全局引导和相互作用的郊狼优化算法及其应用

针对新型的郊狼优化算法（COA）在解决复杂优化问题时收敛速度慢、全局搜索能力不足的问题,提出了一种嵌入全局引导和相互作用的郊狼优化算法（GCCOA）。首先在组内所有郊狼的成长过程中,构建一种全局引导的alpha狼,增强开采能力,提高收敛速度;然后提出一种相互作用的文化趋势,使得组内的文化趋势受到组内郊狼相互作用的影响,以此提高算法全局搜索能力;最后,将GCCOA运用到CEC2017复杂函数优化和医学图像增强上。大量实验结果表明,与COA、HFPSO、CSPSO和β-GWO等算法相比,在29个函数上,GCCOA获得22个第一,有更好的全局搜索能力和收敛质量。应用于医学图像增强的实验结果表明,与COA等算法相比,GCCOA能更好地解决医学图像增强中参数优化问题。所以,GCCOA是一种很有潜力的优化算法。     

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。     

基于改进郊狼优化算法的浅层神经进化方法研究

神经进化作为一种不同于随机梯度下降的神经网络训练方法,现已成为机器学习研究领域的一个重要分支.如何设计更好的进化策略,探索新型神经网络权值的神经进化方法是当前研究的热点问题之一.本文提出了一种基于改进郊狼优化算法的浅层神经网络进化方法.该方法首先通过引入自适应影响权重因子与选择性的混沌扰动执行机制分别从收敛速度和寻优能...     

灰狼与郊狼混合优化算法及其聚类优化

郊狼优化算法(Coyote optimization algorithm, COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法, 具有独特的搜索机制和能较好解决全局优化问题等优势, 但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足. 为弥补其不足, 并借鉴灰狼优化算法(Grey wolf optimizer, GWO)的优势, 提出了一种COA与GWO的混合算法(Hybrid COA with GWO, HCOAG). 首先提出了一种改进的COA (Improved COA, ICOA), 即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度, 并提出一种动态调整组内郊狼数方案, 使得算法的搜索能力和可操作性都得到增强; 然后提出了一种简化操作的GWO (Simplified GWO, SGWO), 以提高算法的可操作性和降低其计算复杂度; 最后采用正弦交叉策略将ICOA与SGWO二者融合, 进一步获得更好的优化性能. 大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明, 与COA相比, HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度, 与其他先进的对比算法相比, HCOAG具有更好的优化性能, 能更好地解决聚类优化问题.     

基于确定性拥挤的多模态郊狼优化算法

为了解决多模态优化问题,对郊狼优化算法进行研究,提出了一种基于确定性拥挤的多模态郊狼优化算法—DCCOA.将小生境技术的确定性拥挤方法引入郊狼优化算法中,定义了新的郊狼进化机制,改进了郊狼群组文化趋势的计算方法.同时,为了更真实地模拟郊狼的种群生活,算法还定义了2只阿尔法郊狼并且采用了权重法更新郊狼的社会状况.最后将D...     

强化最优和最差狼的郊狼优化算法及其二次指派问题应用

针对郊狼优化算法（COA）优化性能不足的问题，提出一种强化最优和最差狼的COA（BWCOA）方法。首先，对于组内最差郊狼的成长，在最优郊狼引导的基础上引入全局最优郊狼引导操作，以提高最差郊狼的社会适应能力（局部搜索能力）；然后，在组内最优郊狼的成长过程中嵌入一种随机扰动操作，即以郊狼之间的随机扰动促进成长，发挥组内每个郊狼的能动性，提高种群的多样性进而强化全局搜索能力；最后，组内其他郊狼的成长方式保持不变。将BWCOA运用到复杂函数优化和以医院科室布局为例的二次指派问题（QAP）中。在CEC-2014复杂函数上的实验结果表明，与COA以及其他最先进的算法相比，BWCOA获得1.63的平均均值排名和Friedman检验中1.68的秩均值，均排名第一。另外，在6组QAP上的实验结果表明，BWCOA获得了5次均值最优的结果。实验结果均表明BWCOA具有更强的竞争性。     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。     

动态调整成长方式的郊狼优化算法及其应用

郊狼优化算法在迭代运行时种群多样性降低,收敛速度变慢,易陷入局部最优,并且在求解约束优化问题时难以获得可行解。提出一种动态调整成长方式的郊狼优化算法（DGCOA）。在狼群进化中引入变异交叉策略,增强种群多样性,基于郊狼成长策略加入全局最优个体指导搜索,使得每个子种群中的个体从不同的方向快速逼近最优解位置,并根据种群中个体相似度对郊狼位置更新方式进行调整,平衡算法的全局探索与局部开发能力。在求解约束优化问题时,利用自适应约束处理方法构建新的适应度函数,协调优化目标和约束违反度。基于CEC2006对22个测试函数和3个工程设计问题进行仿真,结果表明,与COA、ICTLBO、ODPSO等算法相比,DGCOA算法具有较高的收敛精度和稳定性,适用于求解复杂优化问题。     

基于改进郊狼优化算法的充电站选址定容规划

针对郊狼优化算法全局搜索能力不足、易陷入局部最优的缺陷进行了研究,在郊狼优化算法寻优进程中引入变形的精英保留策略,并在郊狼成长过程中加入环境影响因子,再将成长后的郊狼代入Kent映射遍历搜索空间,强化算法的开采能力和搜索性能,提出了一种改进郊狼优化算法,数值实验表明该算法具有较优的性能。以全社会经济成本和碳排放量为决策目标,构建了一个电动汽车充电站选址定容双层规划模型,并将改进后的郊狼优化算法求解该规划模型,验证了该算法的可行性和有效性。     

信息共享模型和组外贪心策略的郊狼优化算法

郊狼优化算法(Coyote Optimization Algorithm,COA)是最近提出的一种新颖群智能优化算法,具有较大的应用潜力,但存在运行时间长和搜索能力不足等问题。因此,文中提出了一种改进的COA,即基于信息共享和组外(静态)贪心的COA(COA based on Information sharing and Static greed selection,ISCOA)。首先,构建一种新型的信息共享模型,用于子群所有郊狼的成长,在郊狼成长前期,共享信息差异性大,以增加种群的多样性,在效狼成长后期,共享信息差异性小,以强化开采能力;其次,构建一种新的组内成长方式,即前期主要采用信息共享模型的成长方式,以郊狼的信息共享为主强化探索能力,后期主要采用原算法的成长方式,以alpha狼和文化趋势的引导为主强化开采能力;最后,将原算法的组内贪心算法改成组外贪心算法,即静态贪心算法,以便提高算法的稳定性和实现目标函数计算等的并行处理,提高运行速度。大量复杂的CEC2017函数优化实验结果表明,与COA相比,ISCOA在29个10维和30维函数上分别获得了23和24个函数的优势,其平均运行...     

基于反时限混沌郊狼优化算法的BP神经网络参数优化

针对郊狼优化算法优化性能弱及多样性低等问题,提出一种基于反时限衰减算子的混沌郊狼优化算法(ICCOA).首先,在个体迭代更新过程加入反时限衰减权重因子,使得全局搜索与局部开发能力保持平衡的同时提高算法的搜索速度;其次,加入基于Tent混沌映射的混沌干扰机制,将种群中部分较差个体经过映射产生新个体,进而增大种群多样性;接...     

一种改进的狼群算法

基于狼群算法的基本思想提出探狼更新规则,并引入相位因子,以改善探狼的搜索灵活性;为了提高猛狼的围攻能力,提出围攻半径的概念,并给出其计算方法,其变化可有效体现算法跳出局部最优的能力;优化了传统狼群算法步长的种类,并设计新的猛狼位置更新公式.基于以上改进,并结合混沌优化思想构建改进狼群算法的计算框架.通过对测试函数和路径规划问题的仿真模拟,并与传统狼群算法进行对比,验证了所提出算法的有效性.     

一种改进的鲸鱼优化算法

针对鲸鱼优化算法(WOA)收敛速度慢、收敛精度低的问题,在提升性能的基础上保留WOA的简单性,提出一种改进的WOA。利用分段Logistic混沌映射产生混沌序列对种群位置进行初始化,以维持全局搜索时初始种群的多样性。考虑算法的非线性优化过程和搜索过程中个体状态的差异性,在WOA中引入非线性自适应权重策略,以协调全局探索和局部开发能力。通过仿真测试比较改进算法和WOA在求解6个典型基准函数时的性能,实验结果表明,改进算法在寻优过程中能够保持初始种群多样性,且具有更快的收敛速度和更优的收敛精度。     

一种混沌粒子群嵌入优化算法及其仿真

为克服混沌粒子群优化(CPSO)算法由于采用随机数作为算法参数而不能保证种群多样性和优化遍历性的缺陷,通过将混沌变量嵌入到常规粒子群优化算法(PSO)中,使PSO算法中的惯性权值和随机数用混沌随机序列来替代,提出了一种新的混沌粒子群嵌入优化算法(CEPSO),以充分利用混沌运动的随机性、遍历性克服粒子群优化算法容易陷入局部最优的缺点.通过复杂多维函数的寻优测试,验证了本算法的有效性,并将仿真结果与混沌粒子群优化算法进行比较,证明了CEPSO算法更具有较强的全局搜索能力和收敛速度.     

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。     

一种快速全局优化的改进蚁群算法及仿真

在介绍基本蚁群算法原理的基础上,对其作了许多改进以提高其全局优化寻优速度,并给出了详尽的新算法编程仿真实现步骤,最后将未改进的基本蚁群算法与本文改进后的蚁群算法分别应用于TSPLIB中的Att532TSP问题进行了仿真实验.仿真研究表明,改进后的算法具有优良的全局优化性能,效果令人满意.􀁱     

一种混合优化算法及其收敛性证明

针对改进的混沌优化方法和Alopex算法的特性，将改进的Alopex算法嵌入到改进的混沌优化算法中，提出一种混合优化算法，此算法充分发挥了改进的Alopex算法的快速搜索能力和改进的混沌优化方法细致寻优的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优；同时对改进的混沌优化算法和混合优化算法的收敛性进行了证明，仿真结果表明了算法的有效性。     

一种改进的混沌优化算法

为了克服遗传算法的早熟现象以及混沌优化的搜索时间过长的缺点,将遗传算法、混沌优化和变尺度方法相结合,提出了一种改进的混沌优化算法.该算法利用混沌的随机性、遍历性和规律性来避免陷入局部极小值,从而也克服了遗传算法中的早熟现象,同时引入了变尺度方法提高该算法的搜索速度.本文还给出了算法的收敛性分析.对典型测试函数的仿真结果表明此算法优于变尺度混沌优化和遗传算法.     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

一种有效的解无约束全局优化的进化算法

为了解决进化算法在求解全局优化时易陷入局部最优和收敛速度慢的问题,设计了一个杂交算子,利用种群中最好点与其他点间的关系确定搜索方向,从而快速地找到实值函数的下降方向,一旦算法找到优于种群中最好点的点,利用所构造的两条直线交点的投影对其进行进一步优化,使函数值更迅速地下降.提出了适合杂交算子的初始种群生成方法.设计了一个既能提高收敛速度又能摆脱局部最优的变异算子以增强算法的效果.在此基础上,提出了一个求解全局优化问题的高效进化算法,并从理论上证明了全局收敛性,从数值上验证了有效性.