群智能优化算法研究

群智能优化算法是一种新型的优化算法。该文介绍了几种常见的群智能优化算法,包括粒子群优化算法、蚁群优化算法、人工免疫算法、人工鱼群算法,分析了它们的优缺点及使用情况,提出了群智能优化算法的发展方向。     

基于混合变异的萤火虫群优化算法

基本萤火虫群优化GSO(Glowworm Swarm Optimization)算法在求解函数全局寻优问题时,存在后期收敛速度慢、容易陷入局部极值等问题。为此,提出一种基于混合变异的萤火虫群优化算法。该算法用混沌变异和边界变异来增加种群的多样性,避免算法陷入局部最优,且能使算法获得精度更高的解。运用六个标准测试函数进行测试,结果表明,改进后的萤火虫群优化算法比基本GSO算法具有更高的寻优速度、寻优精度和收敛率。     

具有主从结构的并行人工萤火虫群优化算法

基本人工萤火虫算法存在着易陷入局部极小、收敛速度慢等缺点。将算法的处理对象分为若干个子群,采用“雇主/工人”结构,提出了一种具有主从结构的并行人工萤火虫群优化算法。通过8个典型函数测试,实验结果表明所提出的算法在减少计算时间和避免陷入局部最优等方面具有较好的表现,从而提高了人工萤火虫算法整体性能。     

嵌入粒子群优化算法的混合人工蜂群算法

为了克服人工蜂群算法存在的早熟收敛、后期收敛速度变慢等缺点,提出了一种基于粒子群优化算法的混合人工蜂群算法(PABC).对陷入局部极值的雇佣蜂,采用粒子群优化算法对其重新进行初始化.粒子群优化算法具有很强的全局搜索性能,能使陷入局部极值的雇佣蜂尽快摆脱局部约束.测试函数的计算结果表明,改进的人工蜂群算法大大提高了蜂群算法的寻优能力,在收敛速度和精度方面均优于基本蜂群算法.     

基于萤火虫-粒子群混合算法的配棉优化研究

针对配棉问题,建立由原棉成本和质量控制成本组成的配棉目标函数,同时探讨了配棉约束条件,最终确立配棉数学模型。然后采用一种萤火虫-粒子群混合算法对配棉问题进行求解,仿真结果表明,该算法能高效解决自动配棉问题,并且优化效果较好。     

电力系统故障诊断的萤火虫和粒子群混合算法研究

电力系统故障诊断主要就是根据保护和断路器的动作信息来判别故障区域,而找出故障元件又是其难点和主要工作,以目标函数描述其模型,则故障诊断问题转化为0-1整数规划问题。适合于智能算法求解。用粒子群算法解决该问题时收敛速快,但容易陷入局部最优值;用萤火虫算法时能够找到全局最优值,但其后期收敛速度较慢。论文融合这两种算法并用之求解故障诊断的目标函数,仿真结果表明：融合后的算法兼备两种算法的优点,能够以较快速度收敛,并找到全局最优解,且收敛精度高,稳定性好。     

具有主从结构的粒子群优化算法

提出了一种具有主从结构的粒子群优化算法,该算法实现了惯性权重、加速因子、最大速度等系统参数与目标函数的同步优化。将主程序的一个粒子作为子程序的一组系统参数,在该组控制参数下使用基本的粒子群算法对子程序的目标函数进行优化,并把子程序优化所得的全局最优值返回主程序作为主程序的一个适应值,同时使用基本的粒子群算法对主程序的适应度函数进行优化。实验结果表明,该算法的优化性能较基本的粒子群算法有了显著提高。该方法对于粒子群算法的参数选择具有指导意义。     

一种基于人工萤火虫群优化的改进粒子滤波算法

针对传统粒子滤波算法中存在的粒子多样性丧失问题,提出一种基于人工萤火虫群优化的改进粒子滤波算法.该算法利用人工萤火虫群算法优化粒子滤波的重采样过程,按照权值的蜕化程度对样本集进行分层,通过转移概率将权值蜕化子集——映射到高似然区域.根据优化阈值条件,将低权值粒子集分为抛弃组和优化组,通过选取优化组粒子和高权值粒子适当地线性组合产生新粒子集.仿真结果表明,当感知系数为零时,优化算法将蜕化为基本粒子滤波算法;在适当选择感知系数的情况下,优化算法的滤波精度较高,跟踪突变状态的性能较优,在保证粒子群贴近真实后验分布的同时,增强了粒子的多样性.     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

一种新颖的仿生群智能优化算法：萤火虫算法*

萤火虫算法是受自然界中的萤火虫通过荧光进行信息交流这种群体行为的启发演变而来。作为一种新颖的仿生群智能优化算法,分析了萤火虫算法的仿生原理,从数学角度对算法实现优化过程进行了定义。通过典型的函数优化和组合优化问题对算法进行了仿真测试,测试结果表明了萤火虫算法在连续空间和离散空间优化的可行性和有效性,具有良好的应用前景。     

带交尾行为的混沌人工萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解全局优化问题存在易陷入局部极小值、收敛速度慢和求解精度不高等缺陷,首先对基本萤火虫优化算法采用混沌搜索技术进行初始化,使算法获得质量较高且分布较均匀的初始解,在此基础上再引入交尾行为,提出了一种带交尾行为的混沌萤火虫优化算法(MCGSO)。该算法在一定程度上防止了基本GSO算法易陷入局部最优,且能够获得精度更高的解甚至可达到理论最优解。最后,通过对8个标准测试函数进行测试,测试结果表明,带交尾行为的混沌萤火虫优化算法比基本萤火虫优化算法有更高的收敛速度和求解精度。     

基于群体智能的算法研究

计算机技术不断发展,从而带动着算法技术不断更新,尤其是在模仿社会性动物的行为领域,产生了很多的智能算法。本文主要介绍当前几种热门研究的算法,阐述了其工作原理和特点,同时对其发展进行了展望。     

群智能算法在螺旋桨参数优化设计中的应用

螺旋桨参数优化设计一般是复杂的非线性问题,设计的难点在于如何在各种非线性约束条件下找到一组适当的参数,使得螺旋桨性能最佳。群智能算法作为一种新兴演化计算技术,能有效解决全局优化问题,是优化算法研究的新热点。首先介绍了粒子群算法和蜂群算法两种群智能算法的工作原理;然后在建立螺旋桨参数优化数学模型的基础上,将群智能算法运用到螺旋桨初步和终结设计优化问题中,并通过实例进行对比分析,结果表明群智能算法解决螺旋桨参数优化问题是实用且高效的。     

基于改进萤火虫优化算法的多阈值彩色图像分割

为了提高彩色图像的分割效果,提出一种基于改进的萤火虫优化(IGSO)算法的彩色图像多阈值分割方法,该方法以Kapur熵为目标函数。针对基本萤火虫优化(GSO)算法进化后期收敛速度慢和求解精度低的问题,采用自适应步长和添加全局信息两种策略,提出了一种改进的萤火虫优化(IGSO)算法。IGSO算法根据步长和萤火虫的移动方向对萤火虫算法收敛性的影响,在萤火虫移动过程中引入全局信息,采用随着迭代次数和搜索空间维数自适应变化步长的策略,来提高收敛性能。实验结果表明,该方法能够较好地对彩色图像进行分割,其性能优于基本的萤火虫优化(GSO)算法、改进的量子行为粒子群优化算法(CQPSO)和改进的细菌觅食算法(MBF)。     

基于人工蜂群算法的群体动画研究与应用

对群体行为的仿真一直是动画研究领域的重点,传统的群体动画制作手段工作量大,制作出的效果不能满足人们的需求,同时如何表现出个体运动的独立性以及群体运动的整体性是群体行为仿真的难点所在。为解决上述问题,将人工蜂群算法应用于群体行为仿真中。首先对人工蜂群算法原理分析,然后将人工蜂群算法的智能性应用于群体动画中,即使用了人工蜂群算法的思想,又针对不同群体行为进行了修改,从而产生了一种新的快速的制作群体动画的方法。仿真结果表明,人工蜂群算法能够真实模拟群体行为,为设计提供了依据。     

基于追尾行为的改进型人工萤火虫群算法

利用人工鱼群算法的追尾思想并在过程中加入拥挤度因子,对人工萤火虫群算法进行了改进,提出了一种改进型人工萤火虫群算法,并将该算法用于多峰函数的优化问题。通过实验仿真及与其他算法进行的对比分析表明,改进后的人工萤火虫群算法在种群规模较小、迭代次数较少的情况下也可以精确捕获函数定义域内的所有峰值。     

群体智能优化算法

群体智能优化算法利用群体的优势,在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。介绍了两种群体智能算法模型:蚁群算法模型和粒子群算法模型,研究了两种算法的原理机制、基本模型、流程实现、改进思想和方法;通过仿真把蚁群算法与其他启发式算法的计算结果作对比,验证了蚁群算法具有很强的发现较好解的能力,不容易陷入局部最优;微粒群算法保留了基于种群的、并行的全局搜索策略,采用简单的速度-位移模型操作,在实际应用中取得了较高的成功率。     

The improvement of glowworm swarm optimization for continuous optimization problems

Glowworm swarm optimization (GSO) algorithm is the one of the newest nature inspired heuristics for optimization problems. In order to enhances accuracy and convergence rate of the GSO, two strategies about the movement phase of GSO are proposed. One is the greedy acceptance criteria for the glowworms update their position one-dimension by one-dimension. The other is the new movement formulas which are inspired by artificial bee colony algorithm (ABC) and particle swarm optimization (PSO). To compare and analyze the performance of our proposed improvement GSO, a number of experiments are carried out on a set of well-known benchmark global optimization problems. The effects of the parameters about the improvement algorithms are discussed by uniform design experiment. Numerical results reveal that the proposed algorithms can find better solutions when compared to classical GSO and other heuristic algorithms and are powerful search algorithms for various global optimization problems.     

群集智能算法研究现状及进展

基于群集智能的算法研究,近年来受到了广泛的关注.本文讨论了群集智能的两种算法,蚁群智能与微粒群智能.分别阐述了它们的原理、基本算法及其一些改进算法.最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向.     

群集智能算法研究现状及进展

基于群集智能的算法研究,近年来受到了广泛的关注。本文讨论了群集智能的两种算法,蚁群智能与微粒群智能。分别阐述了它们的原理、基本算法及其一些改进算法。最后讨论了群集智能算法的一些应用实例以及它们的应用领域和未来的研究方向。