改进的菌群算法研究

为了提高菌群寻优算法（ Bacterial Foraging Optimization, BFO）的搜索能力和解决多峰值复杂适应度函数模型避免过早收敛的问题,文中对原始菌群算法进行改进,提出多峰值菌群算法。将寻优过程分成两个时期,前期和原始菌群算法相同,在菌群收敛的后期,加入峰值数目和区间的判断,将区间编号,保证区间内部单峰值;然后在区间内部迭代运行菌群搜索,独立寻优,在多峰值和较复杂模型的情况下进行研究和评估。实验表明,在收敛速度、收敛稳定性和寻找全局最优方面均优于原始菌群算法。     

面向应用的快速多峰寻优算法

工程应用中的多峰寻优问题要求搜索目标函数的多个极值点,现有的多峰优化方法难以直接利用应用问题的先验知识引导算法过程,多峰寻优效率较低。基于粒子群优化算法设计一种面向应用的多峰寻优算法,能有效利用易于获得的先验参数,如峰间分辨率、峰位置精度、峰值个数等实现快速多峰搜索。该算法保持了粒子群算法的简单性并改善了搜索多样性,使其可控地收敛到多个峰值上。将该算法与几种典型的多峰寻优方法进行了对比测试和分析,结果表明,对复杂多峰函数,该算法能以最快的收敛速度实现多峰搜索。     

一种基于细菌趋药行为的量子算法

菌群觅食优化算法具有算法简单、鲁棒性强和具备全局搜索能力的特点。但该算法收敛速度慢,对于多峰函数容易陷入局部最优。为提高菌群优化算法的搜索能力,避免其陷入早熟收敛,提出一种量子菌群算法,将二进制编码的量子进化算法融合到菌群算法中,用量子染色体表示细菌,用量子旋转门实现细菌状态更新。通过标准测试函数对其优化性能进行研究,实验结果表明,该算法无论是对于普通函数还是多峰函数,在收敛速度、收敛稳定性和寻找全局最优方面均优于菌群算法和量子遗传算法。     

自适应分组混沌云模型蛙跳算法求解连续空间优化问题

针对经典混合蛙跳优化算法寻优精度不高和易陷入局部收敛区域的缺点,结合云模型在定性与定量之间相互转换的优良特性,提出一种自适应分组混沌云模型蛙跳算法.通过反向学习机制初始化种群,应用云模型算法对优秀子群组的收敛区域进行局部搜索更优位置,应用混沌理论在收敛区域以外空间探索全局最优位置.典型复杂函数测试表明,所提出的算法能有效找出全局最优解,适用于多峰值函数寻优.     

基于模式搜索法的云模型粒子群算法

针对粒子群算法在多峰寻优中易陷入局部最优、精度低、难以搜寻到较多的极值点等问题,提出一种基于模式搜索法的云模型粒子群算法.首先通过云模型粒子群算法在可行域内进行全局搜索,然后使用模式搜索法对搜索到的较优解进行局部寻优以提高解的精度.仿真测试表明,在保证收敛速度的同时,所提算法的收敛精度和搜索到的极值点数目均得到显著提高.     

贝叶斯博弈多目标进化算法及其收敛性分析

多目标进化算法（MOEAs）主要依靠非支配解排序推动种群搜索Pareto前沿,在种群迭代搜索前期具有较好的全局寻优性能,但进化后期易出现收敛停滞现象,影响算法对于复杂优化问题的全局寻优能力。由此提出了一种基于静态贝叶斯博弈策略的多目标进化算法（SBG-MOEA）,将每个优化目标模拟为一个博弈参与者,以多次迭代中优化目标Pareto优化收敛程度映射为博弈收益,通过损益纳什均衡博弈机制驱动种群的Pareto寻优,理论分析证明了该方法具有全局收敛特性。基准测试函数的优化实验表明,与NSGA-II等经典算法相比,贝叶斯博弈策略有助于增强进化种群全局搜索能力。     

免疫算法的改进

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。尽管免疫系统本身具有许多优良的计算特性,但已有的免疫算法模型却存在着不少缺陷,在已有的免疫算法的基础上,进行合理的改进,在保证群体的多样性性能的同时,加入了促使群体快速持续收敛的操作,并通过实验表明了改进算法具有更好的性能。     

基于免疫量子遗传算法的多峰函数寻优

针对多峰函数优化中的全局及局部寻优问题,提出了一种结合免疫克隆算子的量子遗传算法,给出了实现流程。该算法集量子遗传算法的快速性和免疫克隆算法全局搜索性于一身。它不仅有效克服了量子遗传算法容易陷于局部最优的缺点,也避免了普通免疫克隆算法计算缓慢的缺点。用多峰值函数进行了全局寻优的仿真实验,并与基本遗传算法,量子遗传算法的计算结果进行了比较,结果表明所提算法能以较快的速度搜索到全局最优解,并且其鲁棒性远高于普通量子遗传算法和遗传算法。     

多方法协作免疫进化算法研究

为提高免疫进化算法的全局寻优能力并降低计算复杂度,提出了多方法协作免疫进化算法。对免疫进化算法进行了改进。考虑抗体个体差异性,将抗体种群划分为精英、普通和劣等子群,对其分别执行高斯变异、均匀变异和消亡更新等差别化操作,增强了算法全局搜索能力。模式搜索法的探测和模式移动策略由单步交替改为贪婪下降,加快了算法收敛速度。将模式搜索法作为局部搜索工具嵌入免疫进化流程,同时采用免疫进化信息指导模式搜索法的初始点和参数设置,实现多方法协作优化。采用经典测试函数和某星载电子设备布局优化问题对算法进行了测试,测试结果表明算法寻优能力和收敛速度优于免疫进化算法,计算复杂度有显著下降。     

一种新的混合免疫算法

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。文章针对目前人工免疫算法在收敛于全局最优方面存在的缺陷,提出了一种模拟退火免疫算法,引入Boltzmann退火选择算子,利用模拟退火算法可选择性接受恶化解的特点克服传统免疫算法的缺陷,并通过实验证明了该混合免疫算法的优越性能。     

一种新的多峰值函数优化算法

根据对一元多峰值函数的单调区间的分析,提出了一种新的多峰值函数优化算法——形态分析法。该算法根据给定的精度要求,用有穷个离散点确定一元多峰值函数的形态,进而确定其单调递增区间和单调递减区间,一次搜索就可找出函数的所有局部最优解和全局最优解。用不同的多峰值函数进行了仿真实验,并和相关算法进行了比较,结果表明所提出的算法计算量比其它算法小一个数量级,不存在震荡现象。     

基于光伏阵列模型预测的混合型MPPT研究

阴影条件下光伏阵列的输出特性曲线呈现多峰值特性,现有的在线式MPPT方法的追踪时间长,追踪过程中电压波动大,容易造成阵列失配.为解决这一问题,提出了一种基于模型预测的混合型MPPT算法,将初步寻优过程放入软件中处理,通过“检测—预测—再寻优”的过程完成多峰值情况下的MPPT.建模仿真证明:与现有MPPT方法相比,基于模型预测的混合型MPPT算法能够有效缩短系统的寻优时间,且电压波动更小,适用于阴影条件下光伏阵列的最大功率追踪.     

基于粒子群多峰值MPPT算法的光伏系统研究

局部遮荫时,光伏阵列P-V特性曲线呈现多个峰值点,传统算法难以追踪到最大功率点(MPPT),针对此问题提出了粒子群多峰值MPPT算法,该算法通过粒子群搜索最大功率点处电流,并控制光伏阵列输出电流,从而实现最大功率点跟踪;仿真结果表明粒子群多峰值MPPT算法可以用在光伏并网发电系统中,并且该算法比传统算法收敛速度更快,稳态效果更好。     

多阶段多模型的改进微粒群优化算法

针对微粒群优化算法在解决复杂优化问题时易于出现早熟收敛现象,提出了一种多阶段多模型的改进微粒群优化算法。考虑寻优不同阶段的开发与探测能力需求的差异,算法将寻优过程分成3个阶段,各阶段采用不同的模型进行进化。第一阶段利用标准微粒群优化算法发现局部极值的邻域;第二阶段利用Cognition Only模型快速找到局部极值点,提高寻优效率;第三阶段,提出了一种改进的进化模型,利于粒子快速跳出局部极值点,寻找到全局最优点。4种复杂测试函数的实验结果表明：该算法比标准微粒群优化算法（PSO）和基于不同进化模型的两群优化算法（TSE-PSO）更容易找到全局最优解,相比两群微粒群优化算法,还能在一定程度上提高优化效率。     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。     

基于骑手优化的动态布谷鸟搜索算法

针对传统布谷鸟搜索算法（cuckoo search,CS）对复杂问题收敛精度低、迭代步幅局限性大的特点,提出了基于骑手优化的动态布谷鸟搜索策略（rider optimization cuckoo search,ROCS）。结合骑手优化算法（rider optimization algorithm,ROA）思想,利用多种群在单周期内进行多策略寻优,动态使用最优策略进行加强搜索,提高算法对复杂问题的收敛效率;同时对Lévy飞行运动进行动态参数调节,改善算法搜索前期及末期表现。仿真测试结果显示,改进算法对复杂问题的优化表现优于比对算法,算法寻优效率得到显著改善。     

混沌映射的禁忌同步随机学习因子粒子群算法

针对粒子群算法初始化个体质量参差不齐,算法后期容易早熟,陷入局部最优值以及后期搜索精度不高、收敛速度缓慢的缺点,本文提出一种基于混沌映射的禁忌同步随机学习因子粒子群算法.利用Logistic映射对算法的粒子种群进行初始化,提高种群个体质量;在算法进入后期搜索寻优时,引入禁忌搜索策略,利用其良好突跳能力,跳出局部最优值,提高算法的全局搜索能力;最后将传统的学习因子通过几个测试函数进行迭代寻优,选取寻优能力突出的区间构建同步随机学习因子,平衡粒子的个体经验和群体经验.将改进的粒子群算法与另外几个智能算法在测试函数上寻优对比验证,仿真实验证明,改进的粒子群算法在寻优能力、收敛速度、搜索精度以及算法的稳定性等性能上,与另外3个智能算法相比都有显著提升.     

基于多种群粒子群优化算法的主动轮廓线模型

主动轮廓线模型凹陷边界点的寻优属于动态优化问题,由于其复杂性,传统方法不能准确搜索到最佳边界点。若采用单一的粒子群优化算法求解,不仅耗时,而且容易陷入局部极值。针对以上问题,提出一种多种群粒子群优化算法,并将其应用于主动轮廓线模型的边界寻优过程中。该算法为每个控制点设置一个种群,各种群之间通过共享信息的方式协作寻优,从而避免采用单一PSO算法容易早熟的缺点,同时扩大了控制点的搜索区域,提高了收敛速度。将改进方法与传统方法进行了对比,实验结果证明了改进方法的有效性。     

基于模拟退火算法的多道逆向蚁群算法

为克服现有蚁群算法运算过程中易出现停滞现象、收敛速度慢等缺点,提出了一种基于模拟退火策略的多道逆向蚁群算法。通过向原始蚁群中引入逆向蚂蚁,并结合模拟退火思想确定蚁群中逆向蚂蚁的数目,来提高算法全局寻优能力。在算法执行过程中一组蚂蚁分成几群并行运算,通过交换策略,有效地利用了当前最优解,提高了算法收敛速度。将该算法应用于旅行商问题的求解,仿真实验结果表明该算法的全局寻优能力和收敛速度都得到了很大改善。     

动态搜索半径的果蝇优化算法

针对传统果蝇优化算法FOA(Fruit Fly Optimization Algorithm)固定搜索半径导致后期局部寻优性能弱、收敛缓慢的问题,提出一种动态搜索半径的果蝇优化算法DSR-FOA(Fruit Fly Optimization Algorithm With Dynamic Search Radius)。该算法前期以较大搜索半径保证全局寻优性能,而后期搜索半径随迭代次数动态递减以保证局部寻优性能,有效地实现算法全局与局部寻优性能的均衡。其次,针对传统果蝇优化算法不适于优化变量的区间设定问题,通过初始搜索半径设定和平移变换等技术提出一种有效的区间限定方法。数值实验结果表明:改进算法具有较好的寻优精度和预测标准差等指标,验证了算法的有效性和可行性。