t-分布扰动策略和变异策略的花授粉算法

为了解决传统花授粉算法(FPA)收敛速度慢、易陷入局部最优、寻优精度低等缺陷,提出了一种t-分布扰动策略和变异策略的花授粉算法(t MFPA).首先利用混沌映射初始化花朵个体的位置,然后在全局授粉过程中,利用t-分布扰动的随机个体和莱维飞行共同实现个体位置更新,加快收敛速度的同时提高搜索空间的多样性;在局部授粉过程中,加入具有两个差分向量的变异策略和小概率策略,结合两种策略使算法能够跳出局部最优.实验结果表明,t MFPA相比于FPA和其他启发式智能算法具有更好的寻优精度和收敛速度,相对于其他改进算法具有更好的收敛性能.     

基于动态全局搜索和柯西变异的花授粉算法

针对基本花授粉算法（FPA）收敛速度慢、寻优精度低以及容易陷入局部最优的缺点,提出了一种基于动态全局搜索和柯西变异的花授粉算法DCFPA。利用混沌映射增强花粉种群初始分布的随机性和均匀性,在全局授粉过程中,引入全局平均最优花粉位置和动态权重递减因子共同实现花粉个体位置的更新,牵引算法朝着正确的搜索方向进行,避免算法早熟收敛,最后利用Cauchy变异,增加种群多样性,帮助算法跳出局部最优。对6个测试函数进行仿真实验表明,DCFPA算法比FPA具有更好的全局优化能力,提升了算法的收敛速度与求解精度;与相关的改进算法比较结果也表明,DCFPA整体上也具有更好的优化性能。     

基于混合策略改进的花朵授粉算法

针对传统花朵授粉算法(FPA)在解决复杂问题时搜索精度低和收敛速度慢等问题,提出了一种基于混合策略改进的花朵授粉算法(HSFPA)。采用自适应转换概率策略改进转换概率,动态平衡全局授粉和局部授粉之间的关系;在全局授粉阶段,提出一种动态全局搜索策略,既可以加快算法收敛速度,又能增加花粉种群的多样性,防止花粉陷入局部最优;局部搜索增强策略使得花粉能够充分开发当前优质花粉周围的搜索空间,提高收敛精度;花粉越界修正策略进一步加强了算法的探索能力。通过对10个基准函数进行仿真测试,实验结果表明,HSFPA算法在搜索速度和寻优精度方面具有更好的效果。     

混合改进的花朵授粉算法

针对花朵授粉算法(FPA)收敛速度慢、精度低的问题,提出了一种混合改进的花朵授粉算法(HFPA)。该算法采用均匀初始化和边界变异提高种群多样性,利用正态分布缩放因子进行全局寻优,加快收敛速度。局部寻优引入变异策略帮助算法跳出局部最优。实验使用7个测试函数,对比原FPA算法其他群智能算法,结果表明:HFPA算法在收敛速度和寻优精度方面均有显著的提高。     

基于变异策略的改进型花朵授粉算法*

介绍了一种新的元启发式群智能算法——花朵授粉算法(flower pollinate algorithm ,FPA)和一种新型的差分进化变异策略——定向变异(targeted mutation,TM)策略。针对FPA存在的收敛速度慢、寻优精度低、易陷入局部最优等问题,提出了一种基于变异策略的改进型花朵授粉算法——MFPA算法,该算法通过改进TM策略,并应用到FPA的局部搜索过程中,以增强算法的局部开发能力;同时在FPA的全局搜索过程中引入均匀变异算子,以增强算法的全局寻优能力。最后通过4个标准的测试函数进行测试,测试结果表明,MFPA算法的寻优能力明显优于原始的花朵授粉算法、粒子群算法以及蝙蝠算法。     

基于动态调整和协同搜索的花授粉算法

针对基本花授粉算法（Flower Pollination Algorithm,FPA）容易陷入局部最优、收敛速度慢及寻优精度低等缺陷,提出了基于动态调整和协同搜索的花授粉算法（Flower Pollination Algorithm based on Dynamic adjustment and Cooperative search,FPADC）。利用霍尔顿序列提升初始解的质量;通过对种群进行分工,从而提高种群的多样性以跳出局部最优;根据种群进化信息动态调整算法的寻优策略,从而提高收敛速度和精度。仿真实验结果表明,提出的改进算法相比基本花授粉算法和部分改进算法,有较好的寻优性能。     

基于天牛须搜索的花朵授粉算法

针对花朵授粉算法后期收敛速度慢,寻优精度低的缺点,提出了一种基于天牛须搜索的花朵授粉算法（BASFPA）。算法首先在全局寻优阶段采用天牛须搜索加快收敛,其次在局部寻优阶段加入变异策略帮助算法跳出局部最优。实验使用6个常用优化函数进行测试,结果表明BASFPA在低维和高维下收敛速度和精度均高于其他算法,达到相同精度所需的迭代次数均小于其他算法,证明天牛须搜索对FPA算法的改进是合理的。     

基于多策略的改进花授粉算法

花授粉算法是近年来提出的一种新型的、简单高效的优化算法,已在各个领域得到广泛应用,但其搜索策略存在的不足,制约着其应用范围.为此,提出一种改进的基于多策略的花授粉算法.首先,新全局搜索策略通过利用两组随机个体差异矢量和莱维飞行机制来增加种群多样性并扩大搜索范围,使算法更易跳出局部最优,提升其开采能力;其次,在局部搜索部分引入精英变异策略,并与随机个体变异机制组合成一种新的局部授粉策略,利用精英个体对其他个体的演化方向进行引导,提高算法的搜索速度;通过随机个体变异策略来保持种群的多样性,增强算法的持续优化能力;同时,通过一种线性递减概率规则调节这两种变异策略,使其取长补短,以提高算法的优化能力;最后,对进化中没有得到改善的解,利用余弦函数搜索因子策略产生一个新解加以替换,从而提高算法解的质量.通过5类经典测试函数的仿真实验和采用统计学上的分析,证明了该算法的稳定性和有效性;与现有经典的和知名的改进算法进行了对比,实验结果表明,所提出的改进算法是一种富有竞争力的新算法.同时,利用改进算法对军事领域中的无人作战飞行器航线规划问题进行求解,测试结果表明,改进算法在解决实际工程问题时,同样具有一定的优势.     

融合正弦余弦算法和精英算子的花授粉算法

针对花授粉算法（FPA）具有寻优精度较低,稳定性不高的问题,提出了一种融合正弦余弦算法和精英算子的花授粉算法（SCA-EFPA）。针对花授粉算法的局部授粉过程,授粉范围小且易陷入局部最优值的问题,利用正弦余弦算法的“局部开发”和“全局搜索”特性,并作简化改进后引入;针对其全局授粉过程,搜索范围较大且寻优精度低的问题,引入精英花粉算子以提高寻优精度并且进行变异和交叉操作以保持种群多样性。达到整个改进后的算法具有提高寻优精度的目的。选取多组标准测试函数来测试改进算法的各项性能。结果表明,与基本花授粉算法、粒子群算法和差分变异算法等相比,融合正弦余弦算法和精英算子的花授粉算法具有更高的寻优精度,更好的稳定性和收敛性。     

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法（EIDE）。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。     

基于单纯形法和自适应步长的花朵授粉算法

针对花朵授粉算法易陷入局部极值、后期收敛速度慢的不足,提出一种基于单纯形法和自适应步长的花朵授粉算法。该算法在基本花朵授粉算法的全局寻优部分采用自适应步长策略来更新个体位置,步长随迭代次数的增加而自适应地调整,避免局部极值;在局部寻优部分对进入下一次迭代的部分较差个体采用单纯形法的扩张、收缩/压缩操作,提高局部搜索能力,进而提高算法的寻优能力。通过八个CEC2005benchmark测试函数进行测试比较,结果表明,改进算法的寻优性能明显优于基本的花朵授粉算法,且其收敛速度、收敛精度、鲁棒性均较对比算法有较大提高。     

多策略增强花授粉算法及其应用

针对经典花授粉算法容易陷入局部最优解和收敛速度慢的缺点,提出一种增强型透镜成像策略和随机邻域变异策略的花授粉算法。通过增强型透镜成像策略扩展花授粉算法的搜索空间,增加解的多样性,有助于算法跳出局部最优解。引入随机邻域变异策略,借助邻域内的信息指导算法搜索,增强算法的收敛精度和搜索速度。对改进后的花授粉算法和四种其他改进算法在CEC2013测试函数上进行比较,实验证明改进后的多策略花授粉算法不论是收敛精度还是搜索速度都比对比算法优秀。最后把多策略花授粉算法应用在汽车传动参数模型上研究该算法的实际效用,结果表明多策略花授粉算法在汽车传动参数优化问题上都优于对比算法。     

正态变异优胜劣汰的混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度不高且易陷入局部最优的缺陷,提出了一种新的正态变异优胜劣汰的混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新融入了服从正态分布的变异扰动,可有效避免青蛙个体向局部最优聚集,扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙进行变异选择,摒弃不利的变异,继承有用的变异,优胜劣汰,整体提高种群的质量,减少算法寻优过程的盲目性,提高算法的寻优速度。对每个子群内的最优个体引入精英变异机制以获得更优秀的个体,进一步提升算法的全局寻优能力,避免陷入局部最优,引领种群向更好的方向进化。实验独立运行30次,所提算法在Sphere、Rastrigrin、Griewank、Ackley和Quadric函数中均能收敛到最优解0,优于其他对比算法。实验结果表明,所提算法可有效避免算法陷入早熟收敛,提高了算法的收敛速度和精度。     

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划（Sequential Quadratic Programming,SQP）的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。     

改进的樽海鞘群算法

针对樽海鞘群算法在对函数优化问题求解上出现的求解精度不高、收敛速度慢的缺点,提出了一种改进的群海鞘群算法.对于领导者引入加权重心取代最优个体位置,防止过早聚集在最优个体附近;对于追随者引入自适应惯性权重平衡算法的全局搜索和局部寻优能力;最后对于个体进行逐维随机差分变异,减少维间干扰,提高了种群的多样性.仿真实验结果表明改进的樽海鞘群算法在均值、标准差和收敛曲线优于标准樽海鞘群算法和其他改进算法,说明改进后的算法提高了寻优性能,有较高的求解精度和较快的收敛速度.     

一种混合改进的鸡群优化算法

摘要：针对鸡群算法（CSO）易陷入局部最优和出现早熟收敛的缺陷,提出了一种混合改进的鸡群优化算法（OBSA-CSO）。算法通过采用反向学习对种群进行初始化,同时对越界个体进行边界变异操作保证了算法的种群多样性并利于算法的全局搜索;在寻优过程中对母鸡采用新的位置更新公式,并对最优个体采用改进退温函数的模拟退火扰动,通过Metropolis准则进行择优的方式有效的提高了算法的寻优精度和收敛速度。通过对7个测试函数在固定迭代次数和固定寻优精度条件下的实验表明,改进后的算法相较于传统鸡群算法具有较好的寻优精度和收敛速度。