基于动态参数的人工搜索群算法

人工搜索群算法(Artificial search swarm algorithm,ASSA)是受人类士兵通过信息交流完成目标搜索行为及过程启发而设计的一种仿生智能算法.针对基本人工搜索群算法中固定参数可能导致算法过早陷入局部最优解的缺陷,提出一种动态参数改进人工搜索群算法(Improved artificial search swarm algorithm,IASSA).通过引入全局权重系数改善侦查行为中搜索群的历史经验位置,从而加强全局最优个体对整个种群的引导作用;利用动态协同参数提高士兵协同行为的搜索概率,以加强种群之间局部信息交流;采用动态步长策略提高算法的收敛速度和收敛精度;为了检验改进算法的优化性能,采用15个测试函数进行仿真实验.实验结果表明,所提出的改进算法可有效避免早熟现象,在收敛速度和收敛精度上较基本人工搜索群算法和若干同类优化算法有显著提高.     

基于差分演化与猫群算法融合的群体智能算法

提出一种基于差分演化与猫群算法融合的群体智能算法。该算法基于猫群算法的两种行为模式,引进差分演化的思想,根据分组率随机把群体分成两个种群,一个种群执行猫群算法搜寻模式,另一种群执行差分变异模式,算法采用一种信息共享机制,使两个种群在搜索最优解时可以实现协同进化,信息交流。既实现了不同进化模式间的优势互补,又可以增加种群的多样性。对5个基准函数进行仿真实验并分别与DE和CSO进行比较,表明混合算法同时具有全局搜索和局部搜索最优解性能,收敛速度快,计算精度高,更适合用于求解高维复杂函数。     

云模型猫群优化算法的矢量量化码书设计研究

针对标准猫群算法在矢量量化码书设计中收敛速度慢及易陷入局部最优的缺点,将标准猫群优化算法和云模型相结合,提出了一种基于云模型猫群算法。通过运用云发生器建立猫个体变异程度和适应值大小的关系,实现猫群搜索的自适应调节,从而增强种群多样性、提高收敛速度,避免局部最优。仿真实验证明,改进的算法较其他同类型算法在收敛性、类间离散度和矢量量化不均匀度等方面有较大的提升。     

离散猫群优化算法求解带交货期的FJSP问题

针对带交货期的柔性作业车间调度问题(flexible job shop scheduling problem,FJSP),提出一种离散猫群优化算法(discrete cat swarm optimization,DCSO),以优化工件最大完工时间和平均提前/拖期时间.首先,设计一种两段式离散编码方式,用于表示调度解,并采用启发式算法实现种群初始化;其次,为了使算法能够直接在离散调度空间内运行,在搜寻模式下设计基于3种不同邻域结构的搜寻方法,并在跟踪模式下提出一种新型离散个体更新公式;再次,采用线性自适应猫群行为模式选择策略,协调算法全局搜索和局部搜索的能力;最后,为了进一步改善计算结果,在算法中嵌入一种局部搜索策略.通过基准算例测试DCSO算法的性能,仿真结果表明所提DCSO算法在求解FJSP问题方面的有效性.     

基于动态邻居和变异因子的多目标粒子群算法*

为了克服粒子群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解)和收敛速度较慢的缺陷,提出一种合并帕累托占优概念到动态邻居和变异因子的粒子群算法(particle swarm optimizer based on dynamic neighbor topology and mutation operator,DNMPSO)来处理多目标优化问题(DNMMOPSO),该算法也合并了外部存档技术来存储每次迭代产生的非劣解。模拟结果表明,提出的算法在多目标检测问题上要优于其他算法     

基于分组和IGSA的并行密度聚类算法

针对并行密度聚类算法在处理大数据集时存在伸缩困难、参数寻优能力不佳、并行化效率较低等问题,提出一种基于分组和重力搜索优化算法(improve gravitational search algorithm,IGSA)的并行密度聚类算法(densi-ty-based clustering algorithm based on groups and improve gravitational search,MR-GDBIGS).首先,该算法设计了基于图形的分组策略(grouping strategy based on pattern,GSP)来有效划分数据,加速邻域搜索,解决了处理大数据集时伸缩困难的问题;其次,在局部聚类中提出基于位置更新函数(position update function,PUF)的重力搜索优化算法,动态寻找局部聚类中的最优参数,提升了局部聚类的效果;最后,提出基于覆盖树的并行局部簇合并策略(cluster merging strategy by using MapReduce,MR-CTMC),在实现局部簇并行化合并的同时加快了合并局部簇的收敛速度,提升了算法整体的并行化效率.实验结果表明,MR-GDBIGS算法在处理大数据时的聚类效果更佳,且并行化性能更好.     

基于改进的Tent混沌万有引力搜索算法

万有引力搜索算法(gravitational search algorithm,GSA)相比于传统的优化算法具有收敛速度快、开拓性能强等特点,但GSA易陷入早熟收敛和局部最优,搜索能力较弱.为此,提出一种基于改进的Tent混沌万有引力搜索算法(gravitational search algorithm based on improved tent chaos,ITC-GSA).首先,改进Tent混沌映射来初始化种群,利用Tent混沌序列随机性、遍历性和规律性的特性使得初始种群随机性和遍历性在可行域内,具有加强算法的全局搜索能力;其次,引入引力常数G的动态调整策略提高算法的收敛速度和收敛精度;再次,设计成熟度指标判断种群成熟度,并使用Tent混沌搜索有效抑制算法早熟收敛,帮助种群跳出局部最优;最后,对10个基准函数进行仿真实验,结果表明所提算法能够有效克服GSA易陷入早熟收敛和局部最优的缺点,提高算法的收敛速度和寻优精度.     

融合混沌映射和二次插值的自适应鲸鱼优化算法

针对鲸鱼优化算法(whale optimization algorithm, WOA)易陷入局部最优，收敛速度慢和寻优精度低等问题，提出一种融合混沌映射和二次插值的自适应鲸鱼优化算法(adaptive whale optimization algorithm based on chaotic mapping and quadratic interpolation, CQAWOA)。引入混沌映射在初始化阶段生成新种群，实现种群多样性；设计自适应权重，提高算法全局搜索和局部寻优能力并加快收敛速度；利用二次插值策略生成新的鲸鱼个体，采用贪婪策略更新局部最优解，提高种群计算的精度。通过15个基准函数将改进算法与其它优化算法进行对比测试，测试结果验证了在求解过程中，改进算法寻优速度和求解精度均存在显著提升。     

基于禁忌搜索的人工蜂群算法及其应用

人工蜂群算法(artificial bee colony algorithm,ABC)是一种简单有效的群智能算法,通过蜜蜂之间的相互合作寻找最优解.禁忌搜索算法(tabu search algorithm,TS)是人工智能与局部邻域搜索算法的结合,具有非常好的全局寻优能力.为了提高ABC的搜索效率和全局寻优能力,结合TS,在ABC中增加一个禁忌表,提出了一种基于禁忌搜索的人工蜂群算法(artificial bee colony algorithm based on tabu search,TSABC).通过对10个常用的标准测试函数进行实验,对TSABC算法进行了验证,并将其应用于图像边缘检测中.实验结果表明,TSABC取得了较好的优化效果,提高了寻优精度和收敛速度,边缘检测结果也更理想.     

一种基于区域局部搜索的NSGA II算法

针对局部搜索类非支配排序遗传算法 (Nondominated sorting genetic algorithms, NSGA II)计算量大的问题, 提出一种基于区域局部搜索的NSGA II算法(NSGA II based on regional local search, NSGA II-RLS). 首先对当前所有种群进行非支配排序, 根据排序结果获得交界点和稀疏点, 将其定义为交界区域和稀疏区域中心; 其次, 围绕交界点和稀疏点进行局部搜索. 在局部搜索过程中, 同时采用极限优化策略和随机搜索策略以提高解的质量和收敛速度, 并设计自适应参数动态调节局部搜索范围. 通过ZDT和DTLZ系列基准函数对NSGA II-RLS算法进行验证, 并将结果与其他局部搜索类算法进行对比, 实验结果表明NSGA II-RLS算法在较短时间内收敛速度和解的质量方面均优于所对比算法.