基于自适应t分布与动态权重的樽海鞘群算法

针对樽海鞘群算法寻优精度低、收敛速度慢和易陷入局部最优等缺点,提出一种基于自适应t分布与动态权重的樽海鞘群算法。首先,在领导者位置更新中引入蝴蝶优化算法中的全局搜索阶段公式,以此来增强全局探索能力;然后,在追随者位置更新中引入自适应动态权重因子来加强精英个体的引导作用,从而增强局部开发能力;最后,为了避免算法陷入局部最优,引入自适应t分布变异策略对最优个体进行变异。通过对12个基准测试函数进行求解,根据平均值、标准差、求解成功率、Wilcoxon检验和收敛曲线分析,表明所提出的算法要优于标准樽海鞘群算法,以及参与比较的其他改进樽海鞘群算法和其他群智能算法,说明了其在寻优精度和收敛速度方面都有显著提升,并且具备跳出局部最优的能力。通过将其应用在脱硝入口浓度最低点寻找上,验证了算法的有效性。     

樽海鞘群算法的改进

针对樽海鞘群算法在求解过程中存在收敛速度慢、寻优精度低等问题,提出改进的樽海鞘群算法。采用混沌初始化,保证种群的多样性和均匀性;分别在领导者和追随者阶段引入正弦余弦策略和动态更新策略,提高算法全局和局部探索能力;对食物位置进行变异操作,有效避免算法陷入局部最优。为验证改进后算法的有效性,分别用其求解函数优化问题以及工程设计问题,其结果表明,该算法具有较高的收敛速度、寻优精度以及鲁棒性,总体性能优于其它智能优化算法。     

基于疯狂自适应的樽海鞘群算法

针对樽海鞘群算法求解精度不高和收敛速度慢等缺点,提出一种基于疯狂自适应的樽海鞘群算法.引入Tent混沌序列生成初始种群,以增加初始个体的多样性;在食物源位置上引入疯狂算子,增强种群的多样性;在追随者位置更新公式中引入自适应惯性权重,使算法的全局搜索和局部搜索能力得到更好的平衡.使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC2014函数的标准差评估改进樽海鞘群算法的效率.结果表明,改进算法具有更好的全局搜索能力和求解鲁棒性,同时,寻优精度和收敛速度也比原来算法有所增强,尤其在求解高维和多峰测试函数上,改进算法拥有更好的性能.     

基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.     

基于衰减因子和动态学习的改进樽海鞘群算法

樽海鞘群算法是一种新型的群智能优化算法.与其他智能优化算法相比,樽海鞘群算法的优化求解策略仍有待改进,以进一步提高该算法的求解精度和寻优效率.本文提出一种基于衰减因子和动态学习的改进樽海鞘群算法,通过在领导者更新阶段添加衰减因子,提高算法的局部开发能力,在跟随者更新阶段引入动态学习策略,提高算法的全局搜索能力.本文对16个测试函数进行实验,将提出的改进算法与其他智能优化算法比较,实验结果表明,本文提出的改进算法在收敛精度和收敛速度方面有较大提升,具有良好的优化性能.     

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm, BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning, OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm, SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

混沌精英质心拉伸机制的樽海鞘群算法

针对樽海鞘群算法求解精度不高的缺点,提出一种混沌精英质心拉伸机制的樽海鞘群算法。引入改进的Tent混沌序列生成初始种群,以增加初始个体的多样性;选择最优个体采用精英质心拉伸机制,可增强全局搜索能力。将改进算法在12个典型复杂函数和CEC2014函数优化问题上进行仿真实验,并同经典的遗传算法和粒子群算法进行对比。结果表明,混沌精英质心拉伸机制的樽海鞘群算法具有更好的全局搜索能力,寻优精度比标准算法有所增强。在求解高维和多峰测试函数上,改进算法拥有更好的性能。     

多子群的共生非均匀高斯变异樽海鞘群算法

针对樽海鞘群算法求解精度不高和收敛速度慢等缺点, 提出一种多子群的共生非均匀高斯变异樽海鞘群算法. 根据不同适应度值将樽海鞘链群分为三个子种群, 各个子种群分别进行领导者位置更新、追随者共生策略和链尾者非均匀高斯变异等操作. 使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC 2014函数的标准差来评估改进樽海鞘群算法的效率. 结果表明, 改进算法具有更好的寻优精度和收敛速度. 尤其在求解高维和多峰测试函数上, 改进算法拥有更好性能.     

基于Baker映射的自适应樽海鞘群算法

为了克服樽海鞘群算法(Salp Swarm Algorithm,SSA)求解准确性不足和易过早收敛的缺点,提出了一种多策略改进的樽海鞘群算法(MISSA)。引入Baker混沌映射生成樽海鞘群的初始种群,以提高初始个体的均匀性;将T分布策略应用到食物源位置公式中,对原始位置进行随机干扰,引导樽海鞘个体向最优解空间运动;在跟随者位置更新公式中引入不完全Γ函数的自适应权重,以改善算法的局部和全局搜索能力。将改进算法在8个测试函数上进行仿真实验,并与不同的群智能算法进行了比较。结果表明,改进算法具有更好的全局和局部搜索性能以及更高的搜索精度。     

融合多策略的改进麻雀搜索算法

针对麻雀搜索算法收敛速度缓慢、寻优精度不足和容易陷入局部最优等缺点,提出了一种融合正弦搜索策略和多样性变异处理策略的改进麻雀搜索算法。通过引入正弦搜索策略,自适应调整个体权重提高算法收敛速度;针对个体聚集程度过高问题,采用多样性变异处理,引入生物学中种群聚集度的概念和柯西变异对最优解进行扰动,提高算法逃离局部最优的可能。通过九个不同特征的基准函数进行寻优测试,测试结果表明改进算法能够更快地收敛于最优值,有更好的平均值和标准差,表明了其具备更优的收敛速度、收敛稳定性和逃离局部最优值的能力。通过应用该改进优化算法于分数阶PID控制器的参数整定上,进一步验证了改进策略的有效性和可行性。     

余弦自适应混沌被囊体种群优化算法

针对被囊体种群优化算法存在易陷入局部最优、收敛速度慢等缺点,提出一种余弦自适应混沌被囊体种群优化算法。在模拟被囊体喷射推进行为中,引入余弦自适应曲线计算搜索个体间的社会作用力,从而改进算法易出现早熟的问题;并在搜索个体向最佳位置移动上增加了一种混沌行为,使其避免局部最优并拥有更快的收敛速度。采用多种标准测试函数进行测试,实验结果表明,提出的新的被囊群优化算法在保留原有算法优点的基础上具有更好的收敛速度、精度和全局最优性。     

改进自适应微分进化算法求解全局优化问题

针对微分进化(DE: differential evolution)算法在进化后期收敛速度慢,收敛精度低,易陷入局部最优解等缺点。本文通过改进DE的变异方程,并引入一种新的控制参数自适应策略,提出了一种改进自适应微分进化(IADE: improved adaptive differential evolution)算法。进化过程中IADE将根据个体适应值与父代平均适应值之间的关系动态地调整控制参数。同时,采用10个常用于优化算法比较的标准函数对IADE和其它改进DE算法进行对比试验,实验结果表明IADE算法不仅能够显著地提高收敛速度和收敛精度,而且具有非常好的鲁棒性,从而使得该算法能够满足过程优化的实时性、准确性以及稳定性要求。     

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法（GWO）后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法（DAGWO）。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子[a],以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

具有振荡约束的自然选择萤火虫优化算法

针对基本萤火虫算法高维求解精度低、收敛速度慢、易早熟等缺点,提出一种具有振荡、约束和自然选择机制的萤火虫算法,引入二阶振荡因子,平衡上一代个体对当前代个体的影响,防止萤火虫个体陷入局部极值;加入基于sigmoid函数的约束因子,动态调整个体移动距离,在算法后期避免萤火虫个体在理论最优值附近因过度扰震而导致精度降低的情况;采用基于高斯积分倒数递减趋势的自然选择,在保持个体多样性的同时加快算法的收敛速度.理论分析证明了改进算法的收敛性和时间复杂度.通过对10个不同特征标准测试函数多个维度的函数优化仿真实验,测试结果表明改进算法的寻优精度和收敛速度均有明显提升,尤其是在高维情况下,几乎对于所有函数仍能找到理论最优解,较好地解决了萤火虫算法不适于高维求解的问题.     

引入改进鸽群搜索算子的粒子群优化算法

随着迭代计算过程的推进,标准粒子群算法后期容易出现收敛速度较慢、精度较低、早熟及开发探索能力较弱等问题.针对上述不足,文中提出引入改进鸽群搜索算子的粒子群优化算法,采用Beta反向学习策略进行种群的初始化,实现种群粒子分布的多样性.首先采用线性和非线性变异策略改进鸽群算法中的地图罗盘算子,提高鸽群算法的开发和探索能力.然后采用改进后的组合优化鸽群算子更新粒子群中粒子位置和速度,提高收敛速度和计算精度,避免算法陷入局部最优.实验表明,文中算法提高收敛计算速度,精度达到函数设定的理想值.     

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。     

融合模拟退火机制的自适应花朵授粉算法

针对基本花朵授粉算法存在的不足,为提高其收敛速度与寻优精度,提出一种融合模拟退火机制的并且根据迭代进化来动态调整全局步长和局部繁衍概率的自适应花朵授粉算法。首先,在基本算法的全局授粉莱维飞行中使用变形指数函数的缩放因子来控制步长,使得花朵个体随迭代次数的增加自适应地进行位置更新;然后,通过瑞利分布函数结合迭代次数对繁衍概率影响因子进行改进,使得在避免早熟收敛的同时能够在后期向着最优解靠近;最后,在已改进的花朵授粉算法中融入模拟退火降温操作,这不仅增加了种群的多样性,而且改善了算法的整体寻优性能。仿真结果表明,改进后的算法 具有较快的收敛速度和较高的收敛精度,寻优性能得到了显著提高。