疯狂蝙蝠算法的低通FIR滤波器设计

针对处理滤波器设计问题,蝙蝠算法（BA）很容易陷入早熟收敛,提出改进的疯狂蝙蝠算法（CBA）旨在设计低通有限脉冲响应（FIR）滤波器。首先,在频率更新中引入两个随机数来控制全局与局部的平衡;其次,在标准蝙蝠算法中引入疯狂因子,使得蝙蝠算法以一定疯狂概率维持其多样性;最后,在局部搜索时,对算法的响度和脉冲发射率进行动态修正,便于精细搜索。将CBA与其他算法进行比较,仿真结果表明,疯狂蝙蝠算法在应用实例中优于其他算法,且能够有效、稳定用于低通FIR滤波器设计。     

改进蝙蝠算法在模糊层次分析中的应用

为了解决基本蝙蝠算法易发生早熟收敛、求解精度较低等问题,提出并实现了旨在提高群体多样性的改进算法.首先在蝙蝠算法中引入速度权重因子,令其在迭代过程中线性递减;其次在局部新解不满足接受条件时,对蝙蝠位置进行Cauchy分布随机数扰动,并在算法运行中间隔性调用非线性规划函数.改进算法能在寻优过程中保持群体多样性,增强全局搜索和局部搜索能力.标准函数测试及在模糊层次分析中的应用结果表明,改进蝙蝠算法的性能远优于基本蝙蝠算法,具有较好的实用价值.     

基于速度越界处理与最速下降法改进的蝙蝠算法

针对蝙蝠算法(Bat algorithm,BA)易陷入局部极值、精度不高、搜索盲目性大的缺点,在分析蝙蝠算法本身的迭代机制的基础上,提出一种基于速度越界处理与最速下降法改进的蝙蝠算法(VCBA)。利用速度的越界处理控制蝙蝠位置更新的范围;利用最速下降法对BA局部搜索阶段中不好的蝙蝠位置进行更新;对位置较好的蝙蝠在其附近进行扰动;对BA判断局部搜索阶段产生的蝙蝠位置是否满足需求的条件进行改进。选取7个测试问题进行数值实验,结果表明,VCBA在收敛精度和稳定性上比BA有显著提升。     

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbest_i中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明：改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。     

一种基于改进BA算法的K-means聚类

摘要：针对传统BA（蝙蝠）算法易被局部极值吸引、发生过早收敛等问题,将莱维飞行搜索策略引入传统BA算法对蝙蝠的位置和速度更新方式进行改进,从而提高算法的全局搜索能力;通过引入非线性惯性权重平衡算法的全局和局部搜索能力并提高算法搜索精度;结合Limit阈值的思想避免算法过快陷入局部极值。通过对6个标准测试函数的实验表明,改进后的BA算法不仅在全局搜索能力上有所提高,而且具有较好的搜索精度。最后将改进后的BA算法同K-means聚类算法进行结合,提出了一种基于改进BA算法的K-means聚类算法,实验结果表明,改进的算法提高了聚类准确率及算法鲁棒性。     

一种高效的混合蝙蝠算法

针对基本蝙蝠算法存在收敛速度慢,易陷入局部最优,求解精度低等缺陷,提出一种融合局部搜索的混合蝙蝠算法用于求解无约束优化问题。该算法利用混沌序列对蝙蝠的位置和速度进行初始化,为全局搜索的多样性奠定基础;融合Powell搜索以增强算法的局部搜索能力,加快收敛速度;使用变异策略在一定程度上避免算法陷入局部最优。选取几个标准测试函数进行仿真实验,结果表明：与基本蝙蝠算法和粒子群优化算法相比,混合蝙蝠算法具有更好的寻优性能。     

基于改进蝙蝠算法和三次样条插值的机器人路径规划

为更好地解决移动机器人路径规划问题, 改进蝙蝠算法的寻优性能, 拓展其应用领域, 提出了一种具有反向学习和正切随机探索机制的蝙蝠算法. 在全局搜索阶段的位置更新中引入动态扰动系数, 提高算法全局搜索能力; 在局部搜索阶段, 融入正切随机探索机制, 增强算法局部寻优的策略性, 避免算法陷入局部极值. 同时, 加入反向学习选择策略, 进一步平衡蝙蝠种群多样性和算法局部开采能力, 提高算法的收敛精度. 然后, 把改进算法与三次样条插值方法相结合去求解机器人全局路径规划问题, 定义了基于路径结点的编码方式, 构造了绕避障碍求解最短路径的方法和适应度函数. 最后, 在简单和复杂障碍环境下分别对单机器人和多机器人系统进行了路径规划对比实验. 实验结果表明, 改进后算法无论在最优解还是平均解方面都要优于其他几种对比算法, 对于求解机器人全局路径规划问题具有较好的可行性和有效性.     

基于灰狼算法的改进研究

针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点,本文提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法,并且用于求解函数优化问题。提出的一种非线性收敛因子公式,能够动态的调整算法的全局搜索能力,引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数进行验证改进后的算法的全局搜索能力、局部搜索能力与收敛速度,实验结果表明:改进后的算法无论在搜索能力上还是收敛速度上,都强于标准灰狼算法。     

一种求解动态优化问题的免疫文化基因算法

针对传统免疫网络动态优化算法局部寻优能力弱、寻优精度低及易早熟收敛的缺点,提出一种求解动态优化问题的免疫文化基因算法。基于文化基因算法基本框架,将人工免疫网络算法作为全局搜索算法,采用禁忌搜索算法作为局部搜索算子;同时引入柯西变异加强算法的全局搜索能力,并有效防止早熟收敛。通过对经典动态优化函数测试集在相同条件下的实验表明,该免疫文化基因算法相较于其他同类算法具有较好的搜索精度和收敛速度。     

分数阶策略和带有Lévy飞行的螺旋蝙蝠算法

针对蝙蝠算法在求解多峰、复杂非线性问题时,搜索效率降低、易陷入局部最优等不足,提出了一种改进的蝙蝠算法。引入具有短期记忆特性的分数阶策略来更新蝙蝠位置,增加种群多样性,提高了算法收敛速度;用带有Lévy飞行的阿基米德螺旋策略产生局部新解,增强局部开发能力,同时有助于算法跳出局部最优;采用新的非线性动态机制调节响度和脉冲发射率,以平衡算法的探索和开发。选取CEC2014测试集,包括单峰、多峰、混合以及复合函数,对提出的算法和其他群智能算法进行仿真实验,测试结果表明提出的算法搜索效率和求解精度相较于对比算法得到提升,用Friedman统计分析验证了算法的优越性。将提出的算法用于求解机械工程减速器设计问题,与PSO-DE、WCA、APSO进行实验对比,验证该算法的有效性。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

改进的嵌套分割算法及其在节能惰行中的应用

列车运行控制是一个动态复杂系统,节能控制可以归结为ATP曲线上惰行点的寻优问题。针对惰行点寻优,设计了基于嵌套分割的改进算法,将禁忌搜索思想引入抽样算子,将聚类思想引入分割算子,增强嵌套分割的局部搜索能力和反馈机制。惰行点搜索实验表明了改进算法的正确性和可行性。     

多阶段动态扰动和动态惯性权重的布谷鸟算法

针对布谷鸟仿生智能优化算法存在着的易陷入局部最优、求解精度低以及收敛速度慢等问题,提出了基于多阶段动态扰动和动态惯性权重的布谷鸟搜索算法（MACS）。利用多阶段动态扰动策略对布谷鸟算法的全局位置的最优鸟巢位置根据方差可调的正态随机分布进行扰动,有利于增加种群的多样性和鸟窝位置的灵活性,提高算法全局搜索能力。在局部位置处引入动态惯性权重,使得算法有效克服易陷入局部最优的缺陷,提高局部寻优搜索能力。引入了动态切换概率[p]代替固定概率,可以动态平衡全局搜索和局部搜索。通过与4种算法相比和11个测试函数的仿真结果表明：改进布谷鸟算法（MACS）的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

装备精确保障任务规划建模与混沌蝙蝠算法求解

针对装备精确保障任务规划中任务时序逻辑约束和资源占用冲突等问题,建立以时效优先为目标的数学模型,提出基于多维动态列表规划和混沌蝙蝠算法的混合任务规划方法.通过多维动态列表规划选择处理的任务,设计具有自适应搜索策略和变异操作的离散混沌蝙蝠算法,为选定的任务分配资源.全局搜索中自适应调整惯性权重和学习因子以达到探索与开发能力的最佳平衡,局部搜索中采用混沌变异操作以协助种群跳出局部最优.仿真算例表明,所提出算法具有较快的收敛速度和较高的求解精度.     

粒子群优化鱼群算法及其在光伏系统最大功率点跟踪中的应用

将标准粒子群优化算法中的速度惯性、粒子个体的记忆因素和粒子间学习交流因素等几个特征引入人工鱼群算法,提出了粒子群优化鱼群算法。在新算法中,鱼群的游动具有了速度惯性的特征,并且其行为模式被扩充为追尾、聚群、记忆、交流以及觅食。通过仿真分析,验证了粒子群优化鱼群算法比两种基本算法具有更快的收敛速度和更高的寻优精度,且性能稳定。最后将所提出的粒子群优化鱼群算法应用于局部遮阴情况下的光伏发电系统最大功率点跟踪,实验表明,该算法可以在很短时间内以很高精度寻得不均匀光照系统的最大功率点。     

多智能体蝙蝠算法在无线传感器中的应用

针对无线传感器网络(WSNs)节点的定位误差较大的问题,提出了一种新的具有局部搜索能力强的多智能体蝙蝠算法.改进算法中对寻优蝙蝠个体融入多智能体技术,通过邻域竞争合作算子以及自学习过程提高了算法全局搜索能力,避免算法陷入局部最优,加快算法的收敛速度.通过对标准测试函数的仿真,改进算法相比于其他算法,寻优精度和进化效率得到了较大的提高.随后采用多智能体蝙蝠算法求解无线传感节点定位问题,仿真结果表明改进算法减少了测距误差对定位精度的影响,提高了未知节点定位的精度,为无线传感网络节点定位的实际应用提供理论参考.     

自适应多普勒补偿与变异选择的蝙蝠算法

为克服蝙蝠算法在高维优化问题上求解精度低和早熟收敛的缺点,提出一种改进的蝙蝠算法。首先根据蝙蝠相对猎物距离的远近程度,对频率引入自适应多普勒补偿策略,并结合速度偏移机制修正飞行方向,产生靠近最优个体的新位置;其次对最优个体构造自适应变异选择策略,先利用柯西变异产生的较大步长摆脱局部极值的束缚,后利用高斯变异产生的较小步长精细搜寻最优区域;最后通过调整响度和脉冲发射率,平衡算法的全局探索和局部开发能力。从理论上分析了算法的收敛性和运算复杂性,对12个标准函数在不同维度下进行仿真实验,并与近年来其他蝙蝠算法进行比较,结果表明改进的算法在求解高维优化问题上具有较优的收敛速度和精度。     

协同智能的蝙蝠差分混合算法

为解决差分进化算法后期收敛易陷入局部最优和早熟收敛的问题,提出一种群体智能优化算法,即协同智能的蝙蝠差分混合算法。利用蝙蝠个体脉冲回声定位的特点,与差分种群相互协作,在当前最优解gbest附近进行一次详细搜索,有效增加种群的多样性,跳出局部最优。通过蝙蝠种群和差分种群两个种群的相互协作,较好平衡全局搜索和局部开发之间的能力。为验证算法有效性,选用9个常用的基准测试函数和5个0-1背包问题,与标准粒子群算法、带高斯扰动的粒子群算法、蝙蝠算法、差分算法、烟花算法相对比,仿真实验表明,所提算法总体性能优于其它5种算法。     

基于越界重置和高斯变异的蝙蝠优化算法

针对蝙蝠算法个体越界、易早熟收敛的问题，提出一种基于越界重置和高斯变异的蝙蝠优化算法。新算法将飞越解空间边界的个体拉回解空间内，利用越界重置策略重新分配位置。通过高斯变异策略控制个体的搜索范围，使种群以最优解为中心向四周呈放射状搜索，增强了算法的局部搜索和全局寻优能力。蝙蝠算法在靠近目标解时响度和脉冲发射频率更新不协调，影响了算法的持续进化能力,通过线性渐变策略保证响度和脉冲发射频率的变化与算法持续进化相适应。研究了在解空间不同位置关系的情况下新算法和对比算法的优化能力，并结合实验数据对算法收敛稳定性进行分析。实验结果表明，提出的新算法具有较好的收敛速度和精度，其全局寻优能力和高维问题优化能力体现了很好的鲁棒性。     

改进蝙蝠算法柔性作业车间调度问题研究

针对柔性作业车间调度问题,提出了一种改进的离散蝙蝠算法。该算法采用双层编码序列方式,利用均衡机器负载分配策略和插入式解码方案初始化种群,同时设计了离散蝙蝠算法的速度、位置更新的相关算子和操作,引入了平衡调整因子改善算法搜索能力。通过案例测试并与其他算法比较,验证了改进的离散蝙蝠算法可以有效地求解柔性作业车间调度问题,并具有较高的精确度。