改进步长与策略的果蝇优化算法

针对基本果蝇优化算法（FOA）容易陷入局部最优、收敛速度慢和寻优精度不高的缺点,提出了改进步长与策略的果蝇优化算法（CSSFOA）。在一定范围内随机选取历史最优值作为步长变化依据,动态改变果蝇群体的搜寻半径,有效权衡了算法的全局与局部搜索能力;为了避免陷入局部最优,在果蝇群体趋于稳定时选取一定数量的果蝇个体执行变异操作。仿真实验结果表明,提出的改进算法在收敛速度和寻优精度上较基本FOA及其几种改进算法有更好的寻优性能。     

改进的细菌觅食算法求解认知无线网络频谱分配问题

认知无线网络中如何进行频谱合理的分配是实现动态频谱接入的关键技术之一。基于图论着色频谱分配模型,以最大化网络效益为目标函数,提出一种具有量子变异操作的改进的二进制细菌觅食优化算法,用以求解认知无线网络中空闲频谱在认知用户间的动态分配问题。通过仿真实验比较了本算法与颜色敏感图论着色算法、传统二进制细菌觅食算法的性能。结果表明:本算法性能明显优于颜色敏感图论着色算法,能更好地实现网络效益最大化,提高用户的平均效益;与传统二进制细菌觅食算法相比,改进后的细菌觅食算法寻优能力更强,收敛速度更快。     

自适应混沌果蝇优化算法

本文针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融入混沌算法对果蝇优化算法的进化机制进行优化,提出自适应混沌果蝇优化算法(ACFOA)。在算法处于收敛状态时,应用混沌算法进行全局寻优,从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明,ACFOA算法具有更好的全局搜索能力,在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

局部深度搜索的混合果蝇优化算法

针对基本果蝇优化算法(FOA)局部深度搜索能力较差且易陷入局部最优的缺点,提出了局部深度搜索的混合果蝇优化算法(SFOALDS)。通过借鉴混合蛙跳算法(SFLA)的更新策略,循环进行局部深度搜索操作,使得SFOALDS既保持了FOA较快的收敛速度,又增强了FOA局部深度搜索能力,有效避免了基本FOA易陷入局部最优的缺点,提高了进化后期算法的收敛速度和精度。仿真实验结果表明,SFOALDS比基本FOA和SFLA有较强的全局寻优性能,并且在高维函数上的优势更加明显。     

混合优化算法求解无线区域网络频谱问题

认知无线网络中,已有的频谱分配方案大多集中在比较广义的范围。设计了一种混合优化方案求解无线区域网络的频谱分配问题。给出了无线区域网的拓扑结构和分配模型,设计了求解问题的量子编码、观测算子,构造了一种改进的量子旋转门算子,实现了算法的并行实现机制。仿真结果表明,该算法具有可以获得较优的频谱分配性能。     

自适应变异的果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点, 提出自适应变异的果蝇优化算法(FOAAM)。该算法在运行过程中根据群体适应度方差和当前最优解的大小判断算法陷入局部最优时, 首先将最优果蝇个体复制M个; 然后对复制的最优果蝇个体进行扰动, 按一定的概率P执行高斯变异操作; 最后对变异后的最优果蝇个体进行二次寻优, 从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明, FOAAM算法具有更好的全局搜索能力, 在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

基于改进离散果蝇优化算法的WSN广播路由算法

为解决无线传感网络（WSN）节点能量限制和广播路由的能耗问题,提出一种基于改进离散果蝇优化算法（DFOA）的WSN广播路由算法。首先,将交换子和交换序引入到果蝇优化算法（FOA）中,得到DFOA,拓展FOA的应用领域;然后,利用莱维（Lévy）飞行对果蝇随机探索的步长进行控制,增加DFOA的样本多样性,并用轮盘赌选择对种群的位置更新策略进行改进,避免算法陷入局部最优;最后利用改进DFOA对WSN路由能耗寻优,找到能耗最小的广播路径。仿真结果表明,改进DFOA获得的广播能耗更低,在不同的网络规模下,均优于对比算法（原DFOA、模拟退火遗传算法（SA-GA）、蚁群优化（ACO）算法和粒子群优化（PSO）算法）。改进DFOA能增加种群多样性,增强跳出局部最优的能力,提高网络性能。     

参数修正与收敛策略融合的果蝇优化算法

传统的果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）容易陷入局部最优,而且传统果蝇个体味道浓度判定值S是非负数,不能解决最优解是负数的优化问题。针对以上问题,多重改进策略被应用到果蝇优化算法中。为了解决味道浓度判定值不能是负数的问题,对味道浓度公式进行了修正;为了避免高维函数维间互扰问题,迭代优化的过程中对果蝇个体在最优值附近寻优采取逐维扰动的方法;为了避免陷入局部最优,迭代过程中加入了收敛判断因子,如果多次迭代没有改善,说明陷入了局部最优。此时,一部分果蝇个体继续在最优解附近寻优,另外一部分个体在解空间混沌扰动寻找全局最优解。收敛判断因子阈值的取值会影响优化的速度和精度,通过实验确定了收敛判断阈值。通过对测试函数结果验证表明,改进的果蝇算法比FOA算法具有更高的搜索精度和更快的收敛速度。     

OMP信号稀疏分解的改进ACFOA实现

稀疏分解能用少数原子表示原始信号,但运算复杂是阻碍其实际应用的一个重要原因。果蝇优化算法（FOA）能有效地提高稀疏分解中原子的搜索效率,但其易于陷入局部最优。自适应混沌果蝇优化算法（ACFOA）能够针对局部最优进行混沌操作,提高全局寻优性能。正交匹配追踪（OMP）通过对已选原子的正交化,能够增加稀疏分解的收敛速度,但计算复杂度却有所增加。因此,利用智能算法的并行性,将ACFOA应用于OMP,并对其味道浓度判定值和混沌映射函数进行改进,以降低整个算法的复杂度,提升最优原子的搜索性能。实验结果表明,相比于其他几种算法,改进的ACFOA-OMP算法重建信号均方误差是最佳的。     

应用反向学习策略的果蝇优化算法

针对基本果蝇优化算法FOA(Fruit Fly Optimization Algorithm)容易陷入局部极值、进化后期收敛速度慢和收敛精度低的缺点,采用反向学习策略加以改进,提出应用反向学习策略的果蝇优化算法OBLFOA(FOA with Opposition-based Learning)。该算法将一般反向学习策略和动态一般反向学习策略分别引入到果蝇优化算法的种群初始化和迭代寻优过程中,能得到越来越好的种群个体。随着迭代过程的逐步深入,使得进化种群快速地逼近最优解。对6个经典测试函数的仿真结果表明,新算法在收敛速度、收敛可靠性及收敛精度方面比基本果蝇优化算法有较大的提高。     

求解约束优化问题的改进果蝇优化算法及其工程应用

针对基本果蝇优化算法收敛速度慢、求解精度低、易于陷入局部极值以及算法候选解不能取负值等不足,提出一种用于解决约束优化问题的改进果蝇优化算法.该算法利用果蝇个体历史最佳记忆信息和种群全局历史最佳记忆信息构建多策略混合协同进化的搜索机制,以达到有效平衡算法的全局探索与局部开发的目的,同时也能够较好地避免算法的早熟收敛问题;...     

基于混合策略改进的果蝇优化算法

针对基本果蝇优化算法收敛精度不高、容易陷入局部最优和收敛速度慢的问题,提出一种基于混合策略改进的果蝇优化算法(MSFOA)。受鲸鱼捕食猎物的启发,在对个体历史最优位置的更新中,采用新的组合搜索的方法,加快果蝇搜索迭代速度;在更新后的位置公式中引入自适应权重系数,提高算法的优化精度;当达到局部收敛状态时,结合多尺度高斯变异算子解决局部最优的限制。采用6个测试函数的仿真结果表明,MSFOA算法相比其它算法具有更快的收敛速度和较高的寻优精度。     

基于SQP局部搜索的多子群果蝇优化算法

针对基本果蝇优化算法在寻优过程中种群多样性降低导致算法易陷入早熟收敛的问题,提出了基于序列二次规划（SQP）局部搜索的多子群果蝇优化算法（MFOA-SQP）。新算法将果蝇种群均匀划分为多个子群,并引入粒子群算法中的惯性权重和学习因子,协同调节果蝇移动方向和步长;每隔一定迭代次数重新划分子群,避免种群单一化,使算法更易跳出局部最优;对子群最优个体进行SQP搜索,提高局部寻优性能。通过6个测试函数和优化广义回归神经网络对银行客户进行分类的实验结果表明,算法在寻优精度和速度方面性能优越,能够有效提高广义回归神经网络的分类准确率。     

适合盲提取的自适应遗传算法

对盲分离问题中存在收敛速度慢、精度不高和容易陷入局部最优等缺点进行了研究,提出了一种基于改进自适应遗传算法的快速盲提取算法。在负熵判据的基础上,建立了最小化独立信号边缘熵准则。以盲提取目标优化函数为基础,对遗传算法的关键技术进行了改进,同时提出一种适合盲信号提取的适应度函数和防止算法局部收敛的监测策略,使算法能够自动跳出局部最优,快速地收敛于全局最优解。以改进的自适应遗传算法作为寻优算法,快速地实现了瞬时混合信号的盲提取。仿真实验表明,该算法性能稳定、收敛速度快,得到了全局最优解,有效地实现了信号盲提取。     

求解旅行商问题的改进型量子蚁群算法

针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法（IQACA）。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。     

混沌拟态物理优化的认知频谱差异分配

针对认知无线电网络的频谱分配问题,提出了一种考虑频谱可用率的分配模型,并在约束处理时,将可用率更高的频谱分配给认知用户;基于频谱分配问题的NP(非确定性多项式)特性,进而提出了一种基于混沌拟态物理优化的智能算法。使用混沌的遍历性初始化种群,改进了微粒的作用力方程,避免算法陷入局部最优。仿真实验结果表明:该算法能获得更高的网络收益,提高了频谱使用效率。     

基于正弦因子和量子局部搜索的灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时,存在依赖初始种群、过早收敛和易陷入局部最优等缺点,提出一种融合正弦控制因子和量子局部搜索的灰狼优化算法（QGWO）。通过对灰狼算法中的控制因子按照具有正弦变化的曲线变化,使改进后的算法在迭代前期加快收敛速度以快速完成全局搜索,并且在迭代后期减缓收敛速度以提高算法精度。引入量子局部搜索降低算法陷入局部最优的概率。选用12个标准测试函数对QGWO算法性能进行验证,分别从单峰、多峰和固定维测试函数对比分析。实验结果表明,与GWO、WOA、SCA和CGWO相比,QGWO对测试函数的求解有更高的精度和稳定性。通过工程实例优化KELM进行分类实验验证,QGWO表现出更好的寻优性能。     

Optimization algorithm of cognitive radio spectrum sensing based on quantum neural network

In recent years, with the development of mobile communications and Wireless Local Area Network (WLAN) as well as restrictions on limited spectrum resources, wireless spectrum resources are increasingly strained. Cognitive radio, put forward as a concept of dynamic use of spectrum, solved the problem of low spectrum utilization rate brought by the current static spectrum allocation scheme and greatly improved the utilization of the existing spectrum resources. In order to overcome the shortcomings of traditional spectrum sensing and improve spectrum detection performance under low signal-noise rate, this paper proposed a spectrum perception algorithm based on quantum neural network (QNN) and carried out an optimization study on the spectrum sensing algorithm of cognitive radio. Through the simulation experiment, we found that the improved QNN algorithm showed more excellent convergence performance and detection capability.     

An improved fruit fly optimization algorithm for solving traveling salesman problem

The traveling salesman problem (TSP), a typical non-deterministic polynomial (NP) hard problem, has been used in many engineering applications. As a new swarm-intelligence optimization algorithm, the fruit fly optimization algorithm (FOA) is used to solve TSP, since it has the advantages of being easy to understand and having a simple implementation. However, it has problems, including a slow convergence rate for the algorithm, easily falling into the local optimum, and an insufficient optimi-zation precision. To address TSP effectively, three improvements are proposed in this paper to improve FOA. First, the vision search process is reinforced in the foraging behavior of fruit flies to improve the convergence rate of FOA. Second, an elimination mechanism is added to FOA to increase the diversity. Third, a reverse operator and a multiplication operator are proposed. They are performed on the solution sequence in the fruit fly’s smell search and vision search processes, respectively. In the experiment, 10 benchmarks selected from TSPLIB are tested. The results show that the improved FOA outperforms other alternatives in terms of the convergence rate and precision.