自适应爆炸半径的改进烟花算法

为充分利用被丢弃的爆炸火花个体的信息,对烟花算法进行优化,提出具有自适应爆炸半径特性的改进烟花算法。利用全局最优烟花个体gBest以及每个烟花所产生的最优爆炸火花个体的集合sparkpBest来构造新的爆炸半径,使其能够自适应地调整步长;在寻优过程中,对gBest进行高斯扰动来增加种群的多样性,避免烟花种群过快陷入局部最优。与其它群智能算法(粒子群算法PSO、带有高斯扰动的粒子群算法GPSO、蝙蝠算法BA、烟花算法FWA、自适应烟花算法AFWA以及增强烟花算法EFWA)对比,通过仿真可知,提出的改进烟花算法总体性能优于其它6种对比算法。     

基于量子果蝇优化的认知无线网络频谱分配*

将频谱分配的二进制编码转化为量子序列编码,提出一种基于量子果蝇优化的认知无线网络频谱分配方法。首先,将果蝇优化算法(FOA)转化为量子果蝇优化算法(QFOA)算法,拓展FOA算法的应用范围;然后,采用选择、交叉、变异操作改进QFOA算法,提高算法收敛速度,增加样本种群多样性,避免算法陷入局部最优;接下来,利用改进QFOA算法对频谱分配的量子序列进行寻优,寻求最优的网络效益或者用户公平性,得到网络整体性能最优的频谱分配策略。仿真结果表明,改进的QFOA算法收敛速度快且跳出局部最优能力强,应用到认知无线网络频谱分配中,增加了网络资源利用率,提高了网络的整体性能。     

基于改进烟花算法的并联冷机负荷分配优化

针对并联冷机负荷分配优化问题提出一种改进烟花算法,以并联冷机系统功耗最小为优化目标,以每台冷机的部分负荷率作为优化变量进行求解.在改进烟花算法中,首先针对基本烟花算法搜索初始解不均匀问题,提出基于混沌初始化的变量定义方法;然后针对高斯突变不利于跳出局部最优问题,采用变异范围更大的莱维飞行变异方法,提高了基本烟花算法的搜索能力;最后针对改进的烟花算法,以两个并联冷机系统测试案例对所提出的改进烟花算法性能进行测试,并与其他的优化算法的结果进行对比.实验表明,相比于其他算法,改进烟花算法可以得到较优的运行策略,具有较好的节能效果.     

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。     

带柯西变异的自学习改进烟花算法

针对烟花算法收敛速度慢和求解精度不高,论文提出了一种改进烟花算法--带柯西变异的自学习改进烟花算法.改进算法用全局搜索能力更强的柯西变异算子替代高斯变异算子,增大变异范围;用全局最优烟花个体和历史柯西火花的位置来构造新的爆炸半径使其不仅能够继承和学习历史信息,还能够自适应地调整步长;并使用可同时兼顾烟花质量与分布的"精英-随机"选择策略.使用了10个典型基准测试函数和10个0-1背包问题进行仿真实验,结果表明,与蝙蝠算法、粒子群算法、带高斯扰动的粒子群算法、烟花算法、增强烟花算法、自适应烟花算法相比.该算法在收敛速度、计算精度以及稳定性方面性能更优.     

面向交通出行服务的多目标优化选择方法

随着交通信息化和服务多元化的发展，选择满足约束条件下的交通出行服务是一个难题。针对服务的多目标选择问题，给出基于改进多目标算法的服务优化选择方法。该方法对交通出行服务中的服务质量和事务属性进行分析，将烟花爆炸算法、启发式的差分进化算法相结合。该多目标优化算法通过烟花爆炸与变异算子实现了局部搜索，同时利用启发式的差分进化算法保证了种群多样性，淘汰了劣质个体。实验结果表明：该方法针对交通出行服务组合的多个参数进行优化，求得满足服务质量和事务约束的最优解，保证了服务选择的质量。     

一种自适应调整种群子代数量 与步长的优化算法——爆米花算法

提出了一种新的群体智能优化算法——爆米花算法。借鉴了烟花算法爆炸机制的优点,利用个体在寻优过程中适应度值的优劣来动态调整子代的数量,个体的适应度值越好,产生的子代数量越多,并且在该个体附近搜索的子代数量越多,以此控制局部搜索与全局搜索之间的平衡。还借鉴了粒子群优化算法的记忆机制,引入个体最优和全局最优来构造新的爆炸半径,使算法能够在寻优过程中动态地调整步长,并对全局最优进行高斯扰动,增加种群的多样性。实验结果表明:与其他优化算法(如蝙蝠算法、标准粒子群算法、烟花算法)相比,本文提出的爆米花算法总体性能更优。     

基于差分变异算子的烟花算法

烟花算法是受到烟花爆炸的启发而提出的群智能算法。在分析高斯变异算子不足的基础上,提出了一种基于差分变异算子的烟花算法（DEFWA）,并对最优烟花采用动态火花爆炸策略。在测试函数集上的实验表明,DEFWA算法在求解精度和收敛速度上优于多种改进型烟花算法。     

考虑零件分类的U型拆卸线平衡问题与改进烟花算法求解

针对拆卸生产线中存在的不确定性和零件复杂性,构建以最小化工作站数、空闲指标、拆卸成本及零件分类指标的多目标数学模型并采用一种改进烟花算法对所提模型进行求解.首先,考虑所求解问题的特性对烟花算法进行离散化处理,重新定义了爆炸操作和变异操作,烟花个体产生爆炸火花和变异火花之后引入Pareto解集思想和NSGA-II拥挤距离机制对可行解进行筛选并更新烟花个体.其次,将所提烟花算法分别应用于求解中规模直线型和大规模U型拆卸线平衡问题算例中,并与其它算法的求解结果对比,验证改进烟花算法在直线型和U型拆卸线上的求解性能.最后,将所建模型和算法应用到打印机拆卸线中,并与直线型求解结果进行对比,对比结果表明所提方法有效可行.     

基于烟花爆炸优化算法的测试数据生成方法

针对面向路径覆盖的测试数据生成问题,提出基于烟花爆炸优化算法的测试数据生成方法。首先使用关键点路径表示法表示路径,由理论路径、易覆盖路径和不可行路径得出难覆盖路径,并记录难覆盖路径邻近的易覆盖路径及其测试数据。这些测试数据将作为部分初始烟花以利用其提供的启发信息,其余初始烟花则随机生成。接着根据个体的适应度值设计自适应策略的爆炸半径以提高收敛速度,对爆炸产生的越界火花则使用边界值测试的思想进行修正。与加了启发信息的自适应爆炸半径的烟花算法（NFEO算法）、烟花爆炸优化（FEO）算法、F-method、NF-method等七种基于优化的测试数据生成算法进行了仿真对比实验,实验结果表明：所提算法在测试数据生成时间和迭代次数上都最优。     

基于量子行为烟花算法的移动机器人路径规划及平滑

针对移动机器人全局路径规划问题,提出一种基于量子行为烟花算法(quantum-behaved fireworks algorithm,QFWA)的路径规划方法.改进算法在基本烟花算法(fireworks algorithm, FWA)的基础上增加了基于量子行为的烟花爆炸策略.该策略使得种群在接近全局最优时具有较强的局部搜索能力,同时在种群远离全局最优位置时具有较强的全局搜索能力.改进算法提高了烟花爆炸产生火花的多样性和算法的收敛速度.在Benchmark测试函数上将改进算法与其他几种优化算法进行了对比,结果表明改进算法的性能优于其他算法.将QFWA应用于求解移动机器人路径规划问题,并采用均值滤波结合人工势场法对规划出的路径进行路径平滑处理.仿真实验结果表明改进方法在移动机器人路径规划问题上的可行性和有效性.     

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。     

基于Lévy flight的自适应动态增强烟花算法

为综合解决传统烟花算法爆炸半径可能为零导致资源浪费以及增强烟花算法引入的最小爆炸半径检测机制导致局部搜索能力较弱的问题,针对增强烟花算法提出了两种改进策略：引入自适应动态半径调整策略改进爆炸半径,根据不同阶段的启发式信息,即当前最优烟花距离其他烟花位置的信息,动态调整爆炸半径的大小,来平衡全局和局部搜索能力,该策略可以使算法后期爆炸半径缩小到较小值进行细致的局部搜索;引入具有较强随机性的莱维飞行策略改进爆炸产生火花位置的方式,增强局部搜索的多样性。采用12个标准测试函数及其偏移函数进行实验,相比增强烟花算法,改进后的算法提高了标准函数及其偏移函数的寻优精度,在高维复杂的优化问题上具有较好的收敛能力。     

改进的烟火爆炸优化算法及其收敛性分析

本文在分析了烟花爆炸优化算法(FEO)的优越性与不足的基础上,借鉴了PSO算法中交流算子的思想,提出了改进的烟花爆炸优化算法(FEO)算法。算法详细论述了交流算子的构造方法,给出了算法的具体操作流程,并重点证明了改进的烟花爆炸优化算法能以概率1收敛到全局最优解。最后,对3个标准测试函数进行仿真实验,并同其他智能优化算法进行比较,比较发现改进的烟花爆炸优化算法(FEO)算法取得了非常好的结果,具有明显的优势。     

考虑设施深度的过道布置问题及改进烟花算法求解方法

针对过道布置问题中忽略设施深度及物流交互点置于过道边线的问题,结合实际布局活动对过道布置问题进行拓展,构建考虑设施深度的过道布置问题的混合整数规划模型,并提出一种改进烟花算法.该算法采用2-opt邻域构造方法对爆炸操作进行离散化处理;设置搜索深度并执行两点变异操作,实现变邻域搜索;通过贪婪选择方法更新种群以记忆精英解.为改进算法,引入混沌映射初始化烟花种群和设置阈值以加速算法寻优.通过对比数学规划方法与所提出算法的求解结果,验证了模型的有效性和所提出算法的求解优势.最后,通过不同算法的对比实验表明,改进烟花算法在寻优精度、收敛效率和稳定性方面均有明显优势.     

带有遗传算子的烟花爆炸优化算法

受烟花爆炸现象的启发并结合遗传算法思想提出一种新的优化算法——带有遗传算子的烟花爆炸优化算法(GAFEO)。该算法主要模拟烟花爆炸的方式对解空间进行基本的并行弥漫式爆炸搜索,引入自适应局部搜索策略和遗传算法中的交叉变异策略以改善算法的优化性能。通过实验对12个常用高维测试函数进行优化计算,结果表明,与PSO算法以及其他新型算法相比,GAFEO算法在寻优能力、寻优精度等方面都具有较好的性能。