改进和声搜索算法及其在连续函数优化中的应用

针对一般和声搜索(HS)算法在求解连续函数优化问题时存在的困难,提出一种改进的多样化和声搜索(IDHS)算法。该算法借鉴模拟退火算法的思想对参数的更新方式作出调整,并且限制保存在和声记忆矩阵中的一致和声的数量以增加解的多样性。数值仿真结果表明,与其他几种传统的和声搜索算法相比,该方法进一步提高了计算精度和收敛速度,以及全局寻优能力。     

求解大规模系统可靠性问题的修正和声搜索算法

针对大规模系统可靠性问题, 提出一种修正和声搜索(MHS) 算法. 该算法修改了和声搜索(HS) 算法的搜索机制, 以当前最优解为研究对象, 随机选取不同维数进行即兴创作, 并修正步长(BW) 的调整方式, 均衡算法的全局搜索和局部搜索. 对经典的大规模系统可靠性问题进行求解, 数值结果表明, 所提出算法优于其他文献中的6 种和声搜索算法. 与最近提出的求解此类问题的各种算法进行实验对比, 实验结果表明所提出算法在整体上具有良好的优化性能.

     

一种求解高维复杂优化问题的动态自适应和声搜索算法

为了更好地提高求解高维复杂优化问题的能力,提出一种动态自适应和声搜索(DSHS)算法。该算法采用正交试验来设计算法的初始化和声记忆库;利用多维动态自适应调整算子和单维和声微调算子相结合的策略进行和声创作;改进和声音调调解步长,从而增强算法的扰动能力,避免其陷入局部搜索。通过6个标准Benchmark函数测试表明,该算法在全局搜索能力、收敛速度和稳定性方面都有明显提高。     

和声搜索-分布估计混合算法求解多目标优化问题

针对和声搜索算法不能很好地求解多目标优化问题的缺陷,提出一种多目标和声搜索—分布估计混合算法(MHS-EDA)。该算法一方面利用分布估计的采样操作对和声记忆库内进行搜索,拓宽了和声记忆库内空间;另一方面对和声记忆库外进行外部档案搜索,实现群体间信息交换,从而提高了多目标和声算法的全局搜索能力。数值实验选取六个常用测试函数,并与多目标遗传算法、多目标分布估计算法、多目标和声搜索算法进行比较,测试结果表明提出的混合算法能够有效地解决多目标优化问题。     

全局和声搜索方法及其在仿人灵巧臂逆运动学求解中的应用

仿人灵巧臂逆运动学(IK)问题可转化为等效的最小化问题,并采用数值优化方法求解.和声搜索(HS)是模拟乐师在音乐演奏中调整音调现象的一种启发式搜索方法,目前还尚未在机器人机械臂逆运动学问题中得到应用.本文提出一种基于粒子群体智能的全局和声搜索方法(GHSA),该方法在和声搜索算法中引入微粒群操作(PSO),采用粒子群策略替代常规和声搜索算法中的搜索法则创作新和声,通过粒子自身认知和群体知识更新和声变量位置信息平衡算法对解空间全局探索与局部开发间能力;同时算法还引入变异操作增强算法跳出局部最优解能力,基准函数测试表明该方法改善了全局搜索能力及求解可靠性.在此基础上以七自由度(7-DOF)冗余仿人灵巧臂为例,考虑以灵巧臂末端位姿误差和“舒适度”指标构建适应度函数并采用GHSA算法求解其逆运动学(IK)问题,数值仿真结果表明了该方法是解决仿人灵巧臂逆运动学问题的一种有效方法.     

一种新的智能优化及其改进研究

研究了一种新的进化算法-和声搜索(HS)算法,针对其在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出一种改进的和声搜索算法,算法在保留和声搜索的搜索机理的同时,把混合蛙跳算法中的局部搜索策略引入其中,维持了和声库的多样性,从而提高了对复杂问题的搜索效率.与同类算法相比,本文提出的和声搜索算法全局搜索能力强,收敛速度快,数值实验结果验证了算法的有效性和鲁棒性.     

全局竞争和声搜索算法

提出一种全局竞争和声搜索(GCHS) 算法, 给出随机局部平均和声和全局平均和声的概念, 建立竞争搜索机制, 实现每次迭代产生两个和声向量并进行竞争选择. 设计自适应全局调整和局部学习策略, 平衡算法的局部搜索和全局搜索, 详细分析参数HMS、HMCR和PAR对算法优化性能的影响. 数值结果表明, GCHS 算法在精度、收敛速度和鲁棒性方面比和声搜索算法及最近文献中提出的7 种优秀改进和声搜索算法要好.

     

反向学习全局和声搜索算法

提出一种反向学习全局和声搜索(OLGHS)算法.基于反向学习技术初始化和声记忆库,提高初始和声向量的质量;通过当前最差和声向当前最优和声学习进化,提高算法的全局搜索性能;通过其他和声向量之间不断回溯交互的随机学习策略,提高算法局部搜索性能;用由两种不同学习策略随机交叉动态产生的新和声与反向和声二者较优的个体更新和声记忆库,提高算法的搜索性能.将OLGHS算法与其他启发式优化算法以及目前文献中较优的改进HS算法进行性能测试,测试结果表明OLGHS算法具有较高的寻优精度和较快的收敛速度.     

基于和声退火算法的多维函数优化*

在研究和声搜索对多维函数优化问题的基础上,结合传统的模拟退火算法,提出一种混合优化算法——和声退火算法。该算法改进了和声的搜索机制,选取合理的取值概率HMCR以及动态的微调概率PAR,在和声记忆库内随机搜索,获得较高质量的新和声;然后对新和声执行一次Metropolis算法,从而增强了全局探索能力,减小了陷入局部极小值的机会。仿真实验数据表明,算法明显优于和声搜索和模拟退火算法,具有较高的求解质量和效率。     

基于HS-PSO算法的PID控制器参数自整定

针对粒子群算法(PSO)算法局部搜索能力差的问题,提出一种对PID控制器参数进行自整定的基于和声搜索(HS)的改进粒子群优化算法(HS-PSO).通过引入种群进程因子对惯性权重进行自适应调节以提高PSO算法的收敛速度.另外在PSO进化过程中每代产生的最优个体以新陈代谢方式进入和声记忆库中并进行和声搜索,以克服粒子群优化...     

基于离散和声搜索与模拟退火的混合算法

和声搜索是一种启发式优化算法,对和声搜索算法进行离散化,使其能够适用于组合优化问题,就离散和声搜索算法进行两点改进,针对离散和声搜索算法容易陷入局部最优的缺陷,提出一种离散和声搜索与模拟退火算法的混合策略。实验结果表明,基于改进离散和声搜索与模拟退火的混合算法具有较高的求解质量。     

VARIANCE-BASED HARMONY SEARCH ALGORITHM FOR UNIMODAL AND MULTIMODAL OPTIMIZATION PROBLEMS WITH APPLICATION TO CLUSTERING

This article presents a novel variance-based harmony search algorithm (VHS) for solving optimization problems. VHS incorporates the concepts borrowed from the invasive weed optimization technique to improve the performance of the harmony search algorithm (HS). This eliminates the main problem of constant parameter setting in the algorithm proposed recently and named as explorative HS. It uses the variance of a current population as well as presents a solution vector to improvise the harmony memory. In addition, the dynamic pitch adjustment operator is used to avoid solution oscillation. The proposed algorithm is evaluated on 14 standard benchmark functions of various characteristics. The performance of the proposed algorithm is investigated and compared with classical HS, an improved version of HS, the global best HS, self-adaptive HS, explorative HS, and the recently proposed state-of-art gravitational search algorithm. Experimental results reveal that the proposed algorithm outperforms the above-mentioned approaches. The effects of scalability, noise, harmony memory size, and harmony memory consideration rate have also been investigated with the proposed algorithm. The proposed algorithm is then employed for a data clustering problem. Four real-life datasets selected from the UCI machine learning repository have been used. The results indicate that the VHS-based clustering outperforms the existing well-known clustering algorithms.     

和声搜索算法探索能力研究及其修正

和声搜索算法(harmony search,HS)的一大缺点是它容易陷入局部最优.针对此缺点,深入研究了近期文献中所提出的步长(bw)调整方法.首先具体分析了和声搜索算法即兴创作过程的探索能力,而后推导出在不对称区间下即兴创作过程的探索能力与各参数的关系,并进一步讨论了bw对探索能力和算法收敛的影响,证明了方差期望和均值期望所组成的迭代方程的迭代收敛充分性.基于这些分析和证明,提出一种修正和声搜索算法(modified harmony search,MHS),并分析了参数和声记忆库大小(harmony memory size,HMS)、基音调整概率(pitch adjusting rate,PAR)及和声记忆库的考虑概率(harmony memory considering rate,HMCR)对MHS优化性能的影响.数值仿真结果表明MHS算法优于HS及最新文献所报道的8种改进HS算法,具有良好的优化性能.     

基于混沌和声搜索的最优线性协作频谱感知算法

为了进一步提高认知无线电频谱感知的准确性和可靠性,提出一种基于混沌和声搜索(CHS)的最优线性协作频谱感知算法。该算法基于能量检测的线性加权协作频谱感知模型,利用和声搜索(HS)算法本身的优化能力和混沌映射的遍历性、随机性等特点,通过求解最优权值的方法,提高频谱感知的性能。仿真实验结果表明,CHS算法的优化性能和收敛速度均优于传统的HS算法,基于CHS的最优线性协作频谱感知算法能够找到最优的权值,从而提高了复杂通信环境下的检测概率;并且在相同的虚警概率下,所提算法性能优于基于修正偏差因子的协作频谱感知算法。     

和声搜索算法优化多时间窗多式联运运输方案

针对多式联运运输路径上运输方式选择问题,考虑运输网络中多个节点存在服务时间窗的限制,建立了多个中间节点带软时间窗的多式联运运输方案优化模型,设计了一种基于字符编码方式的和声搜索算法,该算法采用新的和声生成方式及微调方式。仿真实例表明,所提算法与贪婪算法相比能获得具有更优运输总成本及不准点时间的运输方案。     

A similarity hybrid harmony search algorithm for the Team Orienteering Problem

The Harmony Search (HS) is a metaheuristic algorithm, which is inspired from the composition of music harmonies. The functionality and flexibility of HS contribute to the development of successful methodologies for different kind of scientific problems. The aim of this paper is to propose a variant of the classic HS algorithm in order to provide competitive solutions for the Team Orienteering Problem (TOP). We introduce the Similarity Hybrid Harmony Search (SHHS) algorithm as an alternative and innovative optimization method. The SHHS follows the standard procedure of HS with some modifications and includes a new strategy called “similarity process”. Two versions of the proposed method have been developed, the static version with predefined values for the parameters of the method and the dynamic one with dynamic adjustment of the parameters. The SHHS algorithm is applied to the known benchmark instances of TOP. The dynamic of the algorithm is tested through a complete solution analysis which gives the superiority of the dynamic version compared to the static one. The results of both versions of the proposed algorithm indicate the positive performance against other effective and robust optimization algorithms from the literature.     

改进搜索策略的人工蜂群算法

针对人工蜂群(ABC)算法存在收敛速度慢、收敛精度低的问题,给出一种改进的人工蜂群算法用于数值函数优化问题。在ABC的邻域搜索公式中利用目标函数自适应调整步长,并根据迭代次数非线性减小侦查蜂的搜索范围。改进ABC算法提高了ABC算法的局部搜索能力,能够有效避免早熟收敛。基于6个标准测试函数的仿真实验表明,改进ABC算法的寻优能力有较大提高,对于多个高维多模态函数该算法可取得理论全局最优解。与对比算法相比,该算法具有更高的收敛精度,并且收敛速度更快。     

混沌大洪水算法求解函数优化问题*

针对函数优化问题,提出一种混沌大洪水混合优化算法,该混合算法基于大洪水算法寻优思想和混沌序列的内在随机性、遍历性和规律性特点。算法在Delphi7环境下编程实现,针对几个典型复杂函数进行优化测试,仿真结果表明,混沌大洪水算法是一种简单有效的算法,在运行效率上明显优于其他算法。