基于灰狼-鸟群算法的特征权重优化方法

针对特征权重难以准确量化的问题，提出一种基于灰狼优化(grey wolf optimizer, GWO)算法和鸟群算法(bird swarm algorithm, BSA)的混合算法，用于特征权重的寻优。首先，将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成；其次，将改进后的GWO算法位置更新策略融入BSA的觅食行为中，得到一种新的局部搜索策略；然后，将BSA的警觉行为与飞行行为用作混合算法的全局搜索平衡策略，从而得到一种收敛的灰狼-鸟群算法(grey wolf and bird swarm algorithm, GWBSA),通过GWBSA的迭代寻优可获得各特征的权重值。利用标准测试函数和标准分类数据集进行了对比实验，与遗传算法、蚁狮算法等方法相比，GWBSA具有较快的收敛速度且不易陷入局部最优，可以提高模式分类问题的求解质量。     

实时数据下城市高架路短期交通流预测模型

灰狼算法具有容易困于局部最优且收敛精度有缺陷，笔者改进非线性收敛因子，同时利用差分进化策略，得到新的灰狼优化算法。借助基准测试函数进行验证，改进后算法的全局搜索能力和收敛速度强于标准灰狼算法。进一步把改进后的算法应用在城市高架路短期交通流预测，具有较好的可行性，经过比较可知，预测的精度有明显的提升，优化了实时数据下高架路短期交通流预测的计算路径。     

HTS算法与GRNN、SVM耦合模型在径流预测中的应用

为提高水文预测预报精度,基于广义回归神经网络(GRNN)和支持向量机(SVM)构建GRNN_SVM耦合预测模型,利用热量传递搜索(HTS)算法同时优化GRNN、SVM关键参数和耦合权重系数,提出HTS_GRNN_SVM耦合预测模型。采用8个标准测试函数对HTS算法进行仿真验证,并与教学优化(TLBO)算法、灰狼优化(GWO)算法等当前寻优效果较好的几种算法进行对比验证;利用两个径流量预测算例对HTS_GRNN_SVM耦合模型进行实例验证,并与HTS_GRNN、HTS_SVM及GRNN、SVM模型的预测结果进行对比。结果表明:HTS算法的寻优精度优于TLBO、GWO等优化算法,具有较好的收敛速度、求解精度和稳定性; HTS_GRNN_SVM模型融合了HTS算法与GRNN、SVM模型的优点,在预测精度、泛化能力等方面均优于HTS_GRNN等4种模型。     

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.     

基于混合连续蚁群算法的最优潮流研究

提出了基于混合连续蚁群(HCACO)的最优潮流(OPF)计算方法;该方法将蚁群优化算法(ACO)的正反馈特性与实数遗传算法(GA)的进化策略相结合,克服了基本蚁群算法只适用于离散问题的局限性,并提高了寻优的效率,同时采用动态调整罚函数策略,有效提高了算法的全局收敛能力和计算精度,采用优进策略,提高了算法的收敛速度.应用此算法对标准IEEE-30节点测试系统进行最优潮流计算,该算法能够更好地获得全局最优解,仿真结果表明了该算法的合理性和有效性.     

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。     

改进灰狼算法及其在港口泊位调度中的应用

为提升港口泊位调度的效率,提出一种基于改进灰狼算法的船舶调度优化方法.针对灰狼算法收敛速度慢、寻优精度不高等不足,引入Sin混沌初始化,增强初始种群的均匀性和遍历性;引入头狼引领策略,加快算法收敛,提高算法效率;引入合作竞争机制,增强算法局部搜索的能力;在灰狼种群位置更新时引入自适应权值,以满足不同时期的寻优要求.为验证改进灰狼算法的有效性,将该算法与其他6种不同算法进行对比实验.结果表明:改进灰狼算法的收敛速度明显快于其他6种算法,在不同测试函数的仿真中均能得到所求函数的最优值,且该算法独立运行20次取得解的标准差均为0,表明该算法对不同维度的求解问题均具有很好的抗扰性;在港口泊位调度的应用中,经过该算法优化后,所有船舶停留总时间较优化前缩短了14.7%,大幅度缩短了船舶的在港时间.该算法在船舶调度优化中取得了满意的应用效果,能够得出相对较佳的调度方案,实现泊位停靠最优化,为港口泊位调度优化提供了新方法.     

基于天体运动更新机制的改进樽海鞘群算法

为了解决樽海鞘群算法(SSA)在收敛速度和求解精度方面存在的问题,提出了一种改进的樽海鞘群算法。通过在原算法中引入天体运动更新机制来提高算法的收敛速度和收敛精度。用7个常见的测试函数对改进算法进行仿真验证,同时将结果与现有的灰狼算法(GWO)、粒子群算法(PSO)和蚁狮算法(ALO)进行对比。结果表明,引入天体运动更新机制的樽海鞘群算法具有更优的性能,证明了改进方案的有效性。     

一种改进的群搜索优化算法

群搜索优化算法是建立在群居动物觅食行为基础上的新型启发式算法,具有算法简单、易于实现的特点.标准群搜索优化算法(GSO)基于发现-追随的寻优策略,由于追随者搜索模式过于单一,从而容易陷入局部最优.为了提高标准GSO算法的收敛速度与收敛精度,提出一种改进群搜索优化算法(IGSO).在该算法中,发现者保持原有的寻优方式,追随者执行鱼群算法的寻优模式,通过引入鱼群算法的觅食、追尾、聚群与随机行为,使搜索方式多样化,可以同时考虑种群的个体最优与群体最优,从而有效避免陷入局部最优.通过6个基准测试函数对两种算法进行比较,实验结果表明,改进的群搜索优化算法优于标准群搜索优化算法.     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

基于灰狼算法与小波神经网络的目标威胁评估

为了提高目标威胁度评估的精确度,建立反向学习灰狼算法（OGWO）优化小波神经网络的目标威胁评估模型（OGWO-WNN）,提出基于该模型的算法.该模型使用反向学习策略（OBL）优化灰狼算法（GWO）,通过改进后的灰狼算法优化小波神经网络的各权值和小波基函数的平移因子与伸缩因子,使优化后的小波神经网络能够对威胁度测试样本集作更好的预测.实验结果显示,采用反向学习灰狼算法能够更好地优化小波神经网络的权值与平移、伸缩因子,使建立的小波神经网络目标威胁评估模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁评估.     

基于灰狼支持向量机的非等时距滑坡位移预测

以三峡库区白水河滑坡为例,针对滑坡位移监测数据的非等距性和复杂性,结合非等距时间序列分析法、灰狼优化算法（GWO）和支持向量回归机（SVR）模型,提出新型非等距位移时序预测模型.利用自然三次样条插值法对滑坡位移数据进行等时距处理,基于时间序列分析理论将位移数据中的趋势成分和周期成分剥离,采用基于稳健最小二乘法的三次多项式拟合和GWO-SVR耦合模型分别对这两者进行预测,利用时间序列加法模型得到滑坡累计位移的预测值.研究表明,基于灰狼支持向量机的非等时距滑坡位移预测模型不仅预测精度高,预测误差较小,且寻优参数设置简单,计算收敛迅速.     

装配式建筑预制混凝土构件的布局优化

针对预制混凝土构件生产过程中模台利用率低的问题，提出一种高效的构件布局定序和定位优化方法。充分考虑构件生产过程中模台、模具、构件布局尺寸、操作空间等实际约束限制，以构件占用模台总长度最短为目标，建立基于最低水平线排布算法的数学模型；应用改进灰狼算法确定构件排布顺序，通过构件类型、尺寸信息、模台尺寸约束、模具数量约束等对待排构件进行编码，并设置追随系数和自由系数控制灰狼算法的收敛速度和收敛范围，经过多次优化迭代得出最优布局方案。在实证分析中，使用Python编程语言对布局优化模型进行编码，最终表明该方法能在较短时间内取得较好的优化效果，模台利用率显著提高，证明了方法的有效性和可行性。     

基于动态学习和个体淘汰的鲸鱼算法求解订单接受与调度问题

结合订单型企业生产线的实际情况,在传统的订单接受与调度模型的基础上加入因客户优先级而带来的订单拒绝成本这一重要因素,并使用新型的鲸鱼优化算法(WOA)进行求解.WOA被提出是用于求解实数域的问题而且存在容易陷入局部最优的缺陷,针对这一问题提出一种改进的鲸鱼优化算法(IWOA).使用基于排序和偏离度的编码方式用于求解订单...     

带全局-局部最优步长比例因子的布谷鸟搜索算法

布谷鸟搜索算法利用Lévy Flights随机走动和Biased随机走动过程完成全局搜索和局部开发. 针对原始的Lévy Flights随机走动仅采用固定的常数步长因子,介绍了一种使用每一代中个体的全局和局部最优适应值动态设置步长因子的方法,并提出了一种带全局-局部最优步长比例因子的布谷鸟搜索算法. 在测试函数上的运行结果证明,该方法是可行的,且能够全面有效地加强布谷鸟搜索算法的收敛速度和求精能力,其性能总体上比采用固定因子、基于均匀分布随机数或基于贝塔分布随机数比例因子的布谷鸟搜索算法更优.     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

多策略融合的黄金正弦樽海鞘群算法

针对樽海鞘群算法（Salp Swarm Algorithm，SSA）收敛性能差、容易陷入局部最优等问题，提出了多策略融合的黄金正弦樽海鞘群算法（Golden sine Salp Swarm Algorithm with Multi-strategy，MGSSA）.首先采用选择反向学习策略对种群中完全偏离最优个体寻优方向的个体计算选择反向解，改善种群质量；然后在跟随者位置更新阶段加入最优个体和精英均值个体引导，以加快算法收敛速度；最后根据概率选择黄金正弦算法变异策略，进一步改善解的质量，同时便于算法后期跳出局部最优.本研究在14个基准测试函数上进行实验，与其他群智能优化算法和其他改进樽海鞘群算法对比，将其应用于拉压弹簧设计问题测试解决工程优化问题的性能.结果表明：MGSSA具有较高的收敛精度和稳定性，在求解工程问题时性能良好.