混沌映射与精英高斯扰动的非线性灰狼优化算法

针对传统灰狼优化算法处理复杂优化问题时易于陷入局部最优,提出基于混沌Tent映射与精英高斯扰动的非线性灰狼优化算法.根据混沌Tent映射与对立学习机制,保证较优个体的同时,设计种群初始化方法,可使个体尽可能均匀分布;为有效均衡个体的局部开发和全局勘探能力,设计一种非线性收敛因子控制策略;在头狼选取上引入面向精英个体的高...     

基于Cubic映射的灰狼优化算法及应用

针对标准的灰狼优化算法GWO对于复杂优化问题的求解易陷入局部最优的缺点,从混沌初始化和非线性控制策略2个角度,提出一种基于Cubic映射和反向学习的灰狼优化算法COGWO。首先,利用Cubic映射和反向学习策略对种群进行初始化,并通过非线性参数控制策略来调节寻优过程中的参数;然后,对6种基准测试函数进行寻优实验,实验结果表明,COGWO算法具有更好的收敛精度、收敛速度和稳定性;最后,将COGWO算法应用到了实际的工程优化问题中。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

基于混沌反向学习和水波算法改进的白鲸优化算法

针对原始的白鲸算法(beluga whale optimization, BWO)在某些情况下,中后期的探索和开发能力不足、多样性和求解精度降低、容易陷入局部最优等问题,提出一种基于混沌反向学习和水波算法改进的白鲸优化算法(TWBWO),进一步提高白鲸算法的计算精度和收敛速度,增强全局搜索和跳出局部最优能力。结合混沌映射和反向学习策略提高种群的质量和多样性,加快收敛速度。引入水波算法(water wave optimization, WWO)的折射操作,避免寻优时轻易陷入局部最优,提高计算精度。实验结果表明,TWBWO算法较之原始算法和其他经典算法在收敛速度和求解精度以及稳定性方面更为优秀,性能和寻优能力更强。     

基于醉汉漫步和反向学习的灰狼优化算法

灰狼优化算法在优化后期易陷入局部最优,在求解高维函数时因其复杂度更高,陷入局部最优概率更大,针对上述问题提出基于醉汉漫步和反向学习的混合灰狼优化算法(DGWO).在迭代过程中对每代种群中优势狼与最差狼进行反向学习并进行比较、重新排序后保留前3的狼,同时将采用醉汉漫步机制更新领导狼,参数A和C采用系数标量而不是GWO原始...     

一种新型非线性收敛因子的灰狼优化算法*

针对标准灰狼优化算法在求解复杂工程优化问题时存在求解精度不高和易陷入局部最优的缺点,提出一种新型灰狼优化算法用于求解无约束连续函数优化问题。该算法首先利用反向学习策略产生初始种群个体,为算法全局搜索奠定基础;受粒子群优化算法的启发,提出一种非线性递减收敛因子更新公式,其动态调整以平衡算法的全局搜索能力和局部搜索能力;为避免算法陷入局部最优,对当前最优灰狼个体进行变异操作。对10个测试函数进行仿真实验,结果表明,与标准灰狼优化算法相比,改进灰狼优化算法具有更好的求解精度和更快的收敛速度。     

基于Tent映射的混沌优化算法

针对目前混沌优化算法寻优速度慢的问题,论证了Tent映射的优越性,并结合模式搜索法,构造了一种搜索速度较快的混合优化算法．该算法能够搜索全局最优解,并具有较快的搜索速度．通过算例验证了该方法的可行性和Tent映射的应用前景。     

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO.引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力.8...     

具有激活机制的多头反向串联算术优化算法

为提高算术优化算法(AOA)的全局勘探和局部开发性能,提出具有激活机理的多头反向串联算术优化算法(SFG-AOA)。激活机理策略是建立在算子位置更新层级的一种基于sigmoid函数的概率进化机制,通过引入激活因子在保证算子在继承父代位置信息的同时动态调整算子寻优步长而扩展新解多样性和全局勘探性能。引入基于适应度优化的反向学习与灰狼信息反馈机制改进算法开发阶段以提高寻优精度。适当修正非线性收敛曲线系数MOP构建随机调整策略。最后通过数值实验验证不同策略改进效果差异,并在CEC2014函数上进行仿真实验全面验证改进算法性能。     

基于混沌灰狼优化算法的SVM分类器研究

支持向量机(SVM)是在分类问题下建立的一个运算小型数据集,可实现非线性高纬度分类,有很好的扩展能力。但是,在传统SVM的训练过程中,SVM运算结果的好坏与参数选择关系密切,而且目前使用的参数选择算法有很多缺陷。因此,针对上述问题,在灰狼算法（GWO）中加入混沌序列,改变狼群初始分布规律,构建混沌灰狼优化算法(CGWO),增强狼群分布均匀性以及狼群查找遍历性,极大提高GWO算法的运算速度和运算准确性,最终更好地优化SVM。使用Mirjalili提供的开源数据与原有数据混合作为向量机的测试集进行实验对比分析,实验结果表明,CGWO算法具有明显的性能提高;用混沌灰狼算法优化的 SVM和灰狼优化算法SVM、人工蜂群SVM、万有引力搜索SVM以及传统算法优化的 SVM相比,其运算准确率更高、误差更低、花费时间更少。     

适应度反向学习的平衡灰狼算法及其应用

针对传统灰狼优化算法位置更新时勘探与开发失衡,收敛速度慢且陷入局部最优的问题,提出一种改进的灰狼算法(balanced grey wolf algorithm based on fitness back learning, BGWO),引入非线性控制参数,增强算法前期勘探能力,加速收敛;在种群迭代阶段采用重心反向学习的最优适应度权重更新策略,平衡算法的勘探与开发。16组基准函数测试结果表明,改进后算法能自适应跳出局部最优,在加快算法收敛速度的同时提高全局收敛能力与精度。将BGWO应用于PV型旋风分离器粒级效率GBDT(gradient boosting decision tree)的建模,提高了GBDT的精度,模型相关系数0.980,均方误差0.000 79,BGWO-GBDT与GBDT、PSO-GBDT和GWO-GBDT相对比,建模精度和稳定性明显提高,验证了BGWO的有效性。     

基于非线性控制参数组合策略的灰狼优化算法

针对传统的灰狼算法(GWO)易陷入局部最优、后期收敛速度慢等问题,提出一种非线性控制参数组合调整策略.对3种不同的非线性参数控制策略的调节因子a进行仿真,并分析影响搜索参数A的因素;对5组不同的调节参数值进行基准函数的测试仿真,选择权重系数的非线性控制参数组合策略的最佳参数值.仿真结果表明,所提出的非线性控制参数组合调...     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。     

融合对立学习的混合灰狼优化算法

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法。该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高。     

基于自适应正态云模型的灰狼优化算法

灰狼优化算法(GWO)是一种模拟狼群等级制度和捕食行为的群体智能算法,存在收敛精度低、易陷入局部最优解等问题,为提高GWO的算法性能,提出一种基于Tent映射和正态云发生器的改进灰狼优化算法(CGWO).在灰狼群初始化阶段引入Tent映射,增加种群个体多样性以提高算法的优化效率;在攻击猎物阶段采用正态云模型对狼群位置进行更新,使算法前期具有较好的随机性和模糊性,提高全局开发能力,助其跳出局部最优解.随着迭代次数增加,自适应调整正态云模型熵值,使后期随机性和模糊性随之减小,有效改善局部开发能力,提高其收敛精度.选用20个通用的标准测试函数对CGWO算法性能进行验证,分别从单峰、多峰以及复合函数寻优结果与多种优化算法进行对比分析.结果表明,在同等测试条件下,CGWO算法寻优效率和收敛精度更高,能很快跳出局部最优解,在全局搜索和局部开发能力上更为平衡.     

基于精英混沌搜索策略的交替正余弦算法

正余弦算法是一种新的基于种群的随机寻优方法,利用正余弦函数使解震荡性地趋于全局最优解,其线性调整策略及较弱的局部搜索能力严重地影响了算法的性能.为了提高正弦余弦算法的计算精度,提出基于精英混沌搜索策略的交替正余弦算法.新算法采用基于对数曲线的非线性调整策略修改控制参数,利用精英个体的混沌搜索策略增强算法的开发能力,并将基于该策略的正余弦算法与反向学习算法交替执行增强算法的探索能力,降低算法的时间复杂度,提高算法的收敛速度.对23个基准测试函数进行仿真实验,与改进的正余弦算法以及最新的基于启发式的算法进行比较,深入的参数实验分析以及比较结果验证了所提出算法的有效性,统计分析证实了所提出算法的优越性.     

基于改进灰狼算法和支持向量机的拱桥索力优化模型

为实现复杂工程结构的高效率优化设计,以某大跨径钢管混凝土拱桥索力优化为例,提出一种基于混沌映射与非线性收敛改进的灰狼算法组合优化模型。使用改进灰狼算法对支持向量机的关键参数进行优化,得到训练样本下线形预测的最佳参数组合。建立索力优化问题的数学模型,采用改进灰狼算法得到期望线形下的最优索力组合。计算结果表明,经改进灰狼算法优化后的支持向量机对数据样本具有良好的学习泛化能力,可应用于索力优化等工程问题;预测模型与有限元软件线形结果的平均相对误差约为9%,组合优化模型在保证预测精度的同时大大减少了计算时间。     

动态学习混沌映射的粒子群算法

传统粒子群优化算法（PSO）对社会认知部分与自我认知部分都采用恒定学习常数,一定程度上限制种群全局协调能力。在算法收敛后期种群多样性丧失而导致全部个体收敛于搜索空间中的某一点,这易诱发早熟现象。针对这种缺陷提出一种动态学习混沌映射的粒子群优化算法（VLCMPSO）。在算法初期迭代中应多考虑自身记录的最佳点,在算法后期应快速向种群最佳点收敛,因而设计一种进行协调的动态学习因子。为克服早熟现象,判断种群多样性方差低于设定阈值时,以混沌映射的方式将该代最优个体位置更新且以新的方式进行优化操作。经实验证明新算法在收敛速度与精度上都具有更好的性能。     

具有自适应调整策略的混沌灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是新型启元优化算法,相比于其他群体智能优化算法,该算法同样存在收敛速度较慢、不稳定、易陷入局部最优等问题。针对上述问题,根据GWO算法的结构特点,提出了一种自适应调整策略的混沌灰狼优化算法(Chaotic Local Search GWO),利用自适应调整策略来提高GWO算法的收敛速度,通过混沌局部搜索策略增加种群的多样性,使搜索过程避免陷入局部最优。最后利用6个测试函数对算法进行仿真验证,并结合其他4种算法进行了横向比较。实验结果证明,所提出的改进算法在收敛速度、精度以及稳定性方面具有明显的优势。