基于多子群的社会群体优化算法

社会群体优化算法(social group optimization,SGO)是一种基于社会群体学习而提出的一种新型优化算法。针对社会群体优化算法易于陷入局部最优问题,提出了一种多群社会群体学习算法（MPSGO）。本算法采用多子群学习方法,对算法两个阶段的个体学习方法进行改进,在维持群体收敛性能的前提下提高群体多样性,同时对部分个体中引入量子学习,使个体学习的有用信息得以增强;此外,每隔一定代数对子群进行随机重组,既能保证各子群个体充分进化,又维持了子群多样性。在设计算法的基础上,分析了其收敛性和多样性;通过与其他四种算法进行对比实验,验证了改进后算法性能更优。     

基于多子群萤火虫算法的数据库查询优化

查询优化是提高数据库性能的关键技术,针对数据库查询优化效率低的难题,提出一种多子群萤火虫算法的数据库查询优化方法（MG-FA）。首先将数据库查询计划左深树看作一个萤火虫,然后将萤火虫群分为多个子群,各子群最优萤火虫通过信息交流找到数据库查询最优计划,最后进行数据库查询优化实例分析。结果表明,MG-FA是解决数据库查询优化的有效途径,能够获得理想的数据库查询计划,具有实际意义。     

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点, 本文从种群个体组织结构上着手, 进行优势互补, 提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization, HGA–PSO). 算法采用分层结构, 底层由一系列的遗传算法子群组成, 贡献算法的全局搜索能力; 上层是由每个子群的最优个体组成的精英群, 采用钳制了初始速度的粒子群算法进行精确局部搜索. 文中分析论证了HGA–PSO算法具有全局收敛性, 并采用7个典型高维Benchmark函数进行测试, 实验结果显示该算法的优化性能显著优于其他测试算法.     

混沌粒子群优化算法研究

利用混沌运动的遍历性、随机性和规律性等特点,提出一种求解优化问题的混沌粒子群优化(CPSO)算法.该算法的基本思想是采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值.典型复杂函数优化仿真结果表明该方法是一种较简单有效的算法.     

双种群分子动理论优化算法

针对传统分子动理论优化算法存在寻优精度差、易陷入局部极值等不足,提出了一种双种群分子动理论优化算法。该算法将种群分为精英和普通两个子群：普通子群采用传统分子动理论优化算法搜索策略进行大范围搜索,而精英子群则通过协同合作实现精细化搜索,以提高算法收敛精度;基于个体迁移实现子群间的信息交流,两个子群通过分工合作共同完成搜索过程。实验结果表明：改进算法在收敛速度、精度和算法稳定性等方面都有明显改善。     

基于结晶过程的分子动理论优化算法

针对分子动理论优化算法(KMTOA)存在易陷入局部最优、寻优精度低等问题,提出一种基于结晶过程的分子动理论优化算法(C-KMTOA)。该算法通过模拟结晶过程设计了一种分离算子,该算子将种群分为最优个体、优秀个体、较差个体三个子群,并通过引导操作使较差个体向优秀个体附近移动、优秀个体向最优个体附近移动,从而使搜索范围快速缩小到最优解附近。实验结果表明,该算法在优化精度、动态性能等方面均优于GA、DE、QPSO和KMTOA。     

一种分级优化的多子群PSO算法设计

在算法的不同搜索阶段构建了两种寻优模式,提出了一种分级优化的多子群PSO算法。首先将整个群体划分为若干个子群,进行局部极值的搜索;在算法获得各个子群的局部最优解后,将所有子群的最优解以无标度网络的构造过程重新组成一个群体进行全局性的搜索。通过对典型测试函数的仿真实验证明,该算法具有更好的全局搜索和局部搜索能力。     

基于分层多子群的混沌粒子群优化算法

在分层多子群结构模型的基础上,提出一种混沌粒子群优化算法(HCPSO).该算法对非线性递减的惯性权重进行混沌变异,并采用了混沌搜索方法.在更新全局历史最优位置每一维分量时,选取不同的若干个体作为学习对象,并计算它们的平均位置.混沌搜索区域半径可根据粒子个体最优位置与上述平均位置间的距离自适应地调整.通过对几种典型函数的测试结果表明,该算法具有较好的全局搜索和局部搜索能力,可有效避免早熟收敛问题.     

基于SQP局部搜索的多子群果蝇优化算法

针对基本果蝇优化算法在寻优过程中种群多样性降低导致算法易陷入早熟收敛的问题,提出了基于序列二次规划（SQP）局部搜索的多子群果蝇优化算法（MFOA-SQP）。新算法将果蝇种群均匀划分为多个子群,并引入粒子群算法中的惯性权重和学习因子,协同调节果蝇移动方向和步长;每隔一定迭代次数重新划分子群,避免种群单一化,使算法更易跳出局部最优;对子群最优个体进行SQP搜索,提高局部寻优性能。通过6个测试函数和优化广义回归神经网络对银行客户进行分类的实验结果表明,算法在寻优精度和速度方面性能优越,能够有效提高广义回归神经网络的分类准确率。     

动态多子群QPSO算法及其在机车粘着优化控制中的应用

针对列车重载和高速运行时轮轨间粘着存在极限状态以及此时最优粘着利用能否获得的问题,利用所提出的动态多子群QPSO算法训练神经网络,并基于训练好的神经网络设计了机车粘着智能优化控制器,通过对电机转矩的动态调整,实现了轮轨间粘着的最优利用.仿真研究中,利用典型测试函数对所提出的动态多子群QPSO算法进行性能测试,证明该算法具有相对较高的寻优精度和效率,能有效提高神经网络的收敛速度和学习能力,将该算法应用于机车粘着优化控制中,得到了良好的控制效果.     

结合零点配置与分子动优化设计IIR多频陷波器

数字无限脉冲响应陷波滤波器的作用是抑制或滤除数字信号中一些特定的频率分量。在基本的二阶陷波滤波器的基础上,通过增加零极点对,设计一种新的单频陷波滤波器,设置两个极点和新增加零点的极角等于原零点的极角,新增加极点的极径等于原极点极径,以此来弥补其过渡带;调整新增加零点的极径,增大过渡带增益,使其具有更窄的过渡带,陷波效果更好。提出一种数字多频陷波器的设计方法,通过级联改进的单频陷波器,用分子动理论优化算法优化新增加零点的极径,实现具有稳定特性的陷波系统并且加快计算速度。经过一系列仿真实验,验证了所提方法的鲁棒性和实用性。     

融合教育心理学理论的分组教学优化算法

针对分组教学优化算法（group teaching optimization algorithm,GTOA）存在求解精度不高、易陷入局部最优的不足,提出了一种融入教育心理学理论的分组教学优化算法（educational psychology group teaching optimization algorithm,EPGTOA）。在杰出组学生的教师教学阶段融入支架式教学理论,教师在教学过程中帮助学生构建知识体系,更快地提高该组学生的学习能力,从而加强算法的局部搜索能力;在学生学习阶段融入建构主义发展观理论,学生逐渐形成自己独特的认知结构,吸收教师传授的知识,提高学习能力,从而增强算法的全局搜索能力。为验证EPGTOA的有效性,选取21个标准测试函数,将EPGTOA与GTOA和基于信息共享的分组教学优化算法、灰狼算法、蜉蝣算法、飞蛾扑火算法、教与学算法算法进行仿真实验,同时采用Wilcoxon检验和平均绝对误差对改进算法所得的数据进行统计分析,结果表明在5%的水平上是显著的。在算法稳定性、求解精度和收敛速度上,EPGTOA都比GTOA有所增强,尤其在求解高维问题上,改进算法有更好的性能。     

混沌梯度组合优化算法

提出一种混沌梯度组合全局优化算法，并对该算法进行了收敛性分析．算法首先采用改进的变步长梯度法得到某个优化值，然后利用变尺度混沌搜索跳出局部极小，经过反复组合迭代，直至到达最优解．仿真结果表明，该算法能充分发挥梯度法寻优的快速性和混沌法寻优的全局搜索能力．     

基于Tent映射的混沌优化算法

针对目前混沌优化算法寻优速度慢的问题,论证了Tent映射的优越性,并结合模式搜索法,构造了一种搜索速度较快的混合优化算法．该算法能够搜索全局最优解,并具有较快的搜索速度．通过算例验证了该方法的可行性和Tent映射的应用前景。     

A new chaotic multi-verse optimization algorithm for solving engineering optimization problems

Multi-verse optimization algorithm (MVO) is one of the recent meta-heuristic optimization algorithms. The main inspiration of this algorithm came from multi-verse theory in physics. However, MVO like most optimization algorithms suffers from low convergence rate and entrapment in local optima. In this paper, a new chaotic multi-verse optimization algorithm (CMVO) is proposed to overcome these problems. The proposed CMVO is applied on 13 benchmark functions and 7 well-known design problems in the engineering and mechanical field; namely, three-bar trust, speed reduce design, pressure vessel problem, spring design, welded beam, rolling element-bearing and multiple disc clutch brake. In the current study, a modified feasible-based mechanism is employed to handle constraints. In this mechanism, four rules were used to handle the specific constraint problem through maintaining a balance between feasible and infeasible solutions. Moreover, 10 well-known chaotic maps are used to improve the performance of MVO. The experimental results showed that CMVO outperforms other meta-heuristic optimization algorithms on most of the optimization problems. Also, the results reveal that sine chaotic map is the most appropriate map to significantly boost MVO’s performance.     

A new clustering method based on the bio-inspired cuttlefish optimization algorithm

Most of the well-known clustering methods based on distance measures, distance metrics and similarity functions have the main problem of getting stuck in the local optima and their performance strongly depends on the initial values of the cluster centers. This paper presents a new approach to enhance the clustering problems with the bio-inspired Cuttlefish Algorithm (CFA) by searching the best cluster centers that can minimize the clustering metrics. Various UCI Machine Learning Repository datasets are used to test and evaluate the performance of the proposed method. For the sake of comparison, we have also analysed several algorithms such as K-means, Genetic Algorithm and the Particle Swarm Optimization (PSO) Algorithm. The simulations and obtained results demonstrate that the performance of the proposed CFA-Clustering method is superior to the other counterpart algorithms in most cases. Therefore, the CFA can be considered as an alternative stochastic method to solve clustering problems.     

一种混合优化算法及其收敛性证明

针对改进的混沌优化方法和Alopex算法的特性，将改进的Alopex算法嵌入到改进的混沌优化算法中，提出一种混合优化算法，此算法充分发挥了改进的Alopex算法的快速搜索能力和改进的混沌优化方法细致寻优的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优；同时对改进的混沌优化算法和混合优化算法的收敛性进行了证明，仿真结果表明了算法的有效性。     

一种采用完全Logistic混沌的PSO-GA优化方法

为了提高粒子群优化算法的性能,提出了一种完全Logistic混沌粒子群优化与遗传算法的混合优化方法。该方法将具有伪随机性与遍历性特征的Logistic混沌应用到粒子群算法的粒子位置和速度初始化、惯性权重优化、随机常数以及局部最优解邻域点产生的全过程,并在粒子速度和位置更新后再与遗传算法相混合,进行选择和交叉操作。三种典型Benchmark函数的实验结果验证了所提方法的有效性,该方法具有更好的寻优能力与收敛速度。     

基于暂态混沌神经网络的多车调度混合优化算法

探讨车辆调度问题的解决方法．提出一种用于求解带容量约束的多车调度问题（CVRP）的混合优化算法．该算法分为路线划分、构造初始解和改进解3个阶段：第1阶段用模糊C均值聚类算法将所有客户按车容量要求装车;第2阶段用暂态混沌神经网络方法对每条路线排序;第3阶段用禁忌搜索法改进得到的解．最后采用标准问题进行仿真计算,通过与其他算法的比较,说明该算法是求解CVRP问题可行且高效的方法．