基于正态云模型的果蝇优化算法

针对果蝇优化算法在寻优过程中易陷入局部最优、寻优结果对算法参数的选取依赖性较强而导致结果不稳定等现象,在研究相关理论的基础上从算法的结构上对算法性能进行分析,通过基准函数的测试研究了影响算法性能的主要因素,将云模型相关理论引入算法改进,从算法的寻优步长和最优解产生机制两方面对算法进行优化改进.在算法的嗅觉搜索阶段引入味道浓度影响因子,由味道浓度影响因子自适应动态调整算法的搜索步长,提高算法的全局搜索能力和局部寻优能力;在计算味道浓度阶段引入正态云模型,利用正态云发生器以果蝇个体到原点的距离为期望生成正态云,体现算法中果蝇个体味道浓度的随机性和模糊性,改进算法最优解的产生机制,提高算法的寻优精度.最后将改进后的算法应用于自动组卷系统,建立基于云模型果蝇优化算法的自动组卷数学模型,通过实验验证了算法在组卷效率和组卷精度上都具有较好的效果.     

基于正态云模型的自适应果蝇优化算法

为有效解决果蝇优化算法易陷入局部最优和收敛精度低等问题,提出一种采用正态云模型优化的自适应果蝇优化算法。该算法首先给出敏感因子的概念,采用自适应机制来修正敏感因子,控制搜索步长,更新果蝇种群位置;然后采用正态云模型描述味道浓度参数的随机性与模糊性,动态调整味道浓度参数,进行嗅觉搜索操作。最后将该算法应用于自动组卷中,与相关文献中的果蝇优化算法进行实验比较分析。结果表明,该算法在组卷效率及寻优精度上均有所提高。     

基于正余弦优化多阈值图像分割

将进化计算(EC A)与阈值准则相结合,利用能量曲线参数执行多级阈值分割.进化计算的正余弦算法(SCA)应用于图像分割中的多阈值分割问题,对所提出的方法进行了质量方面的深入评估,并且使用统计分析方法进行比较.进行了数值实验和分析.     

改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

基于CORDIC算法的正余弦函数FPGA实现

在传统CORDIC算法的基础上提出一种改进算法.通过在Matlab中搭建模型验证改进算法的正确性,该算法在不影响数据要求精度的条件下扩大了旋转角度范围,减小了所需的ROM存储空间,提高了运算速度,并在Altera公司的Cyclone系列芯片EP1C3T100C8上予以实现,仿真结果表明,该算法比传统算法具有计算角度范围大、运算速度高和低资源的优势.     

基于改进果蝇优化算法的无功优化

将改进果蝇优化算法运用于无功优化领域,为电力系统的无功优化计算提供了一种新的算法.通过对迭代步长进行自适应调整可以有效避免果蝇算法可能陷入局部最优的问题,同时还能提高收敛精度.在无功优化模型中,对控制变量进行归一化处理,使得量纲一致;将约束条件以罚函数的形式并入目标函数中,实现对状态变量的限制.以IEEE30节点系统和IEEE57节点系统为例,分别基于果蝇优化算法(FOA)、改进果蝇优化算法(IFOA)和遗传算法(GA)进行了无功优化计算,结果表明改进果蝇优化算法(IFOA)具有更好的优化效果和计算速度,更加接近全局最优值,采用该算法解决无功优化问题效果很好.     

基于Tent映射的混沌粒子群优化算法

针对粒子群算法在迭代后期易陷入局部最优的不足,采用Tent映射所产生的混沌序列在粒子个体最优点和全局最优点附近进行混沌搜索,利用混沌搜索的全局遍历性和随机性提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真结果证明了该算法的可行性。     

一种新的双策略进化果蝇优化算法

标准果蝇优化算法(fruit fly optimization algorithm, FOA)在迭代寻优的过程中,整个果蝇群体只向最优个体靠近,这导致算法极易陷入局部最优,从而引起早熟收敛的问题。针对该问题,提出一种新的双策略进化果蝇优化算法(a novel double strategies evolutionary fruit fly optimization algorithm, DSEFOA)。提出的一种新的群体分割策略,将果蝇群体动态地划分为精英子群和普通子群;对于精英子群,引入混沌变量引导果蝇个体在其附近搜索食物,优化其局部搜索能力;对于普通子群,引入权重因子改进标准FOA的随机搜索方式,执行全局搜索,加快收敛速度。DSEFOA算法针对不同进化水平的果蝇个体采用不同的策略更新进化,充分地提升了整个群体的寻优搜索能力。8个测试函数的仿真试验结果表明, DSEFOA算法有比标准FOA算法更好的优化性能。     

一种新的双策略进化果蝇优化算法

标准果蝇优化算法(fruit fly optimization algorithm, FOA)在迭代寻优的过程中,整个果蝇群体只向最优个体靠近,这导致算法极易陷入局部最优,从而引起早熟收敛的问题。针对该问题,提出一种新的双策略进化果蝇优化算法(a novel double strategies evolutionary fruit fly optimization algorithm, DSEFOA)。提出的一种新的群体分割策略,将果蝇群体动态地划分为精英子群和普通子群;对于精英子群,引入混沌变量引导果蝇个体在其附近搜索食物,优化其局部搜索能力;对于普通子群,引入权重因子改进标准FOA的随机搜索方式,执行全局搜索,加快收敛速度。DSEFOA算法针对不同进化水平的果蝇个体采用不同的策略更新进化,充分地提升了整个群体的寻优搜索能力。8个测试函数的仿真试验结果表明, DSEFOA算法有比标准FOA算法更好的优化性能。     

基于混沌的生物地理分布优化算法

生物地理分布优化算法(BBO)是一种新型的智能优化算法,其寻优能力优于以往的智能优化算法,但同样存在早熟收敛的缺陷。针对该问题,提出了基于混沌的生物地理分布优化算法(CSBBO)。该算法首先利用分段混沌映射产生初始种群,再根据BBO算法进行全局搜索得到当前最优解,最后以该解为基础进行混沌搜索得到全局最优解。仿真测试表明,该算法的收敛速度和寻优精度均优于BBO算法和以往智能优化算法。     

基于鸟群搜索行为和余弦变异的改进白鲨优化算法

白鲨优化算法是受白鲨捕猎行为的启发设计的一种新元启发式算法。该算法在求解高维优化问题时,易进入早熟状态,寻优结果精度较低。为此,文章提出一种改进的白鲨优化（improved white shake optimizer,IWSO）算法。首先使用Sinusoidal混沌映射初始化种群,以提高种群多样性及初始解在解空间的分布性;其次,引入鸟群搜索行为,赋予白鲨游动速度自适应动态惯性权重,以提高算法的收敛速度;最后,在位置更新阶段引入精英白鲨余弦变异策略,利用余弦函数的周期性特征,驱使白鲨个体在精英白鲨的有限邻域内进行精细化开发,以提高收敛精度。在23个著名基准函数和CEC2014函数上做了性能对比实验,其结果表明,IWSO算法优于6种对比算法,适合求解函数优化问题。     

基于改进果蝇优化算法的人群疏散仿真

基本果蝇优化算法收敛精度不高,易陷入局部极值,在人群疏散仿真中存在疏散路径不平滑的缺陷。为此,借鉴萤火虫算法思想,赋予果蝇个体感知域,在感知域内有邻居时,向邻居集合内味道浓度最佳的果蝇个体飞去,没有邻居时,向果蝇群体味道浓度最佳的个体飞去。向邻居集合最优个体学习时,为了防止算法陷入局部最优,采用局部极值和全局极值相结合的动态位置搜索方式。迭代开始阶段果蝇个体主要向局部极值方向飞去,以便获得多个极值点。随着迭代次数增加,果蝇群体极值所占比重逐渐增加,在确保求解精度的同时提高收敛速度。将改进的算法在4个经典测试函数上进行性能分析,实验结果表明,改进的算法在收敛速度,特别在收敛精度上有显著提高。将改进的算法应用在双出口房间人群疏散仿真中,实现了疏散路径平滑、疏散仿真度较好的效果。     

混沌优化算法的参数分析

通过一些典型的复杂测试函数，对［１］中提出的混沌算法的效率及其参数，用统计的方法进行了详细的分析。     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

求解连续优化问题的多策略动态果蝇优化算法

果蝇优化算法(FOA)是一种新的全局优化算法,其灵感源于果蝇的嗅觉和视觉觅食行为,该算法具有很强的连续优化问题的解决能力。然而,FOA存在算法候选解不能取负值、种群多样性差、局部搜索能力弱等缺点。为了克服上述不足,该文提出了一种基于多策略进化和动态更新种群最优信息的改进果蝇优化算法(MDFOA)。算法引入了一种有效的多策略候选解生成方法和一个新的控制参数,较好的平衡了算法的全局搜索和局部搜索能力。此外,还设计了全局最优信息的实时更新机制,提高了算法的收敛速度,采用29个复杂的基准测试函数来检验该算法的有效性。实验结果表明,该算法的优化性能优于FOA、6种改进的FOA及另外两种智能优化算法。     

一种基于混沌序列的粒子群优化算法

提出了一种基于混沌思想的粒子群优化算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性的特点,对于陷入局部极小点的粒子,引入混沌序列重新初始化,从而使惰性粒子能够跳出束缚并快速搜寻到全局最优解。对几个经典函数的测试计算表明,其在收敛速度和精度上均优于标准的PSO算法。     

约束优化问题的免疫混沌算法

结合免疫算法极强的全局搜索能力以及混沌优化方法适合局部搜索的特点，提出了一种新的免疫混沌算法.从一组可行解出发，采用免疫算法通过克隆选择、克隆扩增、高频变异和审查形成记忆细胞，并将其作为全局近似最优解，然后采用混沌优化方法按照混沌运动规律在近似最优解的邻域内进行局部搜索并审查，从而获得全局精确最优解.审查过程包含了对约束条件的处理，即对新产生的候选解进行审查，保留满足约束条件的可行解.利用该算法对几个经典约束优化问题进行了仿真测试，与以往方法相比获得了更优的结果，表明该算法是一种解决约束优化问题的有效方法.     

基于混合混沌优化法的BP神经网络算法

运用混合混沌优化法训练BP神经网络，构造了基于混合混沌优化法的BP神经网络训练算法，实例说明具有较高非线性逼近能力和应用价值。     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．     

一种基于随机数扰动变异的果蝇优化算法

针对果蝇优化算法在解决现实中复杂高维优化问题时不稳定、精度不高、易陷入局部最优、移动步长取值不易确定的缺陷,提出一种改进的果蝇优化算法。改进算法对每代果蝇群体的最优解实施随机数扰动变异,作为果蝇个体位置更新的移动步长,并为移动步长设置动态惯性扰动因子,使移动步长的取值具有自适应性。在8个高维峰值函数上做性能分析实验。结果表明:改进算法在收敛精度和收敛速度上较对比算法有显著提升,在较高目标精度下的寻优成功率达到100%。说明改进算法通过对果蝇群体的最优解实施随机数扰动变异,能够增加果蝇个体分布的离散程度,扩展果蝇群体的多样性,使果蝇更易跳出局部极值的束缚,显著提高算法的收敛精度和收敛速度。