一种改进人工蜂群算法的Wiener模型分步辨识法

为解决非线性系统Wiener模型参数辨识问题,提出了一种基于改进人工蜂群算法(NLJ-artificial bee colony algorithm,NABC)的分步辨识方法。NABC算法融合了人工蜂群算法的简洁性和随机搜索算法的高精度优势,有较快的收敛速度、较强的局部求精和全局搜索能力。通过对经典测试函数的寻优,验证了NABC算法较其他改进方法的优势。分步辨识法解决了Wiener模型辨识过程中容易造成的误差累积问题,实现其线性和非线性部分的独立辨识。通过pH中和反应过程建模仿真验证了分步辨识法的有效性。     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

基于Lévy飞行的人工蜂群算法

针对人工蜂群算法在后期容易陷入局部最优,且开发能力不足的缺陷,提出了一种基于Lévy飞行的人工蜂群算法,在寻找蜜源过程中,引领蜂转变成侦查蜂时,引入Lévy分布函数来调配原有的用0-1的随机数参与的贪婪算法,有效增加了算法的合理性。最后用5个有效的测试函数对改进的算法和原算法进行比较,结果表明,基于Lévy分布的人工蜂群算法较原算法在收敛速度和优化速度上都有显著提高。     

基于混沌蜂群算法的高耸结构振动信号小波阈值去噪方法研究

为了有效去除实测振动信号中的噪声,改进了一种基于Kent混沌人工蜂群(KCABC)算法的振动信号小波阈值去噪方法。该算法采用Kent混沌映射初始化蜂群,引入锦标赛选择机制选择食物源,并结合混沌策略搜索最优解。基于广义交叉验证(GCV)阈值构造了目标函数,采用改进的KCABC算法搜索最优阈值,实现了不基于噪声先验知识的振动信号阈值去噪。通过对广州新电视塔4组实测振动信号的处理,比较了改进的KCABC算法与粒子群优化(PSO)算法、标准蜂群(SABC)算法以及Logistic混沌蜂群(LCABC)算法的去噪性能。结果表明:提出的KCABC算法具有较快的收敛速度和较高的搜索精度,能够有效去除高耸结构振动信号中的噪声部分。     

改进的蜂群算法在边坡稳定性分析中的应用

将人工蜂群算法(ABC)应用于边坡最危险滑动面的搜索以及最小安全系数的求解,为了提高算法的搜索效率,减少搜索过程中的停滞现象,对工蜂进行邻域搜索产生新解的方法进行改进,提出一种自适应智能搜索的人工蜂群算法。该算法具有较高的搜索精度和搜索效率,简单易实现,适用性强,搜索的最优解更具有全局性。通过工程实例验证了该方法的合理性与可靠性,计算结果令人满意,能较好地应用于边坡稳定性分析中。     

应用人工蜂群算法求解旅行商问题

旅行商问题(TSP)是经典的组合优化问题之一。人工蜂群算法是近年来被提出的一种新的智能启发式算法。根据旅行商问题的模型特点,设计人工蜂群算法对算例进行仿真求解。同时将人工蜂群算法与遗传算法进行对比,结果表明:人工蜂群算法可以有效的求解旅行商问题,在收敛速度、计算效率、稳定性方面相对遗传算法具有一定的优势。     

AVO岩性参数反演的改进人工鱼群算法研究

为及时获取地震岩性参数,提出了基于动物自治体模型的人工鱼群算法进行参数反演。该方法对鱼群算法采取分阶段策略进行改进,并增加了跳跃与吞食行为,从而使鱼群更容易跳出局部最优得到性能优化。对振幅随炮检距变化(AVO)的实际数据参数反演的结果表明,与标准人工鱼群算法相比,改进的鱼群算法的反演精度与寻优时间都得到很大改进,表现出更强的寻优泛化能力。     

混沌策略和单纯形法改进的鲸鱼优化算法

为解决鲸鱼优化算法收敛速度慢和寻优精度低等问题,提出了一种基于混沌策略和单纯形法优化的鲸鱼优化算法(whale optimization algorithm based on chaos optimization and simplex optimization,CSWOA)。首先,采用混沌反向学习策略初始化鲸鱼种群个体,降低随机化的原始种群对算法收敛的影响;然后,引入一种自适应权重策略,平衡算法的全局寻优和局部探索能力;最后,再引入单纯形法对原算法进行改进,提高算法的局部搜索能力和寻优能力。对8个典型基准函数的仿真分析表明,CSWOA的收敛速度和寻优精度均有一定的提高。     

一种基于混合策略的灰狼优化算法

灰狼优化算法作为一种群体智能算法,不可避免地会产生陷入局部寻优和收敛速度慢的问题。本文提出一种混合的改进策略,把动态权重和动态种群的结合起来,在提高收敛速度的同时,产生较好的解。通过多组基准测试函数进行验证,实验结果表明在收敛速度和搜索能力方面都表现的更好。     

应用模拟退火遗传算法进行树状管网布置优化

将模拟退火算法和遗传算法结合起来用于树状管网布置优化,避免了遗传算法中存在的早收敛问题和模拟退火寻优能力差的问题,增强了全局和局部的搜索能力,并且提高了收敛速度.