基于聚类和探测精英引导的蜻蜓算法

针对蜻蜓算法（DA）收敛速度慢、收敛精度低、全局搜索能力差等不足,提出新的蜻蜓优化算法. 利用tent混沌初始化种群并对种群进行K-Means++聚类,根据聚类的结果分别对种群个体进行反向学习和高斯变异以增强种群的多样性,提高搜索效率. 引入非线性自适应因子加快收敛速度,使用探测精英引导策略增强算法跳出局部收敛的能力. 引入平方散列探测增加收敛精度. 将该优化算法应用于8个典型复杂函数优化问题,并与原蜻蜓算法,以及其他仿生计算算法对比,实验结果表明该改进算法具有良好的全局收敛性和寻优精度.     

改进的鸡群优化算法

针对鸡群优化算法中解的更新效率较低且缺乏探索性等问题,提出了一种改进的鸡群优化算法。该算法基于标准鸡群优化算法的种群分组更新机制,并借鉴狼群优化算法和粒子群优化算法的思想,引入改进因子和去重操作算子分别用以增强算法的寻优能力和提高种群的多样性。通过与其他4种算法在CEC 2014测试函数集上进行比较,结果表明本文算法在绝大多数测试函数上均表现出了良好的优化效果,在求解精度及收敛速度方面也优于其他算法。     

基于灰狼优化算法的置换流水线车间调度

采用了一种新颖的混合灰狼优化算法来求解置换流水线调度问题。针对标准灰狼优化算法在求解离散流水线车间调度问题时收敛速度慢的现象,并结合问题的特点,提出了改进的灰狼优化算法。为了避免非可行解的产生,在该改进算法中采用了随机键编码机制对工件位置进行编码,同时引入局部搜索策略以提高算法收敛能力,基于灰狼个体间的社会等级信息以最优3个狼指引其它个体到达最优解区域从而更新种群。通过最新标准测试集的仿真结果和算法比较验证了所提算法的有效性。     

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

资源受限多项目调度的混合遗传算法

针对资源受限多项目调度问题,提出了改进后的混合遗传算法.该算法基于串行进度生成机制,结合多项目任务列表与项目优先权设计了新的染色体,所设计的交叉算子与变异算子均能保证所得新个体满足项目紧前关系约束,从而有效提高算法搜索效率.算法充分利用不同启发式算法构造初始种群,有效扩大种群多样性以避免过早收敛.算法采用正向逆向调度技术对调度方案进行优化,进一步提高了调度方案的质量.与其他多项目调度启发式算法相比,该算法能有效分配资源,显著缩短项目平均总工期.     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。     

引入相量算子和流向算子的天鹰优化算法

针对天鹰优化算法搜索效率不足,容易陷入局部最优的缺点,提出多策略改进天鹰优化算法(MIAO).引入广义正态分布优化算法(GNDO),将该算法得出的结果与天鹰优化算法第1阶段得出的结果进行比较,筛选出这2种优化算法下的最优值.该操作扩大了搜索空间,提高了解的质量.引入相量算子,将第2阶段变为自适应的非参数优化,提高算法的高维优化能力.针对天鹰优化算法在迭代后期存在种群多样性降低、局部开发能力不足的问题,在天鹰算法的第3阶段引入流向算子,使信息可以在每个个体间相互传递,提高种群信息的利用率,增强天鹰优化算法的开发性能.通过对16个测试函数寻优对比分析以及Wilcoxon秩和检验可知,MIAO的寻优能力和收敛速度都有较大的提升.为了验证MIAO算法的实用性和可行性,采用所提算法求解减速器设计问题,通过实际工程优化问题的实验对比分析可知,MIAO算法在处理现实优化问题上具有一定的优越性.     

混合引力搜索的自适应反向学习蜉蝣优化算法

针对蜉蝣优化算法全局探索能力较弱,易陷入局部最优的不足,提出了两种改进策略：利用引力搜索算法更新蜉蝣的速度公式,以增强算法的全局探索能力和局部开发能力;对蜉蝣种群执行自适应反向学习策略,以提高算法的收敛速度及求解精度。将两种策略分别引入雌雄种群中得到六种算法变体。仿真结果表明,雄性种群混合引力搜索算法且雌性种群引入自适应反向学习策略的变体性能最好,命名为GSA-OMA算法。与8个元启发式优化算法相比,GSA-OMA算法具有更好的寻优精度和收敛速度。     

基于TriBA结构和改进迁徙策略的并行遗传算法

为了提高并行遗传算法解决大规模问题的寻优效率,本文基于粗粒度并行遗传算法模型,提出了一种基于TriBA结构和改进迁徙策略的并行遗传算法,给出了TriBA并行遗传算法的分配策略和迁徙方式,并将改进的迁徙策略引入评价算子,通过评价算子,反映当前种群的局部收敛程度,当收敛程度满足设定的评价算子时,进行迁徙操作,并使用并行计算机对基于TriBA拓扑结构和改进迁徙策略的并行遗传算法进行模拟仿真.仿真结果表明,改进后的迁徙策略的并行遗传算法的寻优效率比传统迁徙策略的并行算法效率更高.该算法有效地提高了算法的寻优速度,增强了算法的寻优稳定性.     

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.     

装配式建筑预制混凝土构件的布局优化

针对预制混凝土构件生产过程中模台利用率低的问题，提出一种高效的构件布局定序和定位优化方法。充分考虑构件生产过程中模台、模具、构件布局尺寸、操作空间等实际约束限制，以构件占用模台总长度最短为目标，建立基于最低水平线排布算法的数学模型；应用改进灰狼算法确定构件排布顺序，通过构件类型、尺寸信息、模台尺寸约束、模具数量约束等对待排构件进行编码，并设置追随系数和自由系数控制灰狼算法的收敛速度和收敛范围，经过多次优化迭代得出最优布局方案。在实证分析中，使用Python编程语言对布局优化模型进行编码，最终表明该方法能在较短时间内取得较好的优化效果，模台利用率显著提高，证明了方法的有效性和可行性。     

基于双模式变异策略的改进遗传算法

针对基本遗传算法寻优速度慢且易陷入局部最优的缺陷,提出了一种基于双模式变异策略的改进遗传算法。在标准变异的基础上引入个体线性差分变异思想形成双变异模式,同时利用控制参数对两种变异模式加以平衡。通过10个基准测试函数仿真实验,结果表明本改进算法在寻优速度和全局收敛能力上都有较大的提高。     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性，提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略，改进交叉和变异操作，并结合模拟退火算法（SA）的Metropolis判别准则的复制策略，使寻优过程能够跳出局部最优解，从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点，提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度，避免早熟收敛。     

基于小生境混沌遗传算法的水资源优化调度

水资源调度具有多目标、大规模和不确定性等特点,利用混沌遗传算法求解水资源调度问题,在一定程度上避免了局部优化并提高了求解速度,但由于损坏了种群多样性导致求解精度较低.为此提出了基于小生境的混沌遗传算法(NCGA),该算法通过小生境技术保留源中心个体的方法保护了种群多样性,同时利用混沌的随机性、遍历性及规律性与遗传算法的快速收敛性相结合,从而使该算法提高了求解速度和求解精度.将该算法应用到水资源优化调度模型中,仿真结果验证了该算法比混沌遗传算法能更合理高效地分配水资源,达到了综合效益最大化.     

基于天体运动更新机制的改进樽海鞘群算法

为了解决樽海鞘群算法(SSA)在收敛速度和求解精度方面存在的问题,提出了一种改进的樽海鞘群算法。通过在原算法中引入天体运动更新机制来提高算法的收敛速度和收敛精度。用7个常见的测试函数对改进算法进行仿真验证,同时将结果与现有的灰狼算法(GWO)、粒子群算法(PSO)和蚁狮算法(ALO)进行对比。结果表明,引入天体运动更新机制的樽海鞘群算法具有更优的性能,证明了改进方案的有效性。     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.