应和扰动,设计了一种新的粒子群算法.通过对常用测试函数的数值试验,说明了新算法不仅能有效地进行全局搜索,而且具有更好的收敛精度.     

改进遗传算法PID参数优化在流浆箱总压控制中的应用

稀释水水力式流浆箱的总压控制直接关系到纸张质量的好坏,传统的PID方法对于非线性、参数时变性和模型不确定性的对象控制精度较低。虽然传统遗传算法可以优化PID参数,提高精度,但是收敛速度慢,整定时间长,限制其在高速纸机控制中的应用。针对这些问题,本课题以纸机流浆箱总压控制为研究对象,采用改进的遗传算法来整定PID参数,通过优化交叉和变异算子、增加当前最优追踪策略以及改进收敛准则等方法来提高遗传算法的全局寻优能力和收敛速度。仿真结果表明,用改进的遗传算法整定后的流浆箱总压控制PID具有更快的响应速度和更好的鲁棒性。     

基于改进蚁狮优化算法的黄酒发酵过程模型的参数辨识

针对基于Levenberg-Marquardt方法辨识黄酒发酵过程模型参数时易陷入局部最优,收敛速度慢,很难准确获取具有强泛化能力的模型参数的问题,提出了一种具有莱维飞行机制和柯西变异的蚁狮优化算法(ant lion optimization with Levy flight and Cauchy mutation,LCALO),该算法采用基于莱维飞行和柯西变异来解决这类问题。莱维飞行可以提高算法的全局搜索能力,而柯西变异有助于避免陷入局部最优。结果表明,相比于遗传算法、粒子群算法和蚁狮算法,LCALO的收敛速度快,具有全局搜索能力和局部开发能力好的优点。最后将改进算法应用于黄酒发酵模型的参数辨识,仿真结果证明该算法具有较好的参数辨识能力。