一种多策略搜索寻优的改进鸽群优化算法

针对鸽群优化算法易于早熟收敛、陷入局部最优解的不足,提出了一种改进的鸽群优化算法(MSIPIO)．首先,在地图和指南针算子中引入免疫算法,并提出变异因子,通过交叉变异,同时提升了算法前期找到最佳寻优方向的概率;其次,在地标算子中提出种群衰减因子和全局影响因子,克服标准鸽群优化算法后期数目衰减过快的不足,增强算法寻优能力;最后,利用模拟退火机制对次优解进行保留,有效减缓标准鸽群优化算法陷入局部最优解的问题,提高了算法获得全局最优概率．仿真结果表明,与其他5种算法相比,MSIPIO算法在收敛精度上有明显提升,并且能够有效避免陷入局部最优解．     

多模态函数优化的免疫算法

模拟抗体搜索机制,结合免疫网络理论,提出一种新的优化算法.该算法用抗体表示函数优化解的可能模式,通过构造克隆选择算子完成全局和局部最优解的搜索,利用B细胞网络保持多种抗体并存.典型函数优化测试结果表明,该算法能够较好地实现全局最优解和局部最优解的同步搜索和保持,具有较强的多模态函数优化能力.     

基于混合遗传免疫粒群优化的网络拥塞控制方法

微粒群优化算法具有搜索速度快、易于实现等优点,然而在解决实际问题中它容易陷入局部最优.笔者通过给出一种混合的策略——遗传免疫粒群算法,将遗传算法,免疫算法引入到微粒群算法中,既能提高全局搜索能力,避免在搜索过程中陷入局部最优,又使算法保留了种群多样性的特点,提高算法的收敛速度.将该算法应用于网络拥塞控制中,提出一种基于混合遗传免疫粒群优化的网络拥塞控制方法来解决网络拥塞问题,通过仿真研究,验证了该方法的可行性.     

一种采用聚类单纯形搜索的引力算法

提出了一种基于聚类和单纯形法的中心引力优化算法,该算法引入了一种聚类单纯形算子,利用聚类方法选择合适的个体以构成单纯形的顶点,周期性地把单纯形算子搜索得到的最优个体迁移到中心引力算法的种群个体中．依靠聚类单纯形算子提高中心引力算法的局部搜索能力和收敛速度,聚类单纯形算子依靠中心引力算法跳出局部最优．实验结果表明,改进后的算法比其他常见优化算法有更好的收敛精度和收敛速度．     

基于Memetic算法的无线传感网络覆盖优化

针对无线传感网络覆盖优化中工作节点集难以选取的问题,提出了一种基于Memetic的覆盖优化算法.该算法主要由选择算子、交叉算子、变异算子、禁忌局部搜索算法和种群更新策略组成.利用相邻节点间的区域覆盖关系,减少局部搜索中邻域的目标函数值计算量、提高计算速度,并利用随机和贪婪的策略构造一个质量较好的初始种群.仿真结果表明,该算法具有较强的搜索能力,能快速收敛于优秀解、实现工作节点集的优化选取、降低网络冗余和能耗、延长网络的生存时间.     

基于动态扰动项的禁忌粒子群优化算法

针对粒子群优化算法后期收敛速度慢,且容易陷入局部最优解的缺点,在算法中加入动态扰动项,改变了速度的更新公式,使粒子可以跳出局部极值.后期引入禁忌搜索算法,充分利用禁忌搜索的记忆能力和爬上能力,能够快速搜索到全局最优解.通过对测试函数的仿真实验表明,采用动态扰动项的禁忌粒子群优化算法更能提高收敛速度,获得全局最优解.     

一种多反向学习的教与学优化算法

针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化（MOTLBO）算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明：非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。     

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.     

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数 q 的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于 q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.     

求解舰艇抗损性优化的改进变尺度混沌遗传算法

为满足舰艇抗损性优化的需要,构建了优化的数学模型;针对以往该类问题求解算法时间长、易早熟的不足,对传统的遗传算法进行了改进。首先通过适应度函数的标定,自适应的调节了个体选择的概率;然后对交叉概率和变异概率进行了动态修正;不仅如此,利用变尺度混沌优化算法对种群中的较优个体进行了混沌搜索,避免了陷入局部最优解。案例优化结果的对比表明,改进的遗传算法能够快速地搜索到全局最优解,特别是避免了不成熟的收敛,较好地指导了抗损性的优化设计。     

含维变异算子的粒子群算法

提出了一种新型的PSO算法———含维变异算子的粒子群算法(PSODMO),该算法在变异开始后到迭代结束之前的每一次迭代中,计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异:让所有粒子在该维上的位置重新均匀分布在可行区域上.通过对4个多峰的测试函数所做的对比实验,表明所提出的PSODMO增强了全局搜索能力,搜索成功率大为提高,克服了原始的PSO算法易于收敛到局部最优的缺点.也明显优于对原始PSO进行传统变异的方法.     

基于粒子群的信赖域算法及其收敛性

把搜索性能良好的粒子群算法和总体收敛性良好的信赖域算法有效融合,提出了具有局部随机搜索和全局确定性搜索性能的新算法。该方法具有良好的全局收敛性,为解决多峰函数优化问题提供了一种有效的算法。     

基于改进的自适应粒子群算法的给水管网优化设计

针对粒子群算法在优化给水管网设计时易陷入局部最优难以寻找到最优解的问题, 提出改进的动态自适应粒子群算法 (modified dynamically adaptive particle swarm optimization, M-DAPSO) .定义趋同因子和参数调整函数, 使算法能根据种群内部信息自适应调整参数, 提出自适应变异策略增加种群多样性.最后, 将M-DAPSO算法应用到Hanoi管网优化中, 仿真结果表明:该算法能以最小的计算代价求得最优的工程造价;与其他优化算法相比, M-DAPSO算法具有较强的全局搜索能力和较快的收敛速度.     

变尺度搜索遗传算法在神经网络训练中的应用

为解决传统的BP学习算法因采用梯度搜索技术而具有的收敛速度慢、容易陷入局部极小等缺点，提出了一种基于多参数空间快速搜索遗传算法的网络权值优化方法.该方法采用误差均分的变尺度搜索技术来训练网络权值，将网络权值的训练转化为多参数空间的寻优问题.训练实例对比结果表明，由于采用了并行计算及变尺度搜索技术，该算法不仅收敛速度快，网络逼近精度高，而且能实现全局最优，克服了BP算法易于陷入局部极小的问题，说明了该方法的有效性.     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

神经网络权值的混沌优化方法研究

研究了混沌优化方法中混沌变量的初值设定和载波过程中放大倍数等参数调整的实用方法。在此基础上,为了克服ＢＰ网络收敛速度慢和易陷入局部极小点的不足,提出了基于混沌优化的ＢＰ网络学习算法,该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面。仿真结果表明,把混沌优化方法用于神经网络权值优化,方法简单可行,搜索速度快,是一种有效的新途径。     

求解连续空间优化问题的Powell蚁群算法

针对连续空间函数优化问题,提出了Powell蚁群算法.该算法把Powell方法嵌入蚁群算法的局部搜索,提高蚁群算法的搜索精度和收敛效率.全局搜索过程中,把传统蚁群算法中的信息素更新和蚂蚁的转移规则拓展到连续空间中,定义了相应的求解算法.通过对二维多极值非线性函数的寻优实例进行仿真,并与Powell方法的求解结果进行比较,证明该方法的有效性.     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

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。