融合随机反向学习的黏菌与算术混合优化算法

黏菌优化算法(SMA)和算术优化算法(AOA)是最近提出的新型元启发式优化算法.SMA算法具有较强的全局探索能力,但迭代后期振荡作用较弱,易陷入局部最优,且收缩机制不强,导致收敛速度慢.AOA算法利用乘除算子进行位置更新,随机性强,具有较好的避免早熟收敛能力.针对上述问题,将两种算法结合并利用随机反向学习策略提高收敛速...     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能，提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先，利用Halton序列建立初始种群，保证种群在初始阶段具有均匀分布和较高多样性；然后，通过差分变异算子引导种群变异，促进种群向优势个体移动同时进行更大范围寻优；最后，利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力，提高优化效率及解集质量。选取7个典型函数进行实验测试，并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明，该算法避免了其他四种算法的局部最优问题，明显提高了解集分布均匀性和分布广度，具有更好的收敛精度和稳定性。     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能,提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先,利用Halton序列建立初始种群,保证种群在初始阶段具有均匀分布和较高多样性;然后,通过差分变异算子引导种群变异,促进种群向优势个体移动同时进行更大范围寻优;最后,利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力,提高优化效率及解集质量。选取7个典型函数进行实验测试,并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明,该算法避免了其他四种算法的局部最优问题,明显提高了解集分布均匀性和分布广度,具有更好的收敛精度和稳定性。     

融合多策略的黄金正弦黑猩猩优化算法

针对黑猩猩优化算法(Chimp optimization algorithm, ChOA)存在收敛速度慢、精度低和易陷入局部最优值问题, 提出一种融合多策略的黄金正弦黑猩猩优化算法(Multi-strategy golden sine chimp optimization algorithm, IChOA). 引入Halton序列初始化种群, 提高初始化种群的多样性, 加快算法收敛, 提高收敛精度; 考虑到收敛因子和权重因子对于平衡算法勘探和开发能力的重要作用, 引入改进的非线性收敛因子和自适应权重因子, 平衡算法的搜索能力; 结合黄金正弦算法相关思想, 更新个体位置, 提高算法对局部极值的处理能力. 通过对23个基准测试函数的寻优对比分析和Wilcoxon秩和统计检验以及部分CEC2014测试函数寻优结果对比可知, 改进的算法具有更好的鲁棒性; 最后, 通过2个实际工程优化问题的实验对比分析, 进一步验证了IChOA在处理现实优化问题上的优越性.     

融合多策略的增强海鸥优化算法

针对海鸥优化算法(SOA)求解精度低、种群多样性差、易陷入早熟收敛的缺点,提出了一种融合多策略的海鸥优化算法(ESOA)。首先,在每次迭代的过程中,引入改进的自适应差分变异策略,对单个海鸥个体进行差分变异操作并通过自适应机制扩大海鸥的全局搜索范围及提高种群的多样性;其次,设置了基于粒子群算法的机制来处理最差的海鸥个体位置;最后,针对海鸥的最优位置,采用了动态透镜映射的策略增加算法跳出局部最优的能力。采用CEC2017测试函数中的14个函数作为基准测试函数,将ESOA与麻雀算法(SSA)、飞蛾扑火算法(MFO)、灰狼算法(GWO),以及改进的GSCSOA、CCSOA进行性能对比。实验结果表明ESOA在统计学意义上具有显著的性能优势。     

多策略融合的改进黏菌算法

针对标准黏菌算法（SMA）存在的容易陷入局部最优解、收敛速度慢以及求解精度低等问题,提出一种多策略融合的改进黏菌算法（MSISMA）。首先,引入布朗运动和莱维飞行机制以增强算法的搜索能力;其次,根据算法进行的不同阶段分别改进黏菌的位置更新公式,以提高算法的收敛速度和收敛精度;然后,应用区间自适应的反向学习（IAOBL）策略生成反向种群,以提升种群的多样性和质量,从而提高算法的收敛速度;最后,引入收敛停滞监测策略,当算法陷入局部最优时,通过对部分黏菌个体的位置重新初始化使算法跳出局部最优。选取23个测试函数,将MSISMA与平衡黏菌算法（ESMA）、黏菌-自适应引导差分进化混合算法（SMA-AGDE）、SMA、海洋捕食者算法（MPA）和平衡优化器（EO）进行测试和比较,并对算法运行结果进行Wilcoxon秩和检验。相较于对比算法,MSISMA在19个测试函数上获得最佳平均值,在12个测试函数上获得最佳标准差,优化精度平均提升23.39%～55.97%。实验结果表明,MSISMA的收敛速度、求解精度和鲁棒性明显较优。     

多策略增强樽海鞘算法下的WSN覆盖优化

为了提高无线传感器网络(wireless sensor network,WSN)的节点覆盖率,提出一种多策略增强的樽海鞘优化算法（enhanced salp swarm algorithm,ESSA）。首先使用Halton序列代替随机序列生成个体的初始化位置,避免随机点之间间隙过大或重叠;其次引入新的非线性收敛因子,加速收敛。最后采用柯西变异机制,增加个体的多样性,促使个体快速跳出局部最优点。将该算法应用到无线传感器网络覆盖优化问题上,并与其他优化方法对比,ESSA表现出更快的收敛速度和更高的覆盖率。     

多策略融合的改进黏菌算法及其应用

针对黏菌算法存在自适应能力有限,抗停滞能力弱等不足,提出多策略融合的改进黏菌算法。采用Bernoulli混沌初始化,丰富种群多样性,提升算法优化精度和收敛速度;提出动态非线性递减策略,动态调节黏菌个体探索幅度,协调并优化算法全局搜索与局部开发能力;结合麻雀算法的预警机制与折射反向学习策略,优化黏菌个体分离觅食过程,防止前期优质个体流失以及后期种群多样性匮乏,提升算法整体抗停滞能力。通过对基准测试函数及部分CEC2017测试函数进行寻优对比实验,测试结果表明改进算法具有更好的寻优精度、稳定性。利用改进算法优化XGBoost参数并将其用于变压器故障诊断,进一步验证了改进策略的有效性及算法的工程实用性。     

一种改进的鲸鱼优化算法

针对鲸鱼优化算法（whale optimization algorithm ,WOA）容易陷入局部最优和收敛精度低的问题进行了研究,提出一种改进的鲸鱼优化算法（IWOA）。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。实验选取九个基准函数,所有算法均迭代30次,结果表明：改进的鲸鱼优化与原鲸鱼优化算法以及五种改进的鲸鱼优化算法相比,其均值和标准差均优于其他算法,收敛曲线也优于其他大多数算法。说明改进的鲸鱼优化算法收敛精度和算法稳定性最佳,收敛速度较其他大多数改进的鲸鱼优化算法明显加快。     

自适应分组融合改进算数优化算法及应用

针对算数优化算法(Arithmetic Optimization Algorithm, AOA)寻优速度慢、精度低和易受局部极值点影响的问题,提出了一种自适应分组融合改进算数优化算法(Adaptive Grouping Fusion Improved Arithmetic Optimization Algorithm, AG-AOA)。首先,采用Halton序列初始化个体位置,提高迭代初期算法的多样性;然后,引入自适应分组策略对种群进行分组操作,根据适应度值大小把个体自适应分为优势组、均势组和劣势组;最后,对各组个体分别采用教与学优化策略、精英反向学习策略和振荡扰动算子进行位置更新,以提高AOA的搜索能力,减小局部极值点对算法的影响。通过包含各种复杂程度的测试函数对AG-AOA的性能进行验证,包括基准测试函数、统计显著性的Wilcoxon秩和检验以及部分CEC2014测试函数。将AG-AOA应用于两个实际工程优化问题,并将所得结果与其他元启发式算法进行了比较和分析,验证了AG-AOA的优越性。     

多策略增强花授粉算法及其应用

针对经典花授粉算法容易陷入局部最优解和收敛速度慢的缺点,提出一种增强型透镜成像策略和随机邻域变异策略的花授粉算法。通过增强型透镜成像策略扩展花授粉算法的搜索空间,增加解的多样性,有助于算法跳出局部最优解。引入随机邻域变异策略,借助邻域内的信息指导算法搜索,增强算法的收敛精度和搜索速度。对改进后的花授粉算法和四种其他改进算法在CEC2013测试函数上进行比较,实验证明改进后的多策略花授粉算法不论是收敛精度还是搜索速度都比对比算法优秀。最后把多策略花授粉算法应用在汽车传动参数模型上研究该算法的实际效用,结果表明多策略花授粉算法在汽车传动参数优化问题上都优于对比算法。     

基于定向变异策略的改进克隆选择算法

本文针对克隆选择算法(CSA)存在的问题, 如搜索速度慢、收敛精度低、容易陷入局部最优, 提出一种基于定向变异的改进克隆选择算法(DMSCSA). 该算法引入Halton序列来生成均匀分布的初始化种群, 实现对解空间更高效的搜索; 采用黄金正弦变异策略在迭代过程中对优秀抗体定向变异, 提升算法收敛速度; 引入柯西变异策略, 能够在保证种群多样性的前提下提高算法跳出局部最优的能力. 使用CEC2019测试函数集中的8个不同的测试函数并与其他同类型算法进行对比实验, 通过实验结果可知, DMSCSA算法在寻优精度、收敛速度等方面均有提升.     

基于改进黏菌优化算法的光伏MPPT方法

光伏阵列在局部遮荫的情况下会导致光伏系统输出的功率-电压曲线出现多个极值点,具有全局寻优能力的传统群体智能优化算法进行最大功率追踪（maximum power point tracking,MPPT）,普遍存在收敛速度慢、易陷入局部最优等问题。该文提出了一种基于改进黏菌优化算法的控制方法。先采用正态分布初始化种群,增加种群的多样性。然后应用莱维飞行策略和螺旋搜索策略,提高算法的全局搜索能力,避免陷入局部最优。经仿真验证,与粒子群算法和普通黏菌算法相比,改进黏菌算法在跟踪速度、稳定性等方面均有更显著的效果。     

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。     

混合改进策略的黑猩猩优化算法及其机械应用

针对黑猩猩优化算法存在易陷入局部最优、收敛速度慢、寻优精度低等缺陷,提出混合改进策略的黑猩猩优化算法(SLWChOA).首先,利用Sobol序列初始化种群,增加种群的随机性和多样性,为算法全局寻优奠定基础;其次,引入基于凸透镜成像的反向学习策略,将其应用到当前最优个体上产生新的个体,提高算法的收敛精度和速度;同时,将水波动态自适应因子添加到攻击者位置更新处,增强算法跳出局部最优的能力;最后,通过10个基准测试函数、Wilcoxon秩和检验以及部分CEC2014函数进行仿真实验来评价改进算法的寻优性能,实验结果表明,所提算法在寻优精度、收敛速度和鲁棒性上均较对比算法有较大提升.另外,通过一个机械优化设计实验进行测试分析,进一步验证了SLWChOA的可行性和适用性.     

基于改进帝王蝶优化算法的特征选择方法

针对帝王蝶优化算法(MBO)全局搜索能力较弱、在迁移过程中容易出现种群多样性减少等问题,文中提出基于柯西变异的差分自适应MBO及其特征选择算法.首先,使用差分进化算法中的变异操作替换MBO的迁移算子,提升全局搜索能力.然后,将自适应调整策略融入MBO的调整算子,改变单一的调整方式.最后,对每次更新的种群进行柯西变异,增加种群多样性.为了验证改进帝王蝶优化算法及其特征选择方法的性能,通过基准函数和UCI数据集两部分实验对其进行测试,结果表明文中算法性能较优.     

融合差分变异的教-学优化算法

教-学优化算法（TLBO）是模拟班级中的教学过程和学习过程而提出的一种新型智能优化算法。为了改善教-学优化算法的性能,结合差分进化算法,提出一种融合差分变异的教-学优化算法（DMTLBO）。该算法提出自适应的教学因子,根据差分进化算法中变异策略,对学习阶段迭代方程进行改进,使得学习者的学习能力不仅受到学习者之间的相互影响,而且还受到当前最好学习者的影响,提高了算法的收敛速度。仿真实验表明,该算法的收敛速度和寻优精度均优于TLBO算法、PSO算法以及DE算法。     

精英反向与二次插值改进的黏菌算法

针对基本黏菌算法(slime mould algorithm,SMA)易陷入局部最优值、收敛精度较低和收敛速度较慢的问题,提出精英反向学习与二次插值改进的黏菌算法(improved slime mould algorithm,ISMA).精英反向学习策略有利于提高黏菌种群多样性和种群质量,提升算法全局寻优性能与收敛精度;利用二次插值生成新的黏菌个体,并用适应度评估更新全局最优解,有利于增强算法局部开发能力,减少算法收敛时间,使算法跳出局部极值.通过求解多个单模态、多模态和高维度测试函数进行不同算法之间的对比,结果显示,结合两种策略的ISMA具有较高的寻优精度、寻优速度和鲁棒性.