自适应调整差分进化算法在优化问题中的应用

差分进化算法在求解优化问题时,进化后期由于种群多样性急剧下降,算法全局搜索能力被削弱,极易陷入局部最优解而"早熟"收敛.针对该问题定义了算法停滞系数和个体相似系数.根据算法停滞系数自适应调整算法的缩放系数.同时,根据个体相似系数判定种群普通个体与最优个体的相似性,并以此为基础对相似个体实施基因重构操作,从而避免种群个体严重趋同造成的种群多样性下降问题.将改进算法应用于标准测试函数和车辆路径问题的优化.模拟计算结果表明:改进算法的优化结果优于标准差分进化算法,改进的差分进化算法具有更强的全局寻优能力,适于求解复杂优化问题.     

一种改进的混合蛙跳算法

针对基本混合蛙跳算法存在的易陷入局部最优、随着迭代次数增加种群退化的缺点,提出了一种改进的混合蛙跳算法。该算法将混合蛙跳算法中子群体内最差解根据子群内最优解和全局最优解进行更新的方式转换为最差个体根据子群内中心点和全局最优解进行更新的方式,使得最差解通过获得来自子种群内其他解的更多信息量来调整自身的状态。同时,算法在完成一次内迭代合并之后利用选择算子对整个种群进行选择更新。中值策略较好地平衡了算法的全局搜索与局部搜索能力,选择策略保持了进化过程中种群的多样性。实验结果表明:改进后的算法具有更好的优化性能。     

多种群实数编码遗传算法在多峰函数优化中的应用

对于函数优化问题,单种群遗传算法全局搜索能力较强,但局部搜索能力较弱,当函数为多峰时,易陷入局部解.本文引入多种群实数编码遗传算法,不同种群赋予不同的控制参数,以此兼顾全局和局部搜索能力,并采用移民算子联系各种群实现协同进化,以及人工选择算子保存各种群的最优个体作为终止判据,从而较好搜索到多峰函数的全局最优解,并提高迭代寻优效率.     

局部维度改进的教与学优化算法

针对原始教与学优化算法局部搜索能力不强和进化后期容易陷入局部最优的问题,提出基于局部维度改进和自学习扰动的教与学优化算法.将局部维度改进融入教和学2个阶段,将个体的高质量维度变量保留到下一代,不断改善低质量维度变量,提高算法的细粒度搜索能力.提出一种混合全局维度改进和局部维度改进的个体更新方式,通过2种改进权重的逐代变化实现算法早期全局搜索和后期局部探测的平衡.在新算法中增加基于个体最优位置和搜索边界信息的自学习阶段,使种群在进化后期仍能向最优解方向搜索,避免算法过早陷入局部最优.基于标准测试函数的仿真结果表明,相比于原始的教与学优化算法和当前其他优秀的改进版本,局部维度改进的教与学优化算法的收敛精度平均提高了10²~10⁵倍,收敛速度平均提高了2~3倍.     

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.     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

基于K-近邻域搜索的遗传算法求解旅行商问题

针对传统遗传算法在求解旅行商问题时存在容易陷入局部最优和运算时间较长的问题,着重考虑影响算法局部搜索能力和种群多样性保持两个方面的因素,提出改进策略.将交叉变异产生的新个体与父代种群合并后剔除重复个体,再选择优势个体作为新种群,防止种群中适应度值较低但具有优质基因的个体被剔除,促进种群多样性的发展;通过分析旅行商问题的内在特性,采用K-近邻域搜索的方式减少变异算子的无效操作,提高算法局部搜索能力及算法寻优效率.实验结果表明：与BLS算法相比,改进遗传算法的平均解误差降低了15.36%;相较于传统遗传算法,应用新型变异算子的改进遗传算法收敛速度明显提高.全精英选择法能较好地保持种群多样性,新型启发式变异算子在全局搜索的同时加强了局部搜索能力,对提高算法求解精度和寻优效率都有较好的效果.     

改进麻雀搜索算法的轮毂减速器优化设计

针对麻雀搜索算法(SSA)存在开发能力较差,在接近全局最优时,种群多样性减少,易陷入局部最优解等问题,提出一种改进的麻雀搜索算法(ISSA)。该算法引进粒子共生机制、Levy飞行机制,利用当前个体来平衡个体只由历史最优个体和全局最优个体引导三种策略,和其他4个算法对12个基准函数进行仿真实验,实验表明ISSA提高了全局最优搜索能力、避免算法陷入局部最优,基于体积和效率建立轮毂减速器多目标优化模型,优化后减速器在保证效率不变的情况下体积降低53.44%。     

基于局部搜索机制快速求解TSP问题的自适应遗传算法

提出了一种基于局部搜索机制快速求解TSP的遗传算法.基于局部搜索机制,自适应地将标准遗传算法与局部启发式算法结合,使得局部启发式算法只在有效改善种群个体质量的情况下才允许执行,有效地避免了因局部搜索次数过多而引起的陷入局部最优和计算负担过重现象的发生.仿真结果表明,该算法具有较强的全局优化能力及较快的收敛速度,在求解TSP问题时有较高效率.     

基于改进布谷鸟搜索算法的多控制器部署方案

软件定义网络(SDN)需要部署多个控制器,而布谷鸟算法(CS)是一种新型的智能优化算法,为了提高算法的局部搜索能力,对标准的布谷鸟算法进行了改进:引入权重系数,调整算法收敛速度;对所有个体从优到差进行排序,排序后将种群分为两部分,两部分个体选择不同的飞行方式,避免较优个体陷入局部最优.实验结果表明,利用布谷鸟算法部署多控制器方案优于其他算法,该方法可实际应用于SDN的控制器部署.     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

一种新的免疫克隆选择算法在多峰寻优中的应用

为了解决Castro克隆选择算法中存在的种群规模需根据经验确定、多峰搜索能力弱、训练时间长的问题,提出了一种新的免疫克隆选择算法,该算法基于一个压缩阈值和新的收敛标准,能够动态确定种群大小,具有很强的全局和局部搜索能力,可以搜索到全局最优点和尽可能多的局部极值点.与Castro克隆选择算法相比,多峰搜索的成功率提高了1.2倍、平均迭代次数减少了一半.仿真实验的结果也表明该算法在平均运行时间减少了56%的情况下多峰函数的优化效果得到了显著改善.     

基于聚类和探测精英引导的蜻蜓算法

针对蜻蜓算法（DA）收敛速度慢、收敛精度低、全局搜索能力差等不足,提出新的蜻蜓优化算法. 利用tent混沌初始化种群并对种群进行K-Means++聚类,根据聚类的结果分别对种群个体进行反向学习和高斯变异以增强种群的多样性,提高搜索效率. 引入非线性自适应因子加快收敛速度,使用探测精英引导策略增强算法跳出局部收敛的能力. 引入平方散列探测增加收敛精度. 将该优化算法应用于8个典型复杂函数优化问题,并与原蜻蜓算法,以及其他仿生计算算法对比,实验结果表明该改进算法具有良好的全局收敛性和寻优精度.     

基于遗传算法和禁忌搜索算法的混合策略及其应用

为了提高遗传算法的局部搜索能力,根据遗传算法和禁忌搜索算法自身的特点,通过分析2者的优势和不足,提出了一种将2者混合使用的求解优化问题的方法．本算法用遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,得到满意的计算结果．同时,为抑制早熟现象,避免收敛到局部最优点,提出了一种应对策略．实验结果表明,该算法在计算速度和计算结果方面都有改进．     

基于混合决策的改进鸟群算法

针对鸟群算法(bird swarm algorithms, BSA)在求解复杂函数问题时存在的精度低、易陷入局部最优等问题,在保留BSA简单性的同时,提出一种基于混合决策的改进鸟群算法(improved bird swarm algorithms based on mixed decision making, IBSA)。应用重心反向学习机制初始化鸟群,维持鸟群较好的空间解分布。为了有效平衡算法在寻优过程中全局探索能力和局部发觉能力,动态调整鸟群飞往另外区域的周期。引入自适应余弦函数权重策略和加权平均思想对生产者觅食公式进行改进,增加算法在陷入局部最优后的脱困能力。在9个测试函数的基础上通过仿真试验对比基于IBSA、BSA、粒子群算法(particle swarm optimization, PSO)性能。结果表明,改进算法在单峰函数和多峰函数的测试中,寻优精度和寻优速度得到了较大程度上的提升。     

改进布谷鸟算法用于阵列天线方向图优化

针对目前群智能优化及进化计算算法在解决直线形阵列天线辐射方向图的旁瓣电平抑制和零陷控制问题时易出现求解精度不高及收敛速度较慢的问题,提出了一种基于扩散变异策略的布谷鸟搜索算法。该算法首先利用聚集扩散策略来提高算法的全局搜索性能,然后引入遗传算法中的基因突变策略,用以提高种群的多样性,进而提高算法的局部搜索能力。仿真结果表明,所提算法在抑制直线形阵列天线方向图的旁瓣电平和控制零陷方面与萤火虫算法、粒子群算法、传统布谷鸟搜索算法、金斑蝶优化算法和蚯蚓优化算法相比,具有更快的收敛速度和更高的求解精度。     

基于精英保留策略与爆炸算子的改进遗传算法

针对标准遗传算法(standard genetic algorithm,SGA)应用于数值优化存在收敛缓慢、易陷入局部优解和精度低等问题,提出一种具有爆炸算子的改进遗传算法(FGA)。引入爆炸算子(fire algorithm,FA),通过局部最优解集爆炸产生新个体以弥补SGA算法寻优过程中种群多样性不足的缺陷, 从而提高算法在解析域的全局搜索能力;加入精英保留策略使每代中的最优个体都能得以保留,避免交叉和变异操作遗失全局最优解。为验证算法的优化性能,选用4个经典测试函数对SGA与FGA这2种算法的优化性能进行对比,算例结果表明,本文所提算法具有更好的全局搜索能力、收敛性能以及计算精度。     

融合粗糙数据推理的多策略改进麻雀搜索算法

针对麻雀搜索算法在迭代过程中种群多样性减少、容易陷入局部最优的问题,提出了一种融合粗糙数据推理的多策略改进麻雀搜索算法(RSSA)。该算法先结合低差异序列的思想进行种群初始化,增强算法的全局搜索能力,保障粗糙数据推理论域的完整性;然后引入粗糙数据推理理论,结合适应度与距离建立个体间的联系,提高收敛速度,增强跳出局部最优的能力,改良麻雀搜索算法在多峰值问题中的不足;并且对于迭代中的超界个体,在超界的同时将其赋值为边界附近的值而非边界最大或最小值,保证种群的多样性且提高算法收敛速度。仿真实验结果表明,RSSA与其他4种算法相比,收敛速度更快,精度更高,在面对多峰值问题时效果更好。     

一种基于折射反向学习机制与自适应控制因子的改进樽海鞘群算法

为克服基本樽海鞘群算法（SSA）存在的收敛速度慢、易陷入局部最优等不足,提出了一种基于折射反向学习和自适应控制因子的新型改进樽海鞘群算法（RCSSA）.首先,采用折射反向学习机制在每一次个体的求解中计算折射反向解,极大地提高了算法收敛精度和速度.然后,将原SSA算法中引导者的自适应控制因子引入跟随者的位置更新中,有效地控制整个搜索过程并增加了算法的局部开发能力.为验证所提RCSSA算法的优化性能,采用了7个单峰、16个多峰基准测试函数以及1个工程设计问题对其进行测试.试验中,先引入两种单策略改进的SSA算法来验证所提算法的有效性,再加入鲸鱼优化算法等5个先进的智能优化算法与之进行对比,进一步验证所提算法的优越性.研究结果表明:无论对于低维度还是高维度基准优化问题,所提算法都能有效地增强原SSA算法的开发和探索能力;并且RCSSA算法在整体优化性能方面要优于其他大多数群智能算法.