改进麻雀搜索算法的轮毂减速器优化设计

针对麻雀搜索算法(SSA)存在开发能力较差,在接近全局最优时,种群多样性减少,易陷入局部最优解等问题,提出一种改进的麻雀搜索算法(ISSA)。该算法引进粒子共生机制、Levy飞行机制,利用当前个体来平衡个体只由历史最优个体和全局最优个体引导三种策略,和其他4个算法对12个基准函数进行仿真实验,实验表明ISSA提高了全局最优搜索能力、避免算法陷入局部最优,基于体积和效率建立轮毂减速器多目标优化模型,优化后减速器在保证效率不变的情况下体积降低53.44%。     

基于种群多样性的自适应乌鸦搜索算法

针对原始乌鸦搜索算法对种群多样性控制不强、个体位置更新方式单一、局部搜索精细度不高等缺点,提出新的自适应乌鸦搜索算法.设计多种搜索引导个体,基于进化不同阶段的种群多样性,实现搜索引导个体的自适应选择策略,使算法在迭代前期加强全局勘探,在迭代后期强化局部开发.结合正余弦搜索理念,构建基于线性递减、混合正余弦震荡递减的多种飞行长度控制参数及相应的多种搜索方式,提升算法的搜索遍历性,增加算法在迭代后期找到更优解的概率.为了验证新算法的有效性,通过标准测试函数,将新算法与原始乌鸦搜索算法、改进乌鸦搜索算法和其他优秀的智能优化算法进行仿真实验,比较分析各算法的收敛精度、收敛速度、稳定性、Wilcoxon符号秩检验和Friedman检验.实验结果表明,新算法的性能优于其他比较算法的性能,新算法实现了全局勘探和局部开发、收敛精度和收敛速度的平衡.     

多策略改进麻雀搜索算法优化三维DV-Hop节点定位

为进一步提升传统3DDV-Hop算法的定位精度和稳定性,提出了一种利用多策略改进麻雀搜索算法（MISSA）优化3DDV-Hop的定位算法（MISSA-3DDV-Hop）。首先,采用通信半径分级方法细化多通信半径定位节点的跳数值,提高了最小跳数计算的准确性。然后,利用跳距误差与估计距离误差的加权平均值修正节点间的平均跳距,降低了信标节点与未知节点之间的距离估算误差。最后,采用麻雀搜索算法实现3DDV-Hop算法未知节点的位置寻优,并引入佳点集和发现者-跟随者自适应调整策略,通过建立误差适应度函数和目标函数,增强麻雀搜索算法初始种群的分布性和多样性以及全局收敛速度和局部寻优能力。仿真结果表明,与传统3DDV-Hop、IPSO-3DDV-Hop和IGA-3DDV-Hop算法相比,本文方法具有更高的定位精度,更好的稳定性和更快的收敛速度。     

基于混合量子麻雀算法的过热汽温模型参数辨识

建立高精度的过热汽温模型便于控制器的设计和参数整定，从而提升汽温的控制品质。首先针对传统的麻雀优化算法在闭环数据驱动辨识中容易陷入局部最优，收敛速度慢的问题，提出了一种混合量子行为的麻雀优化算法(QSSA)。该算法在基本麻雀算法迭代一次后采用量子策略对劣势群体进行变异，加强空间搜索能力，提高辨识精度；对于较优势群体引入Lévy随机游走策略，增加种群多样性，克服量子策略迭代后期种群性减少，易陷入局部最优的问题。其次对比多种优化算法在基准函数测试中的优化结果，验证了所提算法的优越性。最后运用某600 MW超临界机组过热汽温的现场运行数据进行模型参数的QSSA辨识，表明了所提算法的有效性，为现场过热汽温控制系统的进一步优化提供了新的途径。     

基于改进适应度函数的麻雀搜索算法路径规划研究

将一种智能优化算法——麻雀搜索算法应用于移动机器人二维路径规划,并对其进行改进以提升寻路效率。基于该算法的实验环境在栅格地图中实现,采用麻雀搜索算法进行路径规划,为了解决该算法在路径规划应用中原本适应度值不佳,种群易受局部最优个体误导的问题,设计并改进了算法的适应度函数,将本代的全局最优种群作为下一代迭代的评价标准,并将适用于路径规划的思想加入到适应度函数中。在模拟场景中进行了寻路仿真实验,实验结果验证了算法改进的合理性和提升程度。     

一种多反向学习的教与学优化算法

针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化（MOTLBO）算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明：非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。     

一种改进的多目标粒子群优化算法

针对多目标粒子群优化算法在迭代过程中收敛速度和多样性方面的不足,提出一种改进的多目标粒子群优化算法(IMOPSO).采用基于栅格和拥挤距离的协同外部档案维护策略,通过更准确地选择收敛性和多样性性能更好的非劣粒子作为全局最优值,加快整个种群的收敛速度;采用分段Logistic混沌映射、外部档案检测机制及修改的粒子速度更新公式,分别在初始化阶段和迭代过程中增强种群的多样性;最后,通过对标准测试函数仿真测试证明了改进后的算法能够快速收敛至Pareto最优前沿并保持较好的多样性.     

基于均分法的小生境遗传算法

为了避免遗传算法种群中个体过早陷入局部最小,在以往随机初始种群的基础上提出一种均分法,使得初始种群随机平均地分为若干个子种群,形成小生境,这样既维持了种群的多样性,也使得种群中的个体不会过早出现早熟现象,更提高了算法的收敛速度.同时采用了自适应技术控制交叉和变异的概率,使得算法能更快速地找到最优解.仿真结果表明,与传统的遗传算法优化RBF网络相比较,新算法的迭代次数更少,精度更高,大大提高了收敛速度.     

进化状态判定与学习策略协同更新的二进制粒子群优化算法

针对二进制粒子群算法存在收敛速度较慢及易早熟的问题,提出一种进化状态判定与学习策略协同更新的二进制粒子群优化算法(ELBPSO),将粒子群迭代过程分为收敛和跳出局部最优两个状态,在进化状态判定的收敛状态阶段采用全信息(Fully informed)学习策略来提高收敛速度,对进化状态判定的跳出局部最优状态阶段采用局部信息(Singly informed)学习策略以维持种群多样性,使算法不易陷入局部最优。实验结果表明:ELBPSO算法具有更好的收敛速度和精度,可以有效平衡收敛与跳出局部最优。     

改进NSGA-Ⅱ的多区域可用输电容量协调决策

在电力市场环境下,合理计算可用输电容量,可以保障交易双方的经济利益.非支配排序精英遗传算法(NSGA-II)在求解多目标优化问题时易早熟,收敛性能差,文中对其进行改进,构建多种群以增强种群之间的竞争优势,并采用多交叉算子交替迭代以增强最优解集中个体的局部搜索能力,使其快速收敛于最优解,为了使多种群中的优势个体更多保留下...     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

求解多峰优化问题的改进布谷鸟算法

布谷鸟算法是一种简便而高效的元启发式算法.然而,布谷鸟算法在求解复杂的多峰优化问题时通常存在易陷入局部最优解的缺点.针对布谷鸟算法的这种缺点,结合神经网络算法和布谷鸟算法的特性,提出一种基于神经网络的布谷鸟算法.该算法的核心思想是借助改进神经网络算法的强大全局搜索能力和动态种群策略来平衡布谷鸟算法的全局搜索能力和局部搜索能力,从而减少布谷鸟算法陷入局部最优的可能性.该算法首先将种群中的个体依照适应度值的优劣进行排序,然后对种群中最好的一半个体通过布谷鸟算法进行优化,对种群中最差的一半个体通过改进的神经网络算法进行优化,最后将所有个体组成一个新的种群,并从中筛选出最优解.采用24个复杂基准测试函数检验所提出算法求解多峰优化问题的性能,并将优化结果与神经网络算法,布谷鸟算法以及一些改进的布谷鸟算法所获取的优化结果相比较.实验结果表明:所提出的算法充分地展现了神经网络算法和布谷鸟算法的优势,其在求解质量,求解效率以及求解稳定性上均显著优于其它算法.     

一种改进的免疫克隆选择算法

针对传统免疫克隆选择算法收敛速度较慢的问题,结合克隆概率和免疫概率的自适应变换、群体灾变算法以及有无记忆库思想,提出了无记忆库的自适应免疫克隆选择算法与有记忆库的自适应免疫克隆选择算法,并将其应用于TSP问题.群体灾变算法的应用便于使算法尽快摆脱迟钝状态,并使算法能够保持抗体多样性.自适应方法的应用使得算法在进化初期有较强的全局搜索能力和较弱的局部搜索能力,随着进化的进行,全局搜索能力逐渐减弱,局部搜索能力逐渐增强,便于找到全局最优点.仿真实验结果表明,与传统的免疫克隆算法相比,该算法有效克服了早熟问题,保持了抗体的多样性,而且收敛速度较快.     

基于聚类和探测精英引导的蜻蜓算法

针对蜻蜓算法（DA）收敛速度慢、收敛精度低、全局搜索能力差等不足,提出新的蜻蜓优化算法. 利用tent混沌初始化种群并对种群进行K-Means++聚类,根据聚类的结果分别对种群个体进行反向学习和高斯变异以增强种群的多样性,提高搜索效率. 引入非线性自适应因子加快收敛速度,使用探测精英引导策略增强算法跳出局部收敛的能力. 引入平方散列探测增加收敛精度. 将该优化算法应用于8个典型复杂函数优化问题,并与原蜻蜓算法,以及其他仿生计算算法对比,实验结果表明该改进算法具有良好的全局收敛性和寻优精度.     

局部维度改进的教与学优化算法

针对原始教与学优化算法局部搜索能力不强和进化后期容易陷入局部最优的问题,提出基于局部维度改进和自学习扰动的教与学优化算法.将局部维度改进融入教和学2个阶段,将个体的高质量维度变量保留到下一代,不断改善低质量维度变量,提高算法的细粒度搜索能力.提出一种混合全局维度改进和局部维度改进的个体更新方式,通过2种改进权重的逐代变化实现算法早期全局搜索和后期局部探测的平衡.在新算法中增加基于个体最优位置和搜索边界信息的自学习阶段,使种群在进化后期仍能向最优解方向搜索,避免算法过早陷入局部最优.基于标准测试函数的仿真结果表明,相比于原始的教与学优化算法和当前其他优秀的改进版本,局部维度改进的教与学优化算法的收敛精度平均提高了10²~10⁵倍,收敛速度平均提高了2~3倍.     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

混合共生生物搜索算法求解置换流水车间调度问题

为了求解置换流水车间调度问题,提出基于共生生物搜索（SOS）算法与局部搜索策略结合的混合共生生物搜索算法. 采用最大排序值的优先规则,处理离散的搜索空间. 在初始化阶段结合NEH启发式算法以提高初始种群的质量. 在优化过程中引入交换变异来改善种群内的多样性,插入-倒转区增加算法跳出局部最优的能力;采用局部搜索策略提升算法的全局探索能力,有效避免了共生生物搜索算法易早熟、后期搜索效率低、易陷入局部最优等缺陷. 通过3个最常用、最专业的标准测试集Carlier、Rec和Taillard对算法性能进行测试. 与其他多种算法进行比较,验证了提出的混合SOS算法的优越性和稳定性.     

基于偏好粒子群算法的移动机器人路径规划

针对粒子群算法收敛速度快,但易陷入局部最优的问题,提出一种基于偏好粒子群算法的移动机器人路径规划方法.在对障碍物环境建模的基础上,根据避障偏好利用粒子群优化算法规划出全局最优路径.为避免搜索过程中算法陷入局部最优,采用深度优先搜索策略,保持了种群的多样性,提高了算法的搜索能力.实验结果表明:该方法能够有效地避开障碍物,并且获得较好的路径规划效果.