基于一种新的基因操作策略的改进遗传算法

提出一种新的基因操作策略,该策略利用单纯形法的思想产生新样本,将遗传算法寻优的随机性与传统算法寻优的方向性有机地结合在一起.仿真结果表明,将改进的遗传算法用于训练神经网络辨识器,可提高收敛速度和模型拟合精度.     

一种改进的蝙蝠算法

为了增强蝙蝠算法的全局寻优能力,提出一种新的全局"寻优策略",将蝙蝠个体历史最优引入到蝙蝠个体寻优策略中,并引入一种"指引"方向指导蝙蝠个体全局寻优。蝙蝠个体每次迭代后将执行"优胜劣汰"的策略,随机初始化一些蝙蝠个体取代那些适应度值较低的个体,增加种群多样性以防止陷入局部极值。选取UCI中的Iris,Wine,Sonar数据集用来聚类测试,实验结果表明:与原始蝙蝠算法、差分进化算法、粒子群算法相比,改进的蝙蝠算法能够得到更高的聚类准确率,鲁棒性更强。     

自适应多策略花朵授粉算法

针对花朵授粉算法极易陷入局部最优解且寻优精度不高的问题,提出自适应多策略花朵授粉算法(self-adaptive flower pollination algorithm with multiple strategies,SMFPA)。利用锚点策略提高种群的多样性,采用摄动策略改善全局勘探能力,采用局部搜索增强策略提升其开采最优解的能力。为验证SMFPA的性能,比较5种算法在解决12个测试问题上的寻优结果,实验结果表明,在寻优速度以及寻优精度方面,SMFPA算法表现更优。通过比较算法在管柱设计问题上的寻优结果,进一步评估SMFPA的寻优性能。     

混合粒子群-蝴蝶算法的WSN节点部署研究

针对无线传感器网络WSN节点在随机部署时存在分布不均匀、覆盖率低等问题,提出一种混合粒子群-蝴蝶算法HPSBA的节点覆盖优化策略。设计了Logistic映射和自适应调节策略来控制参数值,提高了混合算法的寻优速度、收敛精度和全局搜索能力。将HPSBA用于对4种基准函数进行寻优测试,仿真结果表明：对于测试函数的寻优,HPSBA具有寻优精度较高、寻优速度较快和稳定性较好的特点。最后,将HPSBA用于WSN节点部署优化,并与PSO算法、BOA和IGWO算法等其他6种典型算法的部署优化进行对比,实验结果表明：HPSBA优化部署的覆盖率更高,能有效降低节点的冗余度,延长WSN的生存时间。     

自适应变异粒子群优化算法及在新冠肺炎疫情传播预测中的应用

为克服粒子群算法容易陷入局部最优和全局寻优精度不高的缺点,通过对算法的局部寻优和全局寻优的特点进行分析,首先使用正态分布衰减策略改进惯性权重;同时基于算法运行的时间自适应采用不同的基于高斯分布及柯西分布的变异优化策略,解决全局搜索和局部开发能力的不平衡问题,实现了局部寻优和全局寻优的双重优化,满足了提高寻优速度和寻优精度的目的.为验证算法有效性及实用性,将改进算法用于预测新冠肺炎疫情传播情况.选取100天新冠肺炎疫情每日新确诊人数的数据,利用算法优化前馈神经网络的参数,使训练好的神经网络模型预测新冠肺炎疫情的性能提升.实验部分首先使用测试函数将改进的算法与其它五种算法进行对比,验证算法的良好性能,最后应用到神经网络完成新冠肺炎疫情传播预测.     

基于优进策略的新差分进化算法动力学模型参数的估计

为准确估计反应动力学参数,针对标准差分进化算法(DEA)全局寻优效率偏低的弱点,提出一种优进策略的差分进化算法(EDEA).它将确定性寻优的单纯形(SM)算子引入随机的DEA中.DEA将依概率调用SM寻优操作,测试结果表明,EDEA克服了DEA的缺点,比其它方法全局寻优性能好.该法成功的用于重油热解三集总动力学复杂数学模型的非线性参数估计,效果良好,结果有改进,显出EDEA的优越性.     

基于自适应多普勒及动态邻域的改进BA算法

蝙蝠算法（Bat Algorithm,BA）是一类新型元启发式算法,针对其在算法后期寻优精度降低、易陷入局部极值的不足,提出一种具有自适应多普勒策略及动态邻域策略的改进算法。根据蝙蝠个体在捕食过程中与猎物间存在的相对运动现象,引入自适应多普勒策略改进频率参数,增强算法全局探索的寻优能力。将动态邻域策略与BA算法有机结合,增加蝙蝠个体寻优结构的多样性,改善算法易陷入局部最优的不足。从理论上分析了改进后算法的收敛性和运算复杂性。在数值实验部分对改进后的算法进行了性能及应用测试：对10个经典标准测试函数在不同维度下进行对比实验,将其应用于求解螺旋压缩弹簧优化设计问题,并与其他算法进行了对比分析。实验结果证明了具有自适应多普勒策略及动态邻域策略的改进算法具有更优的收敛速度、收敛精度以及稳定鲁棒性。     

基于领导者竞争策略的改进猎人猎物优化算法

针对猎人猎物优化算法寻优精度低和易陷入局部最优等问题,提出了一种基于领导者竞争策略的改进猎人猎物优化算法。首先将种群随机分为三个亚群,采用不同的搜索策略,扩大搜索范围;其次,采用精英组合突变策略,提升种群子代多样性,规避局部最优值;最后,提出领导者竞争策略,利用个体间的信息交流,统合各个策略,筛选出最优变量。通过数值实验以及在工程优化问题上的应用结果表明,所提算法相较于对比算法具有更为优异的寻优能力,验证了改进策略的有效性和可靠性。     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

一类Boltzmann & Darwin混合寻优策略的收敛特性研究

基于文［１］提出的求解组合最优化问题的Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略，本文进一步分析研究了Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略非时齐情形下的收敛特性，包括全局收敛性和收敛速度。结果表明，Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略的收敛特性优于模拟退火（ｓｉｍ－ｕｌａｔｅｄ ａｎｎｅａｌｉｎｇ）方法的收敛特性。     

多策略改进的持续爆破算法

为解决持续爆破算法寻优精度低、易陷入局部最优等问题,提出一种多策略改进的持续爆破算法。在阶段寻优过程中,基于历史阶段最优解提出新的动态爆破半径,提高算法的寻优精度;通过对阶段最优解进行反向变异提高算法跳出局部最优的能力。通过阶段局部最优解向阶段最优解的方向移动的策略更新种群位置,实现种群信息的有效交互。实验结果表明,改进算法的寻优精度和收敛速度明显提升,在求解高维函数优化问题时也有较好的寻优表现。     

一种基于博弈论的混合优化算法

针对单种群智能优化算法存在一些固有的缺点和局限,提出一种基于博弈论的多子群——多策略的混合优化算法。该算法中各子群利用支付效用矩阵选择最优策略独立寻优,并周期性地选择和替换,使子群的策略能动态适应搜索过程的变化,有效发挥策略的优势性能。将所提出的混合优化算法应用于4个标准测试函数,并与原单种优化算法进行对比,结果表明：当混合策略中的单种优化算法具有不同的搜索特性时,混合优化算法有更高的寻优能力和收敛效率。     

改进灰狼算法及其应用

为提高灰狼算法的探索与开发能力,提出一种改进的多策略灰狼算法。在标准灰狼算法基础上加入对立搜索策略,提高算法收敛速度;引入正弦余弦搜索策略,提高算法的寻优精度;引进自适应局部搜索策略,避免算法陷入局部最优解,提升算法全局勘探开发能力。8个Benchmark函数的仿真实验结果表明,改进算法显著提升了算法的寻优精度和收敛速度。将改进的灰狼算法结合最小二乘支持向量机应用于加氢裂化数据建模问题,仿真取得了较好的结果,进一步验证了改进算法的有效性。     

基于混合蛙跳的量子遗传算法

量子遗传算法的早熟问题影响算法的求解性能,为提高算法能力,提出基于混合蛙跳的量子遗传算法。算法引入混合蛙跳和模拟退火准则,采用量子变异策略;利用组内寻优和整体寻优,减少算法整体迭代次数。将改进后的量子遗传算法应用于函数优化方面,用测试函数的寻优来评价算法性能,实验结果表明,该算法有效提高了算法性能,能求解出符合要求的全局最优值,改善了早熟收敛的问题。     

基于精英蜂群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、求解精度不高、容易陷入局部最优等问题,利用蜂群觅食过程中先由侦察蜂进行四处侦察食物,并利用蜂群搜索构建精英群体指导蜂群觅食寻优。据此,提出了一种模拟侦察蜂侦察觅食行为的基于精英蜂群搜索策略的连续优化算法。算法利用构建精英蜂群策略、改进侦察蜂搜索机制以及基于目标函数值选择寻优三个主要策略加强算法的搜索机制。数值实验表明,所提算法不仅寻优精度和寻优率非常高,且收敛速度快,并能适于高维空间的优化问题。     

基于信息微传递机制的粒子群算法

针对粒子群算法易陷入局部最优,导致收敛速度慢、寻优精度不高的不足,提出基于信息微传递机制的粒子群算法(IM PSO).引入信息微传递机制,将整个种群划分为多组多层,每组粒子逐层学习最优信息,防止算法早熟;采用逃离策略,当检测到粒子具有趋同行为时,改变粒子的飞行方向,增强算法寻优能力;使用动态边界化策略,动态缩小粒子的寻优区域,提高算法搜索效率.实验结果表明,IM PSO算法在收敛精度、收敛速度方面优于其它6种算法.     

基于遗传算法和直接搜索策略的PID整定研究

该文在详细分析遗传算法和直接搜索法优缺点的基础上提出了一种基于遗传算法和直接搜索策略的混合优化算法。该算法既具有遗传算法的全局寻优能力,又具有直接搜索法的局部寻优能力。可大大提高寻优的精度和速度。该混合算法先用遗传算法对给定区域进行全局的粗略搜索,然后用直接搜索法对其中部分较优个体进行局部的精细搜索。应用于PID自整定的仿真实验表明：该算法可节约绝大部分的进化代数,极大地提高寻优的速度,同时,PID整定的参数一致性好,具有比遗传退火策略更一致的寻优精度。     

混沌动态步长果蝇优化算法

为了进一步提高标准果蝇优化算法的收敛速度和寻优精度,将混沌优化与迭代步长动态调节策略相结合,提出一种混沌动态步长果蝇优化算法。算法在寻优过程中引入动态步长调节因子对基本果蝇优化算法的步长实现持续动态更新,利用混沌优化方法对混沌变量与优化变量进行映射操作,同时引入混沌扰动使得果蝇个体能够快速跳出局部最优。实验结果表明:该算法在收敛速度和寻优精度上大幅提高。     

多策略改进的蛇优化算法

为改进蛇优化算法(Snake Optimizer, SO)在探索方式、变量计算、空间搜索方式和种群更新方式等方面存在的不足,提出了一种多策略改进的蛇优化算法(Improved Snake Optimizer, ISO)。首先,提出探索寻优策略,根据个体相对于优势个体的位置更新自身的位置,使种群在前期快速收敛到最优解附近。其次,优化变量计算方式,将SO算法中的指数运算改进为多项式运算,提高SO的时间效率。同时引入动态调整搜索空间的机制,随种群进化迭代次数的增加逐步扩展搜索范围以提高寻优能力。最后,引入优势进化策略,淘汰适应度较差的个体并结合优势个体的基因产生新个体,快速提高种群优势基因比例以增加收敛速度。对不同基准测试函数进行寻优实验,分别与经典SO算法和5种启发式算法进行对比,结果表明ISO具有较强的寻优能力。为进一步验证所提算法的高效性和实用性,将ISO应用于全连接神经网络的优化问题,结果表明基于ISO优化的神经网络具有更优的分类效果。     

人工蜂群改进算法及其在参数估计中的应用

为提高新安江模型中参数估计的优化精度和算法性能,提出一种改进的人工蜂群(ABC)算法。设计基于最优个体的寻优和保优策略,采用寻优策略提高观察蜂的深度搜索能力,通过保优策略确保侦察蜂不会丢弃当前最优解,从而使算法能够在较短时间内得到收敛。将改进算法应用于新安江模型的参数估计中,并与ABC算法和SCPSO算法的参数估计结果进行对比。实验结果表明,改进算法得到的参数优化精度比ABC算法提高约4%,比SCPSO算法提高约1%,并且具有较快的收敛速度。