一种带反向学习机制的自适应烟花爆炸算法

针对烟花爆炸算法全局优化能力不足、容易早熟收敛的缺陷,将反向学习机制引入其中,通过产生反向种群拓展算法的勘探范围;另外,基于种群内个体适应值的差异,提出一种自适应调整烟花弹爆炸半径的计算方法。以上策略有机结合形成了一种带反向学习机制的自适应烟花爆炸算法。将新算法与另4种代表性群智能优化算法一同在12个经典测试函数上进行对比实验,结果表明新算法具有显著的性能优势。     

矿井通风网络的反向增强型烟花算法优化研究

建立了以通风网络总能耗最小为目标的矿井通风网络非线性无约束优化模型。为提高该模型的优化能力和收敛速度,提出了一种反向增强型烟花算法。首先采用均匀反向初始化种群策略,将生成的均匀分布的随机种群和反向种群共同竞争,选择最优初始种群作为后续搜索的起始点;然后精细化控制烟花爆炸半径,使不同世代烟花种群的爆炸半径呈非线性递减,同代种群的爆炸半径由自身适应度值协调分配,并设定最小动态阈值以减少搜索资源浪费;最后采用精英反向学习选择策略,加强对精英烟花所在空间邻域的搜索,提高算法的全局勘测能力。实验结果表明,采用该算法对矿井通风网络进行优化后,在满足实际通风网络调节限制及用风需求基础上,总能耗可降低约23.2%,优化效果优于粒子群优化算法和增强型烟花算法。     

烟花爆炸优化算法

本文受烟花爆炸现象启发,提出一种新的并行弥漫式搜索的优化算法(FEO),为解决优化问题提供了一种新的基础算法。该算法在搜索空间中生成一定数目的烟花弹,对每个烟花弹执行爆炸操作,使得爆炸产生的大量火星形成在原烟花弹(炸点)的一定邻域范围内,并采用局部保优的策略逐代控制进行爆炸的烟花弹数。同时,通过调整烟花弹爆炸的最大半径,可以均衡算法的全局探索和局部搜索能力。为了研究FEO算法的性能,文中对一些标准的测试函数进行了验证。大量的实验结果表明,FEO算法具有快速的收敛过程和高精度的寻优能力,并且稳定性好,过程简单,易于实现。     

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。     

精英反向学习与黄金正弦优化的HHO算法

针对基本哈里斯鹰优化算法(Harris hawks optimization,HHO)易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出融合精英反向学习与黄金正弦算法的哈里斯鹰优化算法(elite opposition-based learning golden-sine Harris hawks optimizat...     

基于轮盘赌反向选择机制的蜂群优化算法

针对人工蜂群算法易陷入局部最优的不足,考虑到基本蜂群算法中个体选择大多基于贪婪选择的思想,从而使算法快速向适应度值高的个体进化而陷入局部停滞。为此,提出一种基于轮盘赌的反向选择机制,以保持蜂群个体的多样性而使算法保持较好进化能力。通过对经典测试函数的仿真实验表明,改进的蜂群算法有更快的收敛速度和更好的收敛精度,且改进的蜂群算法对群体规模有很强的鲁棒性。     

锦标赛精英学习与协方差变异的烟花算法

针对传统烟花算法收敛精度低,收敛速度慢,容易陷入局部最优等问题,提出一种基于锦标赛精英学习与协方差变异的烟花算法（GLFWA-CM）。该算法在爆炸算子过程中利用核心烟花更新信息确定核心烟花在每一维上的爆炸半径,并引导核心烟花在更新方向上产生更多的爆炸火花,提高了核心烟花的搜索能力;在变异算子中用协方差变异代替原来的高斯变异,充分利用爆炸火花的信息,有效平衡了算法的局部搜索和全局搜索能力;在烟花选择过程中提出了一种基于锦标赛的精英学习策略,有效加快了算法收敛速度。在CEC2015测试函数上做仿真实验,结果表明,与多种经典烟花算法相比,该算法在收敛性和稳定性上都具有较好表现。     

基于反向学习与动态记忆反馈的烟花算法

针对烟花算法收敛速度慢和求解精度不高的问题,通过引入反向学习策略和动态记忆反馈的机制,提出一种优化算法。采用反向学习策略生成初始种群以保证群体的多样性,在原算法的结构中增加反馈层用于记忆上一代最优烟花的位置信息,并从反馈层记忆的信息中提取烟花位置信息变化趋势特征,从而动态更新下一次迭代的烟花种群。在10个典型基准测试函数中的仿真结果表明,与烟花算法、标准粒子群优化算法和增强烟花算法相比,该算法在收敛速度、计算精度以及稳定性方面性能更优。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于自适应反向学习的多目标分布估计算法

针对基于规则模型的多目标分布估计算法全局收敛性较弱的缺陷,提出了一种基于自适应反向学习(OBL)的多目标分布估计算法.该算法根据函数变化率的大小来决定是否进行OBL:当函数变化率较小时,算法可能陷入局部最优,所以进行OBL以提高当前种群中个体的多样性;当函数变化率较大时,运行基于规则模型的多目标分布估计算法.所提算法通...     

基于反向学习的跨种群差分进化算法

针对差分进化（DE）算法存在的寻优精度低、收敛速度慢等问题,借鉴混沌分散策略、反向学习策略（OBL）以及跨种群并行机制,提出一种基于反向学习的跨种群差分进化算法（OLCPDE）。采用混沌分散策略进行种群初始化,将种群划分为精英种群和普通种群,对两个子种群分别采用标准的差分进化策略和基于反向学习的差分进化策略;同时,为进一步提高算法对单峰函数的求解精度和稳定性,采用了一种跨种群的差分进化策略,运用三种策略对子种群进行操作,达到共同进化的目的。实验独立运行30次,OLCPDE在12个标准的测试函数中,有11个函数都能稳定地收敛到全局最优解,优于对比算法。实验结果表明,OLCPDE收敛精度高,能有效避免陷入局部最优点。     

应用佳点集的混合反向学习人工鱼群算法

为了改善人工鱼群算法求解精度较低、容易过早收敛的弱点,提出了一种应用佳点集和反向学习的人工鱼群算法.改进算法在迭代中对当前种群中部分优质个体执行一般动态反向学习,生成它们的反向种群,引导种群向包含全局最优的解空间逼近,以提高算法的平衡和探索能力.当种群的拥挤程度超过阈值λ时,利用佳点集机制对大部分个体重新初始化,以帮助算法脱离局部最优的约束.在六个Benchmark函数上的实验表明,该算法收敛速度快、求解精度高,适合求解函数优化问题.     

融合Levy飞行和精英反向学习的WOA-SVM多分类算法

元启发算法-SVM是多分类评价模型的典型架构,在多分类综合决策判定中具有重要的理论与实践意义,为此提出了一种融合Lévy飞行和精英反向学习的鲸鱼优化算法(Lévy flight and elite opposition-based whale optimization algorithm,LFEO-BWOA)-SVM多分类评价算法.利用Lévy飞行策略替代螺旋轨迹策略更新位置信息,有效克服了鲸鱼优化算法易陷入局部寻优的不足;引入精英反向学习机制增加种群多样性,提高了鲸鱼优化算法全局寻优的能力.实验仿真结果表明,LFEO-BWOA-SVM算法在分类准确率上比传统SVM、BP神经网络分别提高17.84％和4.51％,准确率为98.73％,在训练时间上比标准WOA-SVM和PSO-SVM分别缩短了9.34％和84.94％.实验结果证明,LFEO-BWOA-SVM算法的寻优能力和收敛速度均有明显提升,准确率和快速性良好.     

凿岩机器人钻臂定位控制交叉精英反向粒子群算法

在利用粒子群优化算法(particle swarm optimization,PSO)进行凿岩机器人钻臂定位过程中,存在收敛速度慢和易于陷入局部最优解等问题.为此,提出一种交叉精英反向粒子群优化算法(crossover elite opposition-based particle swarm optimization,CEOPSO)并给出算法的流程.建立凿岩机器人钻臂运动学模型并对其逆向运动学进行求解.将交叉算子引入EOPSO中,采用自适应惯性权重和交叉概率参数控制技术,在维护粒子个体与最优解之间信息交换的基础上,增加粒子个体之间的信息交换,提高算法的全局搜索能力和钻臂定位效率.仿真结果表明,CEOPSO的平均位置误差和平均姿态误差均小于PSO和EOPSO算法,且迭代过程平稳,可以有效提高凿岩机器人钻臂的定位控制性能.     

融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法

阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。AO算法全局寻优能力强,但收敛精度低,容易陷入局部最优,而HHO算法具有较强的局部开发能力,但存在全局探索能力弱,收敛速度慢的缺陷。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了AO的探索机制与HHO的开发机制,提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能,并对比了几种经典反向学习策略,结果表明引入动态反向学习的混合算法收敛性能更佳,能够有效求解工程设计问题。     

融合学习心理学的人类学习优化算法

针对简单人类学习优化（SHLO）算法寻优精度低和收敛慢的问题,提出了一种融合学习心理学的人类学习优化算法（LPHLO）。首先,结合学习心理学中的小组学习（TBL）理论引入TBL算子,从而在个体经验、社会经验的基础上,增加了小组经验来对个体学习状态进行控制,避免算法早熟收敛;然后,结合记忆编码理论提出了动态调参策略,从而实现个体信息、社会信息、团队信息的有效融合,更好地平衡了算法局部探索和全局开发的能力。选取典型的组合优化难题——背包问题中的两种算例,即单约束背包问题、多约束背包问题进行仿真实验,实验结果表明,所提LPHLO与基本的SHLO算法、遗传算法（GA）和二进制粒子群优化（BPSO）算法等算法相比,在寻优精度和收敛速度方面更具优势,具有更好的解决实际问题的能力。