基于Lévy飞行特征的蝙蝠算法及其在WSN定位中的应用

针对蝙蝠算法收敛易早熟、收敛速度慢等不足,提出一种改进的基于Lévy飞行特征自适应的蝙蝠算法。采用Lévy飞行策略取代原算法中蝙蝠飞行速度和位置的更新方式,充分利用Lévy飞行的重尾效应,有效避免局部最优值的吸引,加快了收敛速度,达到寻优能力和搜索能力的平衡。在无线传感器网络自身定位应用中,把定位问题转换为一个全局优化问题,使用改进的算法进行定位计算。通过Zigbee平台的实验表明,改进后的算法在不同空间位置的定位精度更高,收敛速度更快。算法实现条件简单、精度高,具有较高的实际工程应用价值。     

基于改进二元萤火虫群优化算法和邻域粗糙集的属性约简方法

针对数据降维和去冗问题,提出基于改进的二元萤火虫群优化算法和邻域粗糙集的属性约简方法.首先,运用反向学习协同初始化种群,并基于Sigmoid变化函数的映射进行二进制编码,引入Lévy飞行位置更新策略,提出改进二元萤火虫群优化算法.再以邻域粗糙集作为评价准则,以改进算法作为搜索策略,进行属性约简.最后,通过在标准UCI数据集上的实验验证属性约简方法的有效性,并验证文中算法具有较优的收敛速度和精度.     

引入Lévy flight和萤火虫行为的鱼群算法

针对人工鱼群算法(artificial fish-swarm algorithm,AFSA)和萤火虫算法(firefly algorithm,FA)在多维多极值函数寻优过程中易陷入局部最优和精度有待提高等问题,提出引入Lévy flight和萤火虫行为的鱼群算法(fish swarm algorithm with Lévy flight and firefly behavior).该算法将萤火虫算法中萤火虫个体的移动策略引入到鱼群的聚群,觅食两种行为模式中,进而将Lévy flight引入到鱼群的搜索策略中,使得鱼群的搜索更加高效.此外,采取一种基于动态参数的非线性变视野和变步长的策略来限定鱼群的搜索范围.仿真分析表明,新算法较其他测试算法具有更好的全局搜索能力和寻优精度.     

基于改进MOJAYA/D算法的图像分割

为处理多目标优化问题，提出一种基于分解的多目标JAYA (MOJAYA/D)算法。该算法在原始基于分解的多目标算法的基础上，将JAYA算法延伸至多目标优化领域；同时，引入Lévy飞行策略增强算法的扰动，并且增加一个反馈学习阶段来提高个体的学习能力，使得算法的多样性和全局寻优的水平得到提高。为了验证提出算法的性能，将该算法在ZDT和DTLZ测试函数上与几个经典的多目标算法进行对比。实验结果表明，MOJAYA/D在收敛性和多样性方面都优于其他比较算法。最后，将该算法应用于多个目标准则下的图像分割问题。分割结果表明，MOJAYA/D在处理图像分割问题上效果显著。     

具备反向学习和局部学习能力的磷虾群算法

针对磷虾群算法易陷入局部最优、收敛速度慢等缺点,提出了具备反向学习和局部学习能力的磷虾群算法。利用混沌映射和反向学习的思想初始化种群,根据算法迭代次数自适应调整学习维度,对精英个体进行反向学习,能有效保持种群的多样性,选取精英群体,通过自适应的Lévy飞行分布和改进的差分变异算子,提高种群的局部学习能力。这种新颖的元启发方式能加速收敛速度的同时可以保证磷虾群算法的鲁棒性。通过对8个基准函数进行仿真测试,实验结果表明：与最近的KH优化算法相比,该算法在收敛速度、收敛精度等方面得到明显改进。     

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。     

基于改进DBO算法的非线性系统辨识

针对传统方法在单输入单输出Hammerstein模型的辨识上存在辨识精度低、辨识效果差等问题,文章提出一种基于蜣螂优化算法（Dung Beetle Optimizer,DBO）的非线性系统辨识方法。为了克服该算法在局部开发和全局探索上能力不平衡,易陷入局部最优的问题,引入改进的正弦余弦优化算法（Sine Cosine Algorithm with Self-learning strategy and Lévy, SCASL）用于平衡局部和全局搜索阶段,提高算法辨识精度,同时引入莱维飞行（Lévy flight）策略,帮助DBO算法在迭代后期跳出局部最优。通过数值仿真,对蜣螂优化算法和改进的蜣螂优化算法辨识结果进行比较,实验结果表明,改进的蜣螂优化算法辨识速度得到显著提升,并且辨识精度也得到了提高。     

基于混合策略改进的麻雀搜索算法

为克服基本麻雀搜索算法(Sparrow Search Algorithm, SSA)存在的迭代过程中种群多样性减少、易陷入局部最优停滞、早熟收敛等不足,提出一种基于混合策略改进的麻雀搜索优化算法(EGSSA)。首先,迭代时利用精英反向学习机制在个体求解过程中计算精英反向解,提升算法寻优过程中种群丰富性和种群质量,为提高算法全局寻优能力以及收敛精度奠定基础;其次,将黄金正弦策略用以改进发现者位置更新方式,协调算法局部开发和全局搜索能力,并且提高算法的收敛能力;最后,在加入者的更新中采用了莱维飞行随机步长,以使新加入者所搜索的范围更为全面,一定程度避免算法陷入“早熟收敛”。选取12个基准测试函数进行仿真实验,分别与4种元启发式算法以及3种改进麻雀搜索算法进行比较,实验结果以及Wilcoxon秩和检验均表明,EGSSA算法具有更好的全局探索能力和稳定性以及较强跳出局部极值的能力。     

带反方向视角和二项交叉的布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的自然仿生优化技术,其借用Lévy Flights随机走动和Biased随机走动搜索新的解。在Lévy Flights随机走动中,所有个体以当前种群获得的最优解为导向进行搜索,这容易导致种群趋同于该最优解。针对此问题,引入反方向视角使种群基于一定概率反向搜索,以避免趋同于当前最优解,并提出带反方向视角和二项式交叉的布谷鸟搜索算法。在提出的算法中,借用二项交叉操作以提高Biased随机走动的搜索能力。与标准的布谷鸟搜索算法对比,实验结果说明提出的策略能够有效地改善布谷鸟搜索算法求解连续函数优化问题的收敛速度和解的质量。与其他改进的布谷鸟搜索算法以及其他进化算法对比,实验结果说明提出的算法在求解连续函数优化问题上具有一定的竞争力。     

一种参数动态更新的布谷鸟搜索算法

为提升布谷鸟算法对高维问题空间的搜索能力及算法的稳定性,提出了一种参数动态更新的布谷鸟搜索算法.该算法首先选用柯西随机数,动态更新迭代学习的步长因子,并结合Lévy飞行策略生成新解;在新解生成之后,提出了一种正态扰动策略生成干扰解以增加解的搜索空间;对迭代中的新解和干扰解,采用模拟退火算法得到优势解,从而避免算法陷入局部最优,提升了算法的容差性;并提出一种轮盘赌选择和双向随机搜索策略强化迭代中优势解的学习.实验结果表明改进算法拥有较高的准确性和稳定性.     

多策略融合的改进萤火虫算法

针对传统萤火虫算法（FA）中存在的易陷入局部最优及收敛速度慢等问题,把莱维飞行和精英参与的交叉算子及精英反向学习机制融入到萤火虫优化算法中,提出了一种多策略融合的改进萤火虫算法——LEEFA。首先,在传统萤火虫算法的基础上引入莱维飞行,从而提升算法的全局搜索能力;其次,提出精英参与的交叉算子以提升算法的收敛速度和精度,并增强算法迭代过程中解的多样性和质量;最后,结合精英反向学习机制进行最优解的搜索,从而提高FA跳出局部最优的能力和收敛性能,并实现对于解搜索空间的迅速勘探。为验证所提出的算法的有效性,在基准测试函数上进行了仿真实验,结果表明相较于粒子群优化（PSO）算法、传统FA、莱维飞行萤火虫算法（LFFA）、基于莱维飞行和变异算子的萤火虫算法（LMFA）和自适应对数螺旋-莱维飞行萤火虫优化算法（ADIFA）等算法,所提算法在收敛速度和精度上均表现得更为优异。     

精英反向与二次插值改进的黏菌算法

针对基本黏菌算法(slime mould algorithm,SMA)易陷入局部最优值、收敛精度较低和收敛速度较慢的问题,提出精英反向学习与二次插值改进的黏菌算法(improved slime mould algorithm,ISMA).精英反向学习策略有利于提高黏菌种群多样性和种群质量,提升算法全局寻优性能与收敛精度;利用二次插值生成新的黏菌个体,并用适应度评估更新全局最优解,有利于增强算法局部开发能力,减少算法收敛时间,使算法跳出局部极值.通过求解多个单模态、多模态和高维度测试函数进行不同算法之间的对比,结果显示,结合两种策略的ISMA具有较高的寻优精度、寻优速度和鲁棒性.     

多策略黑猩猩优化算法研究及其工程应用

针对基本黑猩猩优化算法存在的依赖初始种群、易陷入局部最优和收敛精度低等问题,提出一种多策略黑猩猩优化算法EOSMICOA（chaotic elite opposition-based simple method improved COA）。在EOSMICOA算法中,利用混沌精英反向学习策略对黑猩猩个体位置进行初始化,提高种群的多样性和质量,同时在位置更新过程中利用单纯形法和群个体记忆机制对较差个体进行改进,进一步提高算法的局部开发能力和勘探能力,以及算法的寻优精度。为验证改进算法的寻优能力,将EOSMICOA算法与多个智能算法对20个复杂函数进行对比实验,结果表明EOSMICOA在收敛精度、寻优速度等方面都有明显优势。最后,将EOSMICOA与当前最新改进算法应用于焊接梁设计中,对比结果表明EOSMICOA可以更有效地应用于工程设计优化问题。     

具有学习机制的正弦余弦算法

针对标准正余弦算法在求解函数优化问题时易陷入局部最优、收敛精度较差等问题,提出了一种具有学习机制的正弦余弦算法。该算法引入精英反向学习策略构造精英及反向群体,对其混合群体进行择优保留,从而优化了种群中的个体位置、提高了算法的寻优精度;同时,利用个体的反思学习能力防止个体盲目地向当前最优解学习,使算法停滞在局部最优,从而有效地避免了算法的未成熟收敛。在13个标准测试函数进行仿真实验,实验结果证明,该算法相比于对比算法具有较强的鲁棒性和函数优化能力。     

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。     

基于精英混沌搜索策略的交替正余弦算法

正余弦算法是一种新的基于种群的随机寻优方法,利用正余弦函数使解震荡性地趋于全局最优解,其线性调整策略及较弱的局部搜索能力严重地影响了算法的性能.为了提高正弦余弦算法的计算精度,提出基于精英混沌搜索策略的交替正余弦算法.新算法采用基于对数曲线的非线性调整策略修改控制参数,利用精英个体的混沌搜索策略增强算法的开发能力,并将基于该策略的正余弦算法与反向学习算法交替执行增强算法的探索能力,降低算法的时间复杂度,提高算法的收敛速度.对23个基准测试函数进行仿真实验,与改进的正余弦算法以及最新的基于启发式的算法进行比较,深入的参数实验分析以及比较结果验证了所提出算法的有效性,统计分析证实了所提出算法的优越性.     

基于自适应权重和莱维飞行的改进海鸥优化算法

在齿轮系设计问题中, 传统算法存在计算复杂与精度低等缺点, 海鸥优化算法(SOA)得益于其算法原理简单、通用性强、参数少等特性, 现多用于工程设计问题. 然而, 标准海鸥优化算法易出现寻优精度低、搜索速度慢等问题, 本文提出一种混合策略改进的海鸥优化算法(WLSOA). 首先, 利用非线性递减策略增强海鸥优化算法的探索开发能力, 提高寻优精度. 其次, 在海鸥攻击阶段引入自适应权重平衡全局与局部的搜索能力和加入莱维飞行步长对当前最优解进行扰动, 提高算法跳出局部最优值的能力. 然后分别使用WLSOA、黄金正弦算法、鲸鱼优化算法、粒子群优化算法、传统海鸥优化算法及最新提出的改进海鸥优化算法, 通过在9个经典的测试函数上进行仿真实验来探究WLSOA的性能. 结果表明, WLSOA比其他6种算法寻优精度更高, 收敛速度更快. 最后, 在齿轮系设计问题上, 通过与其他13种常见的群智能算法的比较表明, WLSOA的求解性能优于其他算法.     

一种改进的鲸鱼优化算法

针对鲸鱼优化算法（whale optimization algorithm ,WOA）容易陷入局部最优和收敛精度低的问题进行了研究,提出一种改进的鲸鱼优化算法（IWOA）。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。实验选取九个基准函数,所有算法均迭代30次,结果表明：改进的鲸鱼优化与原鲸鱼优化算法以及五种改进的鲸鱼优化算法相比,其均值和标准差均优于其他算法,收敛曲线也优于其他大多数算法。说明改进的鲸鱼优化算法收敛精度和算法稳定性最佳,收敛速度较其他大多数改进的鲸鱼优化算法明显加快。