一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

求解多目标背包问题的改进人工鱼群算法

作为一种新的群智能算法,在求解多目标背包问题时,人工鱼群算法存在盲目搜索、收敛速度慢和求解精度低等问题.针对这些问题,本文结合人工鱼位置全局最优信息,对人工鱼的移动策略进行自适应改进,提出一种改进的人工鱼群算法.对多目标背包优化问题实验仿真表明,本文改进的人工鱼群算法收敛速度和搜索到的非劣解的精度均优于粒子群算法和遗传算法.     

变步长和拥挤度因子的自适应人工鱼群算法

为了改进传统的人工鱼群算法会随着迭代的深入而导致算法易陷入局部最优的问题,以及固定的参数导致算法收敛慢和求解精度不高的问题,提出了一种改进的人工鱼群算法.首先结合迭代次数,为移动步长引入一个权值; 然后以每条人工鱼的视野范围所构成的子群为小生境,结合子群最优解与当前人工鱼状态,为拥挤度因子引入一个变异策略.数值实验结果表明,本文提出的算法收敛速度快、精度高、鲁棒性强,优于传统的人工鱼群算法和文献[4]提出的算法.     

基于混合演化的自适应建模及其应用

针对传统的遗传规划方法收敛效率低、模型精度不高等缺点,将进化策略应用于模型参数的全局最优搜索,在遗传规划建模的基础上使用进化策略修正模型参数,以实现对模型结构和参数的同时优化,通过2种演化算法的结合提高建模精度,同时采用最优保持策略加速优化过程,改善算法的收敛效率.将该方法应用于某型船用汽轮机组的仿真建模中,通过和传统演化建模的对比,证明采用混合演化策略的建模方法具有更快的求解速度和更好的全局搜索能力.     

混合人工鱼群算法在约束非线性优化中的应用

为了解决具有约束的非线性优化问题,本文将增广拉格朗日乘子法和鱼群算法相结合用于非线性问题的全局优化,即用人工鱼群算法寻找增广拉格朗日函数的近似最优解,并将该近似解用于拉格朗日乘子和惩罚因子等参数的更新．同时,简要分析了人工鱼群算法的随机收敛性．仿真结果证明,与自适应惩罚遗传算法相比,该混合算法在解决约束优化问题中具有优越性和有效性．     

基于鱼群算法和Ｈｏｐｆｉｅｌｄ网络的ＰＩＤ参数寻优

提出1种融合了人工鱼群算法与Hopfield神经网络的PID参数优化算法．该算法前期利用鱼群算法快速随机的群体性全局搜索能力生成问题较优的可行解域,后期利用Hopfield神经网络硬件易实现简单快速的优点得到最优解,有效弥补了Hovfield网络对初始值过于依赖容易陷入局部极值的缺陷．将该算法用于某发动机PID控制中的参数寻优,结果表明新混合算法的整定效果好于Hopfield神经网络,且该算法简单易实现．     

基于单纯形的改进精英人工蜂群算法

针对人工蜂群算法收敛速度慢,求解精度不高,易陷入局部最优等问题,基于受粒子群启发的多精英人工蜂群优化算法,引入了蜂群中的精英个体和全局最优个体来增强开发全局最优解的能力.文章中,在雇佣蜂阶段借助精英个体引导蜜源搜索,并利用蜂群中蜜源的质量排序重新构造蜜源的选择概率公式;在跟随蜂阶段,选择种群最优蜜源引领蜂群,加强算法对全局最好解的局部开采能力,同时将随机选择邻居蜜源变为最优定向选择.最后利用单纯形算法对精英解集进行再次更新,进一步平衡蜂群的全局搜索和局部寻优能力.数值实验表明改进的新算法的寻优精度和收敛速度均有明显提高.     

近地小行星探测任务月球借力逃逸转移混合优化方法

利用月球借力能够提升送入深空的有效载荷的质量。设计月球借力深空逃逸轨道主要有两种方法：正向法将借力轨道参数化后,利用全局优化算法进行优化,该方法思路直观,但优化参数多,导致计算耗时长,收敛稳定性差;反向法先确定日心段最优轨道,再拼接月球借力地心段轨道,该方法计算耗时少,但模型精度差,并且不容易收敛到全局最优解。为了快速求解月球借力深空逃逸轨道,本文在已有方法基础上提出混合优化方法。提出的混合优化方法充分利用反向法收敛速度快和正向法精度高的优点,先以反向法的多目标优化Pareto解集为参考轨道,再在参考轨道附近开展局部优化,利用正向法使用全局搜索算法,快速获得最优转移轨道。以探测近地小行星1989 ML和2003 SM84为例进行了数值仿真,仿真结果显示混合优化法解的收敛稳定性和计算效率相比正向法提升显著,改进后解的收敛稳定性提升至原来的3～4倍,计算时间缩短50%。仿真结果表明混合优化法对解的收敛稳定性和收敛效率提升效果显著。     

改进步长和视野的人工鱼群算法

人工鱼群算法是一种群智能全局随机优化算法,算法在优化前期大约100多次迭代时有较快的收敛速度,但后期算法陷入局部最优,效率不佳.针对这一不足,在人工鱼群算法的基础上,每迭代100次就调节一次视野和步长,加强聚群算子和追尾算子,提高鱼群之间个体交互行为,使鱼群跳出局部最优,继续向更高精度收敛.数值试验结果表明,所得改进人工鱼群算法不仅运算量减少,而且收敛速度和收敛精度都有所提高.     

基于全局最优解和随机采样的改进人工蜂群算法

为进一步提高人工蜂群算法的收敛速度、开采能力,提出了基于全局最优解和随机采样的改进人工蜂群算法.算法在跟随蜂阶段采用全局最优引导与完全随机采样相结合的高斯搜索策略,以加快算法的收敛速度,平衡探索和开采能力,避免陷入局部最优.在侦察蜂阶段引入包含被遗弃蜜源信息的高斯方程产生新蜜源,加快搜索速度.在12个基准测试函数上进行了比较实验,实验结果表明该改进的算法求解简单函数时,收敛速度更快,求解较复杂的函数时,解的精度和稳定性得到一定的提高.     

一种改进的混沌局部搜索的人工蜂群算法

人工蜂群算法具有鲁棒性强、收敛速度快且全局寻优性能优异等优点,但其局部搜索能力不足.为了克服此缺陷,提出了一种改进的混沌局部搜索的人工蜂群算法.新算法在每一代的所有个体的平均值附近利用混沌函数进行局部搜索,然后在搜索到的解和原食物源之间采用贪婪选择的原则确定下一代种群.基于6个标准测试函数的仿真结果表明,本算法能有效地加快收敛速度,提高最优解的精度,其性能优于已有的人工蜂群算法.     

DE算法的改进及其在系统辨识中的应用

对于一类高维、非光滑及非线性的约束优化问题,传统的搜索方法不能很好地求得全局最优解,而DE算法可以处理这类问题.为了提高DE算法收敛到全局最优的概率和精度,在基本DE算法的基础上,运用变步长梯度法和记忆库,得到改进的DE算法,并将改进的DE算法应用于实际水槽的模型参数辨识.经过测试对象、采集数据、选择模型结构、辨识参数和验证模型,结果表明,改进的DE算法使辨识系统参数收敛到全局最优的能力增强,收敛概率和精度得到提高,模型偏差平方和更小.     

基于人工鱼群和粒子群混合算法的配电网重构

配电网重构是优化配电系统运行的重要手段,提出人工鱼群和粒子群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应用于配电网重构;最后通过对IEEE33节点系统算例的仿真,取得了较好的效果,证明了该混合算法的有效性和可行性.     

基于新型两阶段混合算法的电力系统无功优化

针对电力系统无功优化领域现有的人工智能算法易早熟和收敛精度不佳的缺点,将萤火虫算法和量子粒子群算法相结合,形成一种新型两阶段混合优化算法。该混合算法采用串联的方法将GSO算法与QPSO算法混合,使两种算法优势互补。在算法迭代前期充分利用萤火虫算法可同时搜索全部局部最优解的特性,保证了寻优的全面性。在迭代中后期,利用量子粒子群算法收敛速度快、解的精度高的特点进行寻优,保证了算法的收敛精度。同时基于黄金分割点理论,引入了群体替代算子,避免了迭代后期算法陷入局部最优。经过算法在IEEE30节点算例中的对比仿真,结果表明:在无功优化领域中,两阶段混合算法的全局搜索能力,收敛速度及精度均优于对比算法。     

基于微人工鱼群算法优化RBF神经网络

在人工鱼群算法的基础上提出了一种新的优化算法——微人工鱼群算法,作为径向基神经网络（RBFNN）的训练算法.微人工鱼群算法利用两个鱼群（寻优鱼群和库存鱼群）来寻优,寻优鱼群使用人工鱼群算法来寻找全局最优解,库存鱼群保证了寻优鱼群的多样性,微人工鱼群算法使RBFNN的隐中心位置和相应的宽度值同时得以优化,提高了RBFNN的泛化能力.将微人工鱼群算法优化后的RBFNN应用于双螺旋和IRIS分类,试验结果表明,相对于K-means以及人工鱼群算法,本文方法在泛化能力上得到提高.     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

基于改进人工鱼群算法的无人艇控制参数优化

针对欠驱动无人艇控制系统的参数优化问题,基于改进人工鱼群算法,提出了一种非线性控制系统的参数优化策略。首先考虑了人工鱼群算法存在的求解精度低、盲目搜索、收敛缓慢等问题,提出了一种改进人工鱼群算法。然后分别以最小跟踪误差、最小能量消耗为性能指标,利用改进的人工鱼群算法,对欠驱动无人艇的跟踪控制器进行参数优化。数值仿真试验结果表明:无人艇实现了对期望轨迹的跟踪,并具有良好的控制性能,试验结果验证了所提算法的可行性和有效性。     

基于约束优化问题的人工鱼群算法及其改进

在人工鱼群算法基础上,对人工鱼群算法进行改进,结合遗传算法提出的适应度函数来解决约束优化问题.具体表现在改进了人工鱼的觅食行为,另外引入了吞噬行为以便加快收敛速度,得到更优的适应度值.仿真结果表明改进的人工鱼群算法在解决约束优化问题时,具有收敛速度快、适应度值优、全局寻优性能强等优点.改进的人工鱼群算法较之基本人工鱼群算法具有更好的性能.     

混合引力搜索的自适应反向学习蜉蝣优化算法

针对蜉蝣优化算法全局探索能力较弱,易陷入局部最优的不足,提出了两种改进策略：利用引力搜索算法更新蜉蝣的速度公式,以增强算法的全局探索能力和局部开发能力;对蜉蝣种群执行自适应反向学习策略,以提高算法的收敛速度及求解精度。将两种策略分别引入雌雄种群中得到六种算法变体。仿真结果表明,雄性种群混合引力搜索算法且雌性种群引入自适应反向学习策略的变体性能最好,命名为GSA-OMA算法。与8个元启发式优化算法相比,GSA-OMA算法具有更好的寻优精度和收敛速度。     

基于人工鱼群算法的电力无线专网基站选址规划

分析了电力无线专网建设的目标、原则及成本等指标,将人工鱼群算法应用到基站选址规划上,并对其最优解的求解过程进行了改进,提出变步长的人工鱼群算法,最后应用于电力无线专网的基站规划仿真上。仿真结果表明,人工鱼群算法适合用于电力无线专网的基站选址规划,并且变步长的人工鱼群算法相比于传统的人工鱼群算法,具有更好的性能表现,只需要更少的待建基站数目就能满足覆盖率95%以上的覆盖目标。