一种利用动态搜索策略的混合蛙跳算法

从混合蛙跳算法的寻优原理出发,研究了其寻优机制．针对标准算法中存在的初始种群不均匀、迭代后期收敛速度慢,易陷入局部最优的缺陷,提出了一种改进的混合蛙跳算法．采用随机化均匀设计方法产生初始种群;引入影响因子,动态地改变子群当前最差值对其进化行为的影响;根据群体适应度方差判断种群是否陷入局部最优,并通过对当前全局最优值微扰,使算法跳出局部最优．实验结果表明,改进算法有更高的收敛精度和更好的收敛结果．     

进化策略自主选择的改进混洗蛙跳算法

针对经典混合蛙跳优化算法寻优精度不高和易陷入局部收敛区域的缺点,本文提出一种基于进化策略自主选择的混洗蛙跳算法。算法中最差个体根据不同知识来源采取4种进化策略,每次迭代通过计算每种进化策略的立即价值、未来价值和综合奖励来决定最差个体的进化方式,并通过个体进化策略概率变异算法来提升寻优速度和避免陷入局部最优解。利用10个Benchmark函数对本文算法与8种进化算法进行性能比较。实验表明:所提的算法能较好地平衡全局探索能力和局部挖掘能力,可以用较少的迭代次数获取较优结果,具有很好的收敛速度和精度。     

对较好和较差个体双向更新的混合蛙跳算法

针对基本蛙跳算法在处理复杂函数优化问题时求解精度低且易陷入局部最优的缺点,将共轭梯度法引入基本蛙跳算法,对排名靠前的p个模因组中的精英个体和排名靠后的q个模因组中的落后个体同时使用共轭梯度法进行更新,一方面增强对较差青蛙的指导能力,另一方面使最差的青蛙直接更新,提高了算法的收敛精度.所得混合蛙跳算法有效结合了基本蛙跳算法较强的全局搜索能力和共轭梯度法快速精确的局部搜索能力.将所得的混合蛙跳算法与其他智能优化算法进行对比,数值试验结果表明,无论从收敛精度还是进化代数而言,所得混合蛙跳算法较其他算法均有较大的改进,具有更高的收敛精度,能有效避免陷入局部最优,且优化结果更加稳定.     

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.     

改进粒子群算法在二维排样中的研究与应用

针对服装行业二维不规则样片优化排样问题,提出了一种改进的粒子群优化排样方法．该算 法在传统的粒子群优化算法中先引入小生境的思想,将种群划分成多个子群,各子群运用粒子群算 法单独进化,取出各子群进化后的最好粒子,又可形成新群体,新群体运用混合蛙跳算法进化,使子 群的最好粒子进一步更新,种群的多样性进一步增强,全局寻优的能力进一步提升．该算法概念简 单,易于实现,具有较好的能力去搜索全局最优解和较快的收敛速度．实验结果表明该算法是有效的．     

增强全局搜索和自适应蜉蝣算法

针对蜉蝣算法全局搜索能力较差和自适应能力弱等问题,提出一种增强全局搜索能力和自适应的蜉蝣算法——MIWMA。首先引入非均匀高斯变异策略对雄性蜉蝣和雌性蜉蝣进行位置更新,对全局最优位置变异引导其他个体向优良位置靠近,促使种群具有一定指导,从而提升全局搜索能力和增强种群多样性;其次,引入不完全伽马函数与Beta累加分布的自适应惯性权重对全局搜索和开发能力建立更好的平衡,平衡种群的全局搜索和局部搜索能力,进而提升算法收敛精度,利于种群全局搜索寻找最优解的潜力;引入局部停滞对抗策略,根据迭代停滞情况,调节蜉蝣速度更新的惯性部分和社会部分,使之具有最优搜索状态,增强算法全局搜索能力。利用经典测试函数集和IEEE CEC2021测试竞赛集进行测试优化比较,验证算法的有效性和稳健性,并利用Friedman和Wilcoxon秩和检验,分析表明：提出的算法有更好的稳定性、鲁棒性和可靠性。最后运用两个工程难题进行优化,结果验证了该算法在工程优化问题上的适用性,适合求解需求高精度的优化难题。     

求解连续优化问题的多策略动态果蝇优化算法

果蝇优化算法(FOA)是一种新的全局优化算法,其灵感源于果蝇的嗅觉和视觉觅食行为,该算法具有很强的连续优化问题的解决能力。然而,FOA存在算法候选解不能取负值、种群多样性差、局部搜索能力弱等缺点。为了克服上述不足,该文提出了一种基于多策略进化和动态更新种群最优信息的改进果蝇优化算法(MDFOA)。算法引入了一种有效的多策略候选解生成方法和一个新的控制参数,较好的平衡了算法的全局搜索和局部搜索能力。此外,还设计了全局最优信息的实时更新机制,提高了算法的收敛速度,采用29个复杂的基准测试函数来检验该算法的有效性。实验结果表明,该算法的优化性能优于FOA、6种改进的FOA及另外两种智能优化算法。     

一种新的双策略进化果蝇优化算法

标准果蝇优化算法(fruit fly optimization algorithm, FOA)在迭代寻优的过程中,整个果蝇群体只向最优个体靠近,这导致算法极易陷入局部最优,从而引起早熟收敛的问题。针对该问题,提出一种新的双策略进化果蝇优化算法(a novel double strategies evolutionary fruit fly optimization algorithm, DSEFOA)。提出的一种新的群体分割策略,将果蝇群体动态地划分为精英子群和普通子群;对于精英子群,引入混沌变量引导果蝇个体在其附近搜索食物,优化其局部搜索能力;对于普通子群,引入权重因子改进标准FOA的随机搜索方式,执行全局搜索,加快收敛速度。DSEFOA算法针对不同进化水平的果蝇个体采用不同的策略更新进化,充分地提升了整个群体的寻优搜索能力。8个测试函数的仿真试验结果表明, DSEFOA算法有比标准FOA算法更好的优化性能。     

一种新的双策略进化果蝇优化算法

标准果蝇优化算法(fruit fly optimization algorithm, FOA)在迭代寻优的过程中,整个果蝇群体只向最优个体靠近,这导致算法极易陷入局部最优,从而引起早熟收敛的问题。针对该问题,提出一种新的双策略进化果蝇优化算法(a novel double strategies evolutionary fruit fly optimization algorithm, DSEFOA)。提出的一种新的群体分割策略,将果蝇群体动态地划分为精英子群和普通子群;对于精英子群,引入混沌变量引导果蝇个体在其附近搜索食物,优化其局部搜索能力;对于普通子群,引入权重因子改进标准FOA的随机搜索方式,执行全局搜索,加快收敛速度。DSEFOA算法针对不同进化水平的果蝇个体采用不同的策略更新进化,充分地提升了整个群体的寻优搜索能力。8个测试函数的仿真试验结果表明, DSEFOA算法有比标准FOA算法更好的优化性能。     

利用膜粒子群优化的条件随机域特征选择

提出了一种新的基于膜粒子群优化的特征选择方法．该方法利用了膜系统的分层结构和消息传递机制,将粒子群优化算法作为区域子算法部署到各个区域中．不同于传统粒子群优化算法,该方法将粒子群优化的搜索速率分解为局部搜索速率和全局搜索速率．膜系统的所有外层区域采用局部搜索速率,搜索局部最优解;最内层区域采用全局搜索速率,搜索全局最优解．所有外部区域将最优解传递给相邻内部区域,内部区域将最差解传递给相邻外部区域,最内区域向相邻外部区域传递最差解．当各个区域之间的解传递在一段时间内停止时,或者算法迭代次数达到限定次数时,算法收敛,取最内层区域的最优解为最终解．以条件随机域模型的最大似然估计函数为目标函数,利用膜粒子群优化计算各个特征权重系数,最后剔除那些权重系数小于阈值的特征．实验结果表明,在进行生物文本的基因名称识别时,利用该方法对条件随机域的特征进行选择后,可以消除冗余特征的干扰,能获得更高的准确度．     

基于群密度的改进果蝇优化算法及在异常检测中的应用

针对传统果蝇算法面临的收敛稳定性差、难以协调全局搜索及局部搜索能力等缺点,提出一种基于群密度的改进果蝇优化算法。首先,借鉴现有算法的优势,将果蝇种群分为搜索果蝇和跟随果蝇,并分别使用两类果蝇进行全局化搜索与局部精细化搜索。然后,为提高算法全局搜索的稳定性,在每次迭代过程中使用基于最优区间回避的分区采样策略更新搜索果蝇的位置;该策略在每次迭代过程中获得表现最优的若干只果蝇以构造最优果蝇组,根据最优果蝇组中果蝇个体在每个维度上的取值范围确定最优区间,并通过对最优区间外的其他区间分区采样以确定搜索果蝇的新位置。最后,为协调算法的全局搜索能力与局部搜索能力,引入群密度的概念,通过计算果蝇群密度并结合相关阈值实现不同种群规模的动态调整。针对典型测试函数的实验结果表明,基于最优区间回避的分区采样策略相对于传统随机函数具有更强的全局优化性能。与传统优化算法相比,本文算法在保证收敛速度的同时获得了较高的寻优精度及稳定性,在综合性能上得到明显提升。在KDDcup99数据集上的异常检测仿真实验结果表明,本文基于分区采样及群密度的果蝇优化算法能有效避免局部最优,在获取异常检测分类器的重要参数最佳取值方面起到一定作用。     

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。     

基于种群多样性的自适应乌鸦搜索算法

针对原始乌鸦搜索算法对种群多样性控制不强、个体位置更新方式单一、局部搜索精细度不高等缺点,提出新的自适应乌鸦搜索算法.设计多种搜索引导个体,基于进化不同阶段的种群多样性,实现搜索引导个体的自适应选择策略,使算法在迭代前期加强全局勘探,在迭代后期强化局部开发.结合正余弦搜索理念,构建基于线性递减、混合正余弦震荡递减的多种飞行长度控制参数及相应的多种搜索方式,提升算法的搜索遍历性,增加算法在迭代后期找到更优解的概率.为了验证新算法的有效性,通过标准测试函数,将新算法与原始乌鸦搜索算法、改进乌鸦搜索算法和其他优秀的智能优化算法进行仿真实验,比较分析各算法的收敛精度、收敛速度、稳定性、Wilcoxon符号秩检验和Friedman检验.实验结果表明,新算法的性能优于其他比较算法的性能,新算法实现了全局勘探和局部开发、收敛精度和收敛速度的平衡.     

基于改进蝙蝠算法的梯级水电站经济调度

梯级水电站中长期经济调度问题是一个典型非线性优化问题,通常要求在满足复杂的水力、电力约束条件下,使得整个梯级调度周期内发电量最大。为了有效解决这一问题,本文改进了蝙蝠算法更新策略,并引入差分变异操作,提出了一种改进的蝙蝠算法。在改进蝙蝠算法中,每只蝙蝠个体的脉冲频率不随种群迭代而更新,而蝙蝠个体脉冲发射率和脉冲音量随种群迭代而更新;无条件接受全局搜索产生的新解,有条件接受局部搜索产生的新解;同时,改进了速度更新公式,引入DE算法中的变异、选择操作。在差分变异过程中,变异个体继承当前种群最优个体特征的同时吸收种群其他个体信息,增加种群多样性,并且,动态控制变异概率,算法后期个体间差异减小,加强了局部搜索能力。最后为了验证改进蝙蝠算法可行性及有效性,将其运用于求解大渡河流域瀑布沟、深溪沟、枕头坝一级梯级水电站经济调度问题。将模拟结果与另两种算法进行比较,结果表明对于复杂的梯级水电站经济调度问题,改进蝙蝠算法能够在枯水期给电网提供尽可能大而稳定的出力的同时,缩短计算时间,获得精度更高的解。     

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.     

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.     

自适应樽海鞘群算法求解考虑运输时间的柔性作业车间调度

针对考虑运输时间的柔性作业车间调度问题，以最小化最大完工时间为优化目标，提出自适应樽海鞘群算法.设计基于随机密钥方法的3层编码方案，将编码的离散解空间连续化.引入惯性权重评价跟随者之间的相互影响程度，增强算法的全局探索与局部搜索能力.提出自适应更新领导者-跟随者种群数量策略，根据种群迭代状态对领导者和跟随者的数量进行自适应调整.在邻域搜索中引入禁忌搜索策略，防止算法陷入局部最优.通过基准算例测试，验证了算法的有效性和优越性，发现AGV数量对完工时间的影响符合边际效应递减的规律.     

基于单纯形的改进精英人工蜂群算法

针对人工蜂群算法收敛速度慢,求解精度不高,易陷入局部最优等问题,基于受粒子群启发的多精英人工蜂群优化算法,引入了蜂群中的精英个体和全局最优个体来增强开发全局最优解的能力.文章中,在雇佣蜂阶段借助精英个体引导蜜源搜索,并利用蜂群中蜜源的质量排序重新构造蜜源的选择概率公式;在跟随蜂阶段,选择种群最优蜜源引领蜂群,加强算法对全局最好解的局部开采能力,同时将随机选择邻居蜜源变为最优定向选择.最后利用单纯形算法对精英解集进行再次更新,进一步平衡蜂群的全局搜索和局部寻优能力.数值实验表明改进的新算法的寻优精度和收敛速度均有明显提高.     

求解VRPSDP的变邻域混合遗传算法

针对卸装一体化车辆路径问题,提出一种结合变邻域下降搜索和遗传算法的混合启发式算法(GA_VND).利用随机生成的初始种群,通过遗传算法的交叉变异操作生成弱可行解种群,选择其中的最优值作为变邻域深度搜索的初始解.在变邻域深度搜索的过程中通过两种不同的局部搜索算子对解进行局部搜索和迭代优化.通过对54个算例的求解,仿真结果表明GA_VND更新了54个已知最好解中的8个,表明了该算法是解决卸装一体化车辆路径问题的一种有效方法.     

一种引入随机摄动操作的新型复合粒子群优化算法

针对传统粒子群优化算法不能根据实际问题自行选择参数,搜索后期容易陷入局部最优的缺点,提出了一种基于随机摄动的复合粒子群优化算法．该算法在利用简单遗传算法优选粒子群三个参数的基础上,根据粒子种群间的相互独立性,引入随机摄动操作,提高了解的精确度和算法的搜索效率,同时通过对种群中的最差粒子重新进行初始化来保持种群的多样性,以避免陷入局部最优解．