基于分子动力学模拟的改进混合蛙跳算法

针对基本的混合蛙跳算法(Shuffled frog leaping algorithm,SFLA)后期搜索速度变慢,容易陷入局部最优解的缺点,借鉴分子动力学(Molecular dynamics,MD)模拟的思想,提出一种基于分子动力学模拟的改进的混合蛙跳算法。该算法将种群中的粒子等效成分子,并提出一种新的分子间作用力计算方法来代替两体间经典的Lennard-Jones作用力计算方法,利用Velocity-Verlet算法和高斯变异算子代替基本混合蛙跳算法的更新策略,有效地平衡了种群的多样性和搜索的高效性。高维多峰函数测试的结果表明,基于分子动力学模拟的改进混合蛙跳算法能提高算法后期跳出局部极值的能力,全局寻优能力明显优于基本的混合蛙跳算法。     

基于三角函数搜索因子的混合蛙跳算法

针对传统混合蛙跳算法存在收敛速度慢、容易陷入局部最优和搜索精度不高的缺陷,提出了基于三角函数搜索因子的混合蛙跳算法。该算法将基于三角函数搜索因子的局部进化策略和产生新个体策略引入到混合蛙跳算法中,改进混合蛙跳算法的局部搜索精度和全局收敛性能。实验结果表明,基于三角函数搜索因子的混合蛙跳算法能够显著改善混合蛙跳算法的寻优精度和收敛速度,使算法的搜索效率和稳定性同时得到提高。     

一种基于改进混合蛙跳的聚类算法

聚类分析是一种无监督的模式识别方式,它是数据挖掘中的重要技术之一。给出了一种基于改进混合蛙跳算法的聚类分析方法,该方法结合了K—均值算法和改进混合蛙跳算法各自的优点,引入了K—均值操作,再用改进混合蛙跳算法进行优化,很大程度上提高了该算法的局部搜索能力和收敛速度。通过仿真对基于改进混合蛙跳的聚类方法与其他已有的聚类方法进行了比较,验证了所提出算法的优越性。     

基于混沌优化策略的SFLA算法

针对基本混合蛙跳算法的缺陷, 提出了一种基于混沌优化策略的改进混合蛙跳算法(SFLA)。在青蛙更新策略中引入自适应扰动机制, 平衡了算法搜索深度, 并利用高斯变异算子代替随机更新操作, 提高了算法搜索速度; 在全局迭代中借鉴混沌优化策略思想, 以概率形式对最优个体进行优化, 避免了族群陷入局部最优, 并证明了改进算法以概率1收敛于全局最优解。最后用MATLAB对测试函数进行了仿真, 仿真结果表明改进的混合蛙跳算法在收敛速度、优化精度上有较大改善。     

基于混合ABC和CRO的高维特征选择方法

高维数据集包含了成千上万可用于数据分析和预测的特征，然而这些数据集存在许多不相关或冗余特征，影响了数据分析和预测的准确性。现有分类技术难以准确地识别最佳特征子集。针对该问题，提出了一种基于wrapper模式的特征选择方法AB-CRO，该方法结合了人工蜂群算法（ABC）和改进的化学反应算法（CRO）的优点进行特征选择。针对迭代过程中较优的个体可能在化学反应过程中被消耗掉的现象，适当地加入精英策略来保持种群的优良性。实验结果表明，AB-CRO算法在最佳特征子集的识别和分类精度方面相对于基准算法ABC，CRO以及基于GA，PSO和混合蛙跳算法都所有改进。     

求解复杂函数优化问题的混合蛙跳算法*

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法。该算法把生物学中的吸引排斥思想引入到混合蛙跳算法中,修正了其更新策略,从而维持了子群的多样性。实验仿真结果表明,改进的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,数值实验结果验证了算法的有效性和鲁棒性。     

基于三元组排序局部性的SOCFS改进算法

特征选择是一种常用的机器学习降维方法,然而传统非监督特征选择算法在保持数据样本维度的局部结构时,却忽略了排序局部性对特征选择的影响。利用数据的三元组局部结构,构建数据之间的排序关系并在特征选择过程中进行局部性保持,提出基于三元组排序局部性的同时正交基聚类特征选择(SOCFS)改进算法,选择具有局部结构保持性且判别区分度高的特征。实验结果表明,与传统非监督特征选择算法相比,SOCFS改进算法聚类效果更好、收敛速度更快。     

一种基于阈值选择策略的改进混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,提出一种基于阈值选择策略的改进混合蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略,减小了个体空间差异,从而改善了算法性能。数值实验证明了该改进算法的有效性,并对改进算法的阈值参数进行了率定。     

基于差分扰动的混合蛙跳算法

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、求解精度低的缺点,借鉴差分进化中的变异思想,提出了一种改进的混合蛙跳算法,利用子群中其他个体的有利信息,对其更新策略进行局部扰动。实验结果表明,改进的混合蛙跳算法对复杂函数优化问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于所比较的算法。     

一种自适应惯性权重的混合蛙跳算法

针对混合蛙跳算法(SFLA)易陷入局部最优、收敛速度慢的问题,提出一种改进的混合蛙跳算法。该算法用相对基学习法初始化青蛙群体,从而提高初始解的质量。通过引入自适应惯性权重修正青蛙的更新策略,可以平衡算法的全局搜索和局部搜索。对6个经典函数的仿真测试结果表明,该算法与SFLA和ISFLA1算法相比寻优能力强、迭代次数少、解的精度高,更适合高维复杂函数的优化。     

一种离散混合蛙跳算法及其应用

为提高混合蛙跳算法在求解高维复杂函数和离散优化问题的性能, 提出一种离散混合蛙跳算法. 首先, 引入扰动系数来调控青蛙个体的移动距离, 从而更好的平衡迭代中算法的全局探索和局部开发能力;其次, 利用螺旋更新位置策略使算法能够在最优解附近进行更加精细的搜索; 同时, 采用随机搜索策略, 提高算法的全局搜索能力; 另外, 通过借鉴2-opt方法, 实现全局最优解变异, 丰富种群的多样性; 最后, 利用改进的Sigmoid函数对个体位置进行离散化处理. 通过对9个典型的基准函数和油田措施规划方案的仿真实验表明, 相较于对比的算法, DSFLA的收敛精度和寻优速度有明显的提升.     

Sensor network optimization of gearbox based on dependence matrix and improved discrete shuffled frog leaping algorithm

This paper reports a new improved discrete shuffled frog leaping algorithm (ID-SFLA) and its application in multi-type sensor network optimization for the condition monitoring of a gearbox. A mathematical model is established to illustrate the sensor network optimization based on fault-sensor dependence matrix. The crossover and mutation operators of genetic algorithm (GA) are introduced into the update strategy of shuffled frog leaping algorithm (SFLA) and a new ID-SFLA is systematically developed. Numerical simulation results show that the ID-SFLA has an excellent global search ability and outstanding convergence performance. The ID-SFLA is applied to the sensor’s optimal selection for a gearbox. In comparison with GA and discrete shuffled frog leaping algorithm (D-SFLA), the proposed ID-SFLA not only poses an effective solving method with swarm intelligent algorithm, but also provides a new quick algorithm and thought for the solution of related integer NP-hard problem.     

内嵌扰动变异的混合蛙跳算法

针对蛙跳算法局部搜索能力较弱,容易陷入早熟收敛的现象,提出了一种改进的混合蛙跳算法。新算法对子群中每只新青蛙个体引入了随机扰动,并让子群内每只青蛙个体都参与产生新个体,充分利用每只青蛙个体的信息,增加了种群的多样性,提升算法的全局寻优能力,从而避免算法陷入局部收敛。实验表明,改进的混合蛙跳算法有效避免算法陷入局部收敛,提升了算法的收敛精度。     

应用混合蛙跳算法的体绘制最佳视点选择

提出一种基于混合蛙跳算法的体绘制最佳视点选择方法。利用体数据投影图像的不透明度和亮度以及提取的结构信息特征,建立反映体素重要性和体数据内部结构信息的视点评价函数;将视点评价函数作为混合蛙跳算法的适应度函数,用混合蛙跳算法来指导和优化体绘制最佳视点的选择过程,以得到全局最优视点或一组被优化的视点集。实验表明,该方法能够快速有效地聚焦和显示体数据中的重要结构信息或感兴趣区域,算法的收敛速度和收敛精度高,具有良好的全局最佳视点选择性能,能够用来指导大规模体数据场的体绘制过程。     

改进混合蛙跳算法和K-Means的新型聚类算法

研究针对现有聚类算法存在着精度较低,易陷于局部最优等问题,提出一种改进的混合蛙跳算法和K-Means相结合的新型聚类算法ISFLA-K,该算法使用对立学习的思想产生初始种群,根据蛙自身具有认知能力和学习能力的特性对混合蛙跳算法的蛙跳规则进行改进,即形成ISFLA,最后使用ISFLA优化K-Means聚类算法,提高求解精度。实验结果表明, ISFLA-K具有很好的聚类性能,求解精度高。     

改进的混合蛙跳算法及其在多阈值图像分割中的应用

针对混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)存在的计算复杂度高、优化效率不理想等问题,提出了一种改进的混合蛙跳算法(Improved Shuffled Frog Leaping Algorithm,ISFLA)。在原始 SFLA的基础上进行如下改进:首先,将其中每次只更新组内最差青蛙的方式改为更新组内所有青蛙的方式,这既增大了获得优质解的概率,又省去了调整组内迭代次数的步骤,从而提升了优化效率和可操作性;其次,将基于局部最优更新的方法和基于全局最优更新的方法融合为一种混合扰动更新方法,从而避免了复杂条件的选择步骤,进一步提升了优化效率;最后,去掉随机更新方式,以免优质解被破坏,从而提高了整体的优化性能。将 ISFLA 用于 CEC2005和CEC2015连续基准函数的优化测试和基于Renyi 熵的灰度和彩色图像分割的多阈值选择实验中,结果表明,与 SFLA 和state-of-the-art的LSFLA 相比,ISFLA 具有更高的优化效率,更适用于多阈值图像分割的阈值选择。     

基于混合蛙跳和遗传规划的跨单元调度方法

针对运输能力受限条件下的跨单元问题,提出了一种基于混合蛙跳与遗传规划的超启发式算法.将改进的混合蛙跳算法作为超启发式算法的高层框架,为跨单元调度问题搜索启发式规则,同时利用遗传规划产生可以兼顾多因素的优质规则,用于扩充超启发式算法的规则集.实验表明,提出的算法可以有效地搜索出优异的规则组合,并且通过遗传规划产生的规则可以在很大程度上改善候选规则集,提升算法性能.     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。