一种采用聚类单纯形搜索的引力算法

提出了一种基于聚类和单纯形法的中心引力优化算法,该算法引入了一种聚类单纯形算子,利用聚类方法选择合适的个体以构成单纯形的顶点,周期性地把单纯形算子搜索得到的最优个体迁移到中心引力算法的种群个体中．依靠聚类单纯形算子提高中心引力算法的局部搜索能力和收敛速度,聚类单纯形算子依靠中心引力算法跳出局部最优．实验结果表明,改进后的算法比其他常见优化算法有更好的收敛精度和收敛速度．     

一种提高局部搜索能力的混合遗传算法

针对遗传算法局部搜索能力弱的缺陷,提出了一种改进的混合遗传算法。根据遗传的不同阶段分为两个不同的群体——竞争群体和适应性群体,提出相关的遗传算子——繁殖因子。将运筹学中的单纯形法应用于遗传算法中,增强了遗传算法的局部搜索能力。对复杂函数的寻优实验验证了混合遗传算法的有效性,并通过与传统SGA的实算结果对比,更进一步说明了算法的改进效果。     

基于随机黑洞和自适应策略的引力搜索算法

针对引力搜索算法过于随机、全局搜索能力差、容易陷入局部最优等问题,提出一种基于随机黑洞策略和自适应策略的改进引力搜索算法。引入比例系数n来自适应调节引力常量,使算法在运算初期加大搜索力度,有效避免算法陷入局部最优。将随机黑洞理论中,粒子在黑洞附近容易被黑洞捕获的现象引入算法中,即在黑洞半径内的粒子将会被黑洞捕获,但又有一定的概率逃逸。这样既提高了局部搜索能力,又不失全局搜索能力,且提高了收敛速度。与标准的搜索算法相比,改进后的引力搜索算法具有较快的收敛特性和较好的优化性能。     

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。     

求解0-1背包问题的改进树种优化算法

针对已有算法在求解0-1背包问题方面的不足,提出了一种改进的树种优化算法.基本树种优化算法中,算法容易早熟,难以搜索到全局最优解.改进算法中树木位置没有更新的迭代数超过某个阈值就会被重新初始化,树种会根据新的树木位置进行进一步搜索,提高了种群的多样性和算法的全局搜索能力.为了提高局部搜索能力,改进算法在计算适应度之前都引入贪婪策略来修复不可行解和对可行解局部优化.对4个测试案例进行仿真实验的数据表明,改进树种优化算法比其他4种算法具有更强的全局搜索能力,更高的稳定性和更快的收敛速度.     

随机选择变异及自适应差分进化算法的研究

为兼顾搜索速度和精度,提高搜索效率,克服不易跳出局部最优的缺点,提出了随机选择变异策略、自适应调整变异率和自适应调整交叉率3种改进设想.利用3种改进设想改进DE算法,得到了7种改进算法,将7种改进算法应用到双容水箱液位模型闭环辨识案例中.结果表明,7种改进算法都提高了跳出局部最优的能力,综合比较可知,3种改进设想同时应用的改进算法性能最优.     

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.     

基于改进粒子群算法的输电网扩展规划

输电网扩展规划是一个非常复杂的大规模组合优化问题,提出了一种改进粒子群算法求解此类优化问题。该算法针对传统的粒子群算法存在的缺点,对粒子群迭代行动策略、初始化策略以及惯性权重的调整进行了改进,并将单纯形法引入到算法中,弥补算法容易陷入局部最优的缺点,提高了粒子群算法的搜索效率,使其更适用于输电网扩展规划。将其应用到Garver-6节点系统和一个18节点系统,计算结果证明该算法的可行性和有效性。     

基于引力搜索算法的非线性系统辨识

针对传统辨识方法辨识非线性系统时存在的辨识精度低、收敛速度慢等问题,引入了一种基于混合引力搜索算法的非线性系统辨识方法。该混合优化算法是将粒子群算法中群体历史最优位置及自身历史最优位置的概念引入到引力搜索算法中,通过帮助粒子接近最优位置,改进了搜索算法中粒子的全局搜索能力,使得该混合算法的开采能力和探索能力得到更好的增强和平衡。对Wiener模型进行辨识,比较分析仿真结果,发现混合优化算法能够提高辨识精度并获得良好的辨识效果,验证了该算法的有效性和可行性。     

基于自适应步长的果蝇优化算法

针对固定搜索步长下标准果蝇优化算法(SFOA)寻优速度慢,收敛精度不高,容易陷于局部极值的不足,通过分析果蝇个体生成机制中搜索步长与算法搜索能力的关系,提出了一种基于自适应步长的改进果蝇优化算法(FOABASS),在该算法中搜索步长随种群当前位置、当前优化代数的变化而变化,由此生成的果蝇群体具备较强的全局勘探能力,同时兼顾全局勘探能力和局部开发能力的平衡.最后给出了FOABASS算法和SFOA算法、其它几种改进FOA算法的性能比较,仿真结果表明了该算法的有效性.     

种群规模自适应控制的中心引力优化

在中心引力算法的设计中,较大的种群规模能提高最优解的精度,但会降低个体的搜索空间。针对中心引力算法提出了一种自适应控制种群的中心引力算法,在算法的运行过程中,根据算法的表现使每一代增大或减小种群的规模。将聚类算法和佳点集算法融合到增加\删除算子中,使得算法可以自适应地兼顾有效性和多样性。数值结果表明,新算法在求解精度和收敛速度上不弱于对比算法。     

一种改进的混沌局部搜索的人工蜂群算法

人工蜂群算法具有鲁棒性强、收敛速度快且全局寻优性能优异等优点,但其局部搜索能力不足.为了克服此缺陷,提出了一种改进的混沌局部搜索的人工蜂群算法.新算法在每一代的所有个体的平均值附近利用混沌函数进行局部搜索,然后在搜索到的解和原食物源之间采用贪婪选择的原则确定下一代种群.基于6个标准测试函数的仿真结果表明,本算法能有效地加快收敛速度,提高最优解的精度,其性能优于已有的人工蜂群算法.     

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.     

基于遗传算法与模式搜索的混合优化算法

为了更好地实现全局优化,提出一种遗传模式搜索(Genetic Pattern Search,GPS)算法,该算法结合了遗传算法(GA)的强全局搜索能力与泛化模式搜索算法(PS)的强局部搜索能力.算法流程分为两步:首先是GA与PS联合实现粗搜索;其次是PS实现细搜索.实验对Hump、Powell、Rosenbrock、Schaffer、Woods测试函数进行搜索,表明GPS算法的成功率明显优于改进遗传算法与改进模式搜索算法,可作为一种有效可行的全局优化算法.     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

基于改进非支配排序遗传算法的重载列车长大下坡运行策略

选择合适的制动缓解时机是重载列车长大下坡安全运行的关键,而列车循环制动要综合考虑线路坡度、区间限速、副风缸再充风时间等多种因素,现有的列车驾驶优化算法存在收敛速度慢和局部搜索能力不足等问题。因此,对非支配排序遗传算法（NSGA-II）进行改进,以最短空气制动距离和最高运行效率为优化目标,构建基于INSGA-II（改进NSGA-II）的重载列车长大下坡循环制动优化模型。一方面,采用动态拥挤度和精英保留方式选择个体,同时加入劣质种群自动修复策略,保证解的多样性的同时保留优秀个体;另一方面,在NSGA-II中引入变邻域搜索策略（VNS）,以解决NSGA-II局部搜索能力不足的问题。最后选取朔黄铁路一段长大下坡道实际线路数据,仿真得到最优的工况转换序列,并生成列车驾驶曲线,证明了所提方法的有效性。     

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

基于遗传算法和禁忌搜索算法的混合策略及其应用

为了提高遗传算法的局部搜索能力,根据遗传算法和禁忌搜索算法自身的特点,通过分析2者的优势和不足,提出了一种将2者混合使用的求解优化问题的方法.本算法用遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,得到满意的计算结果.同时,为抑制早熟现象,避免收敛到局部最优点,提出了一种应对策略.实验结果表明,该算法在计算速度和计算结果方面都有改进.     

基于改进PSO算法的6R机器人逆运动学分析

对于有封闭解的6R机器人的逆运动学运算,虽然可采用解析解法、数值解法,但均需要庞大的计算量.此外,对于机械臂逆向运动学问题,经典粒子群(PSO)算法的多次仿真实验中,存在不稳定问题和易陷入局部最优与种群单一的问题.为此,提出一种改进的PSO算法:引入动态权重因子,利用动态权重调整因子结合CMA-ES算法步长更新方法,平...