一种新颖的改进自适应和声算法

为了克服自适应和声算法求解多模函数时的缺陷,提出一种新颖的改进自适应和声算法。首先,新算法设计了一种新颖的自适应候选和声向量产生策略,提升了算法的搜索范围;其次,新算法提出了一种和声调整率PAR的设置方式,新方式随着进化代数增加逐渐增加PAR数值。针对五个标注测试函数的实验结果表明,与目前最有竞争力的自适应和声算法相比,新算法收敛速度更快寻优效果更好。     

基于改进自适应和声遗传算法的装配序列优化研究

在考虑装配工具及零件装配方向改变对装配成本影响的同时, 增加装配体约束稳定性影响作为装配序列优化评价要素, 构建装配成本模型。基于装配体几何约束关系, 建立装配方向约束矩阵和连接关系矩阵, 并依据专家知识得到零件所对应工具的映射表, 通过矩阵扫描得到装配成本惩罚次数, 并与惩罚系数加权得到装配成本函数值。在和声算法中引入自适应的参数调节方式及遗传算子, 使和声算法能够解决离散型数学问题, 并较好地改善了和声算法方向性差的缺点, 通过求解惩罚函数最小值, 得到其所对应的最优装配序列解, 最后结合实例对比, 验证了该方法有的效性。     

改进的自适应参数DBSCAN聚类算法

针对传统DBSCAN算法需要人工输入[Eps]和[MinPts]参数，且参数选择不合理导致聚类准确率低的问题，提出了一种改进的自适应参数密度聚类算法。采用核密度估计确定[Eps]和[MinPts]参数的合理区间，通过分析数据局部密度特点确定簇数，根据合理区间内的参数值进行聚类，计算满足簇数条件时的轮廓系数，最大轮廓系数对应的参数即为最优参数。在4种经典数据集上进行对比实验，结果表明，该算法能够自动选择最优的[Eps]和[MinPts]参数，准确率平均提高6.1%。     

基于全局和声搜索的模拟退火算法改进

本文针对传统的模拟退火算法存在收敛速度慢的问题,采用全局和声搜索算法对其进行了改进,即在保持模拟退火原有机制的基础上,使用一个函数随机产生模拟退火算法的初始解,采用全局和声搜索算法中产生候选解的方法产生新解。该方法的优点在于保留中间最优解并及时更新,从而既保证了优化质量又提高了算法的搜索效率。最后,采用benchmark测试函数进行仿真,仿真实验结果表明,该方法在收敛速度及优化质量上都优于传统的模拟退火及其它算法,值得进一步研究。     

基于改进和声算法的直流电机PID参数优化

直流电动机PID参数优化,是电机控制中的重要优化问题。智能优化算法相较于人工调参有明显的优势。和声搜索算法结构简单,可调参数少,已成熟运用于多种参数优化问题,但其寻优精度较低,且容易陷入局部最优。文章使用Tent混沌映射初始化和声库,设置全局自适应的和声参数,在搜索过程中加入麻雀搜索策略进行协同搜索,并将麻雀种群库与和声库进行信息交互,提出一种自适应混沌麻雀和声搜索算法（adaptive chaotic sparrow harmony search,ACSHS）。通过仿真实验证实ACSHS算法在收敛速度和寻优精度上比几种优秀的PID参数优化算法更为有效。     

自适应确定DBSCAN算法参数的算法研究

传统DBSCAN算法需要人为确定[Eps]和[MinPts]参数,参数的选择直接决定了聚类结果的合理性,因此提出一种新的自适应确定DBSCAN算法参数算法,该算法基于参数寻优策略,通过利用数据集自身分布特性生成候选[Eps]和[MinPts]参数,自动寻找聚类结果的簇数变化稳定区间,并将该区间中密度阈值最少时所对应的[Eps]和[MinPts]参数作为最优参数。实验结果表明,该算法能够实现聚类过程的全自动化并且能够选择合理的[Eps]和[MinPts]参数,得到了高准确度聚类结果。     

和声退火算法的参数选取准则

针对多极值函数优化问题,该文首先介绍了和声退火算法,对其参数的影响做了定性分析。用几个典型测试函数的数值实验数据验证了分析结果。最后在此基础上给出了和声退火算法在解连续多极值函数优化问题时的参数选取准则,以利于在工程上的推广应用,同时为进一步研究参数的自适应调整打下了基础。     

基于和声搜索的混合人工鱼群算法

通过将和声搜索算法和人工鱼群算法进行融合改进后,提出一种新的混合算法。利用行为交叉、算法结构简化和引进混沌算子,使得新的混合算法相比单一算法寻优精度得以提高、算法复杂度得到降低,全局搜索能力有所增强。数值仿真实验和实例应用结果表明将两个算法混合是有效可行的。     

一种基于MCB的自适应和声搜索定位算法

针对无线传感器网络锚节点稀疏条件下节点定位中存在的翻转现象和定位精度问题,提出了一种基于MCB的自适应和声搜索定位算法。通过引入MCB算法中的采样思想,随机产生网络拓扑约束下的未知节点的坐标,引入自适应的和声保留概率和音调调节概率,达到提高搜索能力和定位精度目的。仿真结果表明：算法能有效解决翻转现象,提高定位精度,提出的算法在定位精度和计算量方面优于对比算法。     

改进的多目标和声搜索算法

针对和声搜索算法不能很好求解多目标优化问题的缺陷,引入邻域搜索算子,对和声记忆库内搜索到的分量进行扰动,对和声记忆库外进行Pareto邻域搜索,实现群体间信息交换,提高算法的全局搜索能力。数值实验选取4个常用测试函数并与NSGA-II、SPEA2、MOPSO 3个多目标算法进行比较,测试结果验证了改进算法的有效性。     

一种基于和声搜索的动态交叉粒子群算法

针对粒子群优化算法(PSO)在优化多维问题时容易陷入局部最优的问题,提高其全局搜索能力和拓展能力,提出了一种基于和声搜索的动态交叉粒子群算法.引入动态交叉操作,使得粒子在更新速度时实现共享有效信息,保证粒子进化过程中的种群多样性,提高全局搜索能力.结合和声搜索(HS)的随机搜索能力提出了HS-DCPSO,利用和声搜索的自适应调整参数音符调节概率PAR和间隔调整带宽bw来提高粒子群的拓展能力.通过多个基准函数对所提出的HS-DCPSO算法进行仿真测试,并与HS、PSO及多种改进的粒子群算法对比,验证所提出的HS-DCPSO算法具有较强的全局搜索能力和局部拓展能力,并且算法时间复杂度相比传统PSO增加不明显.     

基于和声搜索方法的无线传感器网络寿命优化算法

在无线传感器网络中,基站位置的动态调整可以提高网络的寿命,然而基站位置的最优化问题是NP完全问题。为了快速地更新基站的位置并减少数据的交互总量,提出了一种基于和声搜索方法的无线传感器网络寿命优化算法。首先,通过聚类方法将传感器节点分成若干组。其次,在每一个组中选出头节点,应用头节点对组中节点的数据进行压缩并与基站进行数据交互。最后,提出一种基于和声搜索方法的基站位置动态更新协议。实验表明:提出的协议与模糊聚类协议相比,传输数据总量更小,传感器节点的能量使用率更低,能更好地提高传感器网络的整体使用寿命。     

自适应和声粒子群搜索算法

针对现有改进和声搜索算法(IHS)的不足,提出一种自适应和声粒子群搜索算法(AHSPSO).首先对和声记忆库中每个变量用粒子群算法寻优,再利用自适应参数PAR和bw调节来提高对多维问题的搜索效率.利用5个标准的优化算法测试函数对AHSPSO算法进行测试,并与IHS,PSO和SA算法进行对比,仿真结果表明了AHSPSO算法具有较强的精确寻优和跳出局部最优的能力.     

结合群体协同与和声搜索策略的果蝇优化算法

为了改善标准果蝇优化(fruit fly optimization,FFO)算法易陷入局部极优,收敛精度不高的不足,提出了一种结合群体协同(swarm collaboration,SC)与和声搜索(harmony search,HS)策略的新型果蝇优化算法FFO-SC+HS。该算法基于随机确定的单一维度和动态搜索半径得到果蝇个体的食物源位置,并在种群中心位置的逐代更新环节新增了两个可供选择的备选位置。两备选位置均出自按群体协同策略重构后的位置集合,其一为重构后位置向量集合中的最佳位置,另一则为借助和声搜索策略得到的新位置向量。为验证所设计算法的有效性,在10种测试函数上进行了大量的计算实验与性能对比分析,结果表明FFO-SC+HS在求解质量、收敛能力上优于其他4种已报道的FFO算法,并发现3个主要参数的不同取值组合对其优化性能具有显著影响,所采取的SC与HS策略缺一不可。     

基于离群点检测和自适应参数的三支DBSCAN算法

针对经典的DBSCAN算法存在难以确定全局最优参数和误判离群点的问题,该算法首先从选择最优参数角度出发,通过数据集的分布特征生成Eps和MinPts列表,将两个列表中的参数进行全组合操作,把不同的参数组合依次进行聚类,从而寻找准确率最高点对应的参数。最后从离群点角度出发,将三支决策思想与离群点检测LOF算法进行结合。该算法与多种聚类算法进行效果对比分析,结果表明该算法能够全自动化选择全局最优参数,并提高聚类算法的准确性。     

基于和声退火算法的多维函数优化*

在研究和声搜索对多维函数优化问题的基础上,结合传统的模拟退火算法,提出一种混合优化算法——和声退火算法。该算法改进了和声的搜索机制,选取合理的取值概率HMCR以及动态的微调概率PAR,在和声记忆库内随机搜索,获得较高质量的新和声;然后对新和声执行一次Metropolis算法,从而增强了全局探索能力,减小了陷入局部极小值的机会。仿真实验数据表明,算法明显优于和声搜索和模拟退火算法,具有较高的求解质量和效率。     

基于自适应蜂群优化的DBSCAN聚类算法

针对传统的DBSCAN（Density-Based Spatial Clustering of Application with Noise，DBSCAN）聚类算法全局参数设置不合理、参数选取困难、无法识别重叠模块的问题，以及人工蜂群优化算法（Artificial Bees Colony，ABC）后期收敛速度慢、易陷入局部最优等缺陷进行了研究，提出一种基于自适应人工蜂群优化DBSCAN的聚类算法IABC-DBSCAN。该算法将截断选择机制与锦标赛选择机制相结合，提出一种截断-锦标赛选择机制（Truncation-Championship Selection Mechanism，TCSM），以增强种群多样性、避免跟随蜂选择蜜源陷入局部最优的缺陷；提出一种自适应步长策略（Adaptive Step Strategy，ASS）动态调整跟随蜂的搜索方式，以提高算法局部搜索能力和聚类速度；根据改进的IABC算法动态调节DBSCAN算法中的最优参数，将蜜源位置对应[ε]邻域，蜜源的适应度大小对应DBSCAN的聚类效果，并在多种测试函数和数据集上进行验证。实验结果表明，该算法不仅有效克服ABC和DBSCAN算法的缺陷，且正确率和召回率均有较大提高。     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

基于离散和声搜索与模拟退火的混合算法

和声搜索是一种启发式优化算法,对和声搜索算法进行离散化,使其能够适用于组合优化问题,就离散和声搜索算法进行两点改进,针对离散和声搜索算法容易陷入局部最优的缺陷,提出一种离散和声搜索与模拟退火算法的混合策略。实验结果表明,基于改进离散和声搜索与模拟退火的混合算法具有较高的求解质量。     

和声搜索-分布估计混合算法求解多目标优化问题

针对和声搜索算法不能很好地求解多目标优化问题的缺陷,提出一种多目标和声搜索—分布估计混合算法(MHS-EDA)。该算法一方面利用分布估计的采样操作对和声记忆库内进行搜索,拓宽了和声记忆库内空间;另一方面对和声记忆库外进行外部档案搜索,实现群体间信息交换,从而提高了多目标和声算法的全局搜索能力。数值实验选取六个常用测试函数,并与多目标遗传算法、多目标分布估计算法、多目标和声搜索算法进行比较,测试结果表明提出的混合算法能够有效地解决多目标优化问题。