改进的群搜索优化算法在结构优化中的应用

针对桁架结构优化设计问题,对群搜索优化算法（GSO）进行了算法修改和参数调整,并将修改后的算法应用到10杆、17杆和200杆共3个桁架结构截面优化设计算例中,同时与另一种GSO改进算法（IGSO）进行了对比分析。对于每个算例,该文改进算法和IGSO算法各运行了10次,从10次运行的统计结果可以看出,改进算法的优化效果和稳定性均好于IGSO算法。另外,改进算法也与目前结构优化中较好的其它几个算法进行了比较,总体来说,改进算法的最佳优化结果与这些算法的最佳结果相当。     

一种求解多维函数优化问题的改进组搜索优化算法

为提高组搜索优化算法求解多维函数优化问题的性能,提出一种结合逐维搜索、Metropolis准则、反方向视角和禁忌表策略的改进组搜索优化算法.逐维搜索策略逐维更新并评价成员位置,在每一维,更新的值与其他维组成候选位置,使用模拟退火的Metropolis准则来决定是否接受候选位置.反方向视角策略使成员按一定的概率做反方向搜索,禁忌表策略避免生产者始终保持不变.这些策略能更好地平衡算法的集中性和多样性.在典型测试函数上进行了仿真,结果表明改进策略是有效的,提高了组搜索算法求解多维函数优化问题的全局寻优能力和收敛速度.     

群搜索优化算法在桁架结构优化中的应用

介绍一种改进的群搜索优化算法（IGSO）及适用于它的一种约束处理方法,并将其应用到两个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于每个算例,IGSO和HPSO算法各运行10次,从10次运行的统计分析中可以看出,IGSO算法的优化效果和稳定性稍逊于HPSO算法,但其收敛速度比HPSO算法快,且其使用的约束处理方法大大减少有限元分析的次数,提高程序运行的速度。     

改进的群搜索优化算法在MATLAB中的实现

文章介绍了一种改进的带趋势预测的群搜索优化（Group Search Optimizer,GSO）算法,描述了此算法在MATLAB中的程序实现。同时根据函数优化的概念,举例说明了改进算法在函数优化中的应用方法。     

改进的群搜索优化算法

群搜索优化(Group Search Optimizer,GSO)算法是一种新的群集智能优化算法,适宜于解决多模态高维问题。对GSO算法进行了一些改进,简化了计算过程,提高了优化性能。主要在两个方面进行改进,一是在迭代过程中,控制允许变异的维的数量,使之从多到少变化,以提高收敛速度。二是用随机数来确定生成个体新位置所用的一组随机值的正负数比例,避免正负数比例趋于固定,增加随机性。经过6个常用测试函数测试及与其他文献结果对比后可知,在低维情况下,此算法与GA、EP、ES、PSO、GSO算法相比有较好的整体收敛性能,高维时,此算法与GA、PSO、GSO比较,收敛性能有明显优势。     

应用反向学习策略的群搜索优化算法

群搜索优化算法(Group Search Optimizer,GSO)是一类基于发现者-加入者(Producer-Scrounger,PS)模型的新型群体随机搜索算法。尽管该算法在解决众多问题中表现优越,但其依然面临着早熟和易陷入局部最优的问题,为此,提出了一种基于一般反向学习策略的群搜索优化算法(GOGSO)。该算法利用反向学习策略来产生反向种群,然后对当前种群和反向种群进行精英选择。通过对比实验表明,该方法效果良好。     

一种基于差分策略的群搜索优化算法

针对群搜索优化(Group Search Optimizer,GSO)算法易陷入局部最优、收敛速度较慢、收敛精度较低等问题,提出一种基于差分策略的群搜索优化(Differential Ranking-based Group Search Optimizer,DRGSO)算法。主要进行两方面改进:1)按照适应度值的大小对种群进行排序,适当增加发现者的数目,使种群能够获得更好的启发式信息,加快了算法的收敛速度,有效地避免了算法陷入局部最优;2)在发现者搜索过程中,引入4种不同的差分变异策略,提高了算法的收敛精度,增强了算法的群体多样性在。11组国际标准测试函数上的实验测试结果显示,与GA,GSO,PSO算法相比,DRGSO算法具有较强的全局搜索能力以及局部资源勘探能力,算法整体收敛性能明显提高。     

交互变邻域微分进化群搜索优化算法

群搜索优化算法(Group Search Optimizer,GSO)具有广泛的生物学背景,特别是引入动物的视觉搜索机制,并且同一些已有的群智能算法相比较,在高维多峰问题上有更好的效果.但算法在个体觅食策略的选择上以及整个动物群体间信息共享的网络拓扑结构来看,存在错过最优值和信息交流模式过于简单的缺陷.受NW模型的启发,同时采用动态采样的方式提出了交互变邻域微分进化群搜索优化算法(Interactive Dynamic Neighborhood Differential Evolutionary GSO,IDGSO),并采用均匀设计和线性回归方法对参数进行选择,4个标准测试函数表明了IDGSO的有效性.     

融合振荡禁忌搜索的自适应均衡优化算法

为了改善均衡优化(equilibrium optimizer,EO)算法寻优过程中存在的收敛速度慢、易受局部极小值影响的问题,提出一种融合振荡禁忌搜索的自适应均衡优化算法CfOEO.针对EO算法初始化随机性过高导致的收敛速度慢的问题,引入精英反向学习初始化种群,增加算法搜索能力;通过自适应调整收敛因子来平衡算法的局部和...     

群搜索优化算法中角色分配策略的研究

群搜索优化算法把群体中的个体分为三种角色:发现者,加入者和游荡者.算法选择最优个体作为唯一的发现者,采用随机决策策略分配加入者和游荡者.该策略过于盲目,算法性能也较差.针对这一缺点,本文考虑个体与发现者的分布关系,以发现者为球心,聚集在球心(或圆心)周围的个体均为加入者,散布于球外的个体为游荡者.而球的半径大小的确定,提出两种不同的方法:自适应半径策略和固定加入者个体数量策略.前者取个体到发现者的平均距离的K倍作为球的半径,后者规定离发现者最近的一定数量的个体被认为分布于球内的加入者.通过实验表明,这两种策略提高了种群多样性的同时,还保证了算法快速收敛到最优解.     

Boundary Search for Constrained Numerical Optimization Problems With an Algorithm Inspired by the Ant Colony Metaphor

This paper presents a novel boundary approach that is included as a constraint-handling technique in an algorithm inspired by the ant colony metaphor. The necessity of approaching the boundary between the feasible and infeasible search space for many constrained optimization problems is a paramount challenge for every constraint-handling technique. Our proposed technique precisely focuses the search on the boundary region and can be either used alone or in combination with other constraint-handling techniques depending on the type and number of problem constraints. For validation purposes, an algorithm inspired by the ant colony metaphor is adopted as our search engine that works following one of the principles of the ant colony approach, i.e., a population of agents iteratively, cooperatively, and independently search for a solution. Each ant in the distributed algorithm applies a simple mutation-like operator, which explores the neighborhood region of a particular point in the search space (individual search level). The operator is designed for exploring the boundary between the feasible and infeasible search space. In addition, each ant obtains global information from the colony in order to exploit the most promising regions of the search space (cooperation level). We compare our proposed approach with respect to a well-known constraint-handling technique that is representative of the state-of-the-art in the area, using a set of standard test functions.     

Searching for a Global Search Algorithm

We report on a case study to assess the use of an advanced knowledge-based software design technique with programmers who have not participated in the technique's development. We use the KIDS approach to algorithm design to construct two global search algorithms that route baggage through a transportation net. Construction of the second algorithm involves extending the KIDS knowledge base. Experience with the case study leads us to integrate the approach with the spiral and prototyping models of software engineering, and to discuss ways to deal with incomplete design knowledge.     

改进共享策略的简单群搜索优化算法

本文对GSO算法进行了改进。采用了三种改进措施,一是使用新的信息共享策略,不仅共享最优个体,而且共享其它优秀个体的位置信息;二是采用完全随机搜索,不再按搜索角度进行搜索;三是限制游荡者扰动的维数。其中第一项改进是本文提出的。经过6个经典测试函数测试对比后可知,无论在高维还是低维情况下,改进算法的搜索性能都优于原GSO算法以及GA、PSO算法,在高维问题中尤其明显。     

基于模拟退火的差分变异群搜索优化算法

标准群搜索优化算法易陷入局部最优。为此,引入模拟退火策略和差分进化算子,使算法跳出局部极值点,变异和迭代同时进 行,并保持前期搜索速度快的特性。测试结果证明,改进算法的全局收敛能力明显提高,个体具有良好的人工智能性,能够真实模拟群体行为。     

一种适用于多机器人搜索动态目标的改进粒子群算法

粒子群算法引导机器人搜索跟踪动态目标时,在迭代后期易出现收敛停滞现象。为了改善上述情况,本文提出了结合牛顿法的改进粒子群算法。为了结合粒子群算法与牛顿法,我们在算法中引入了马尔科夫链,这使得机器人在每一次迭代时以一定的概率随机选择牛顿法或粒子群算法搜索跟踪目标。为了模拟机器人搜索动态目标的真实环境,本文还利用了通信项使机器人以一定的方式努力与基站保持通信,用来实时更新目标信息。仿真结果表明,改进的粒子群算法能有效的寻找并跟踪动态目标。     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化(PSO)算法的一种改进算法:用于约束优化问题的启发式粒子群优化(HPSO)算法.针对HPSO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析.对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍.     

粒子群优化算法在桁架结构优化中的应用

介绍了粒子群优化（PSO）算法的一种改进算法：用于约束优化问题的启发式粒子群优化（HPSO）算法。针对HP-SO算法在桁架结构优化中速度较慢的问题,将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到1个桁架结构截面优化设计算例中,同时与HPSO算法进行对比分析。对于此算例,改进算法和HPSO算法都运行了多次,从多次运行的统计分析中可以看出,改进算法的优化效果和稳定性好于HPSO算法,且结构分析的次数减少了一半左右,从而整个程序运行的速度比HPSO算法提高了将近一倍。     

一种改进的量子搜索算法

Rrover提出的对无序数据库进行搜索的量子算法，可以将搜索时间复杂度从经典计算机上的O（N）降低为O（N的平方根）。该算法显示了量子计算的强大能力，在量子计算研究中具有重要地位。但是，我们在研究Grover算法中发现Grover算法存在搜索失效等问题。本文分析了Grover算法中存在的问题，针对其不足之处进行了改进，并证明了改进后量子搜索算法的有效性。     

通过类搜索算法实现组合测试数据集的全局优化

测试数据集的生成是软件组合测试的一个关键问题.为了提高测试数据的生成质量,提出了一种通过类搜索过程驱动的全局优化机制.在这个方法中,一个二进制编码机制被用于将组合测试数据生成问题转换为一个二进制基因序列的优化问题.同时,为了有效求解此问题,设计了一种新颖的全局优化算法—类搜索算法.此文主要论述了优化问题转换机制的可行性和有效性,并介绍了类搜索算法的计算机制.通过大量的仿真实验显示所提出的方法是可行的,且针对小规模组合测试问题,它是一种更为高效的组合测试数据集生成方法.