基于混合决策的改进鸟群算法

针对鸟群算法(bird swarm algorithms, BSA)在求解复杂函数问题时存在的精度低、易陷入局部最优等问题,在保留BSA简单性的同时,提出一种基于混合决策的改进鸟群算法(improved bird swarm algorithms based on mixed decision making, IBSA)。应用重心反向学习机制初始化鸟群,维持鸟群较好的空间解分布。为了有效平衡算法在寻优过程中全局探索能力和局部发觉能力,动态调整鸟群飞往另外区域的周期。引入自适应余弦函数权重策略和加权平均思想对生产者觅食公式进行改进,增加算法在陷入局部最优后的脱困能力。在9个测试函数的基础上通过仿真试验对比基于IBSA、BSA、粒子群算法(particle swarm optimization, PSO)性能。结果表明,改进算法在单峰函数和多峰函数的测试中,寻优精度和寻优速度得到了较大程度上的提升。     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

基于元优化的KNN入侵检测模型

为了改善基于K-近邻(K-nearest neighbor,KNN)入侵检测模型的性能,提出一种基于局部搜索算法的元优化特征权重KNN入侵检测模型。利用差分进化算法优化特征权重,采用基于局部单峰采样(local unimodal sampling,LUS)的元优化模型对差分进化算法进行优化。应用NSL数据集进行仿真实验,将本优化模型和其他常用智能启发算法,包括遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法和灰狼优化(grey wolf optimization,GWO)算法进行比较。实验结果表明,与传统KNN算法模型相比,该模型的准确率提高了2. 86%,检测率提高了3. 18%,误报率降低了50%,而且基于元优化的优化策略优于其他常用优化算法。     

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.     

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。     

基于Levy飞行策略的自适应改进鸟群算法

针对新型生物启发式群智能算法—鸟群算法(BSA)因进化初期种群多样性不足,以及认知和群体行为调节参数的改变而导致在优化小部分多极值函数时种群收敛精度变差、收敛迭代次数偏大甚至出现早熟收敛、陷入局部最优的问题,提出了Levy自适应改进鸟群算法(LSABSA).该算法采用Levy飞行策略的随机游走模式来增加种群多样性和跳出局部最优值,并通过(0,1)随机均匀分布自适应改进惯性权重以及线性调整认知和社会系数来平衡BSA算法的全局和局部搜索能力,进而提高求解精度.最后采用10个典型测试函数对LSABSA算法以及粒子群算法(PSO)、改进粒子群算法(GPSO)和鸟群算法(BSA)进行仿真实验和分析对比,表明了LSABSA算法的收敛速度、精确度和稳定性均优于其他算法.     

基于混沌反馈乌燕鸥优化算法的随机配置网络参数优化

为了解决随机配置网络(stochastic configuration network, SCN)隐含层参数的选择与分配会影响其预测精度的问题，提出一种基于混沌反馈乌燕鸥优化算法(chaotic feedback sooty tern optimization algorithm, CFSTOA)的SCN参数优化方法。首先，利用Tent映射、线性因子调节策略、劣势种群反馈原则来改进乌燕鸥优化算法(sooty tern optimization algorithm, STOA),以增强算法的局部搜索能力，得到一种具备更快收敛速度和更高收敛精度的CFSTOA;然后，将CFSTOA用于优化SCN的正则化参数和权重偏差的尺度因子，从而得到最优的隐含层参数；最后，利用10个基准函数和4个标准回归数据集分别对CFSTOA的性能进行了测试。结果表明，CFSTOA具有更快的收敛速度且不易陷入局部最优，可以提高SCN算法的预测精度和训练速度。     

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。     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

一种基于多样性权重的算术优化算法

算术优化算法(AOA)是一种新型的元启发式算法,优化原理源自数学中的四则混合运算法则。在AOA探索阶段中,因搜索策略不足以出现早熟停滞或收敛速度缓慢等现象,使得优化结果陷入局部解。为此,提出了一种改进的算术优化算法(DAOA),在算法位置更新机制中引入多样性权重策略,为算术运算符寻优提供了更好的自适应搜索方向,提高了算法在局部区域的搜索能力。为了验证改进算术优化算法的先进性,采用12个基准测试函数进行实验,并与其他主流算法进行了对比,本算法具有更好的收敛精度和稳定性。     

改进灰狼算法及其在港口泊位调度中的应用

为提升港口泊位调度的效率,提出一种基于改进灰狼算法的船舶调度优化方法.针对灰狼算法收敛速度慢、寻优精度不高等不足,引入Sin混沌初始化,增强初始种群的均匀性和遍历性;引入头狼引领策略,加快算法收敛,提高算法效率;引入合作竞争机制,增强算法局部搜索的能力;在灰狼种群位置更新时引入自适应权值,以满足不同时期的寻优要求.为验证改进灰狼算法的有效性,将该算法与其他6种不同算法进行对比实验.结果表明:改进灰狼算法的收敛速度明显快于其他6种算法,在不同测试函数的仿真中均能得到所求函数的最优值,且该算法独立运行20次取得解的标准差均为0,表明该算法对不同维度的求解问题均具有很好的抗扰性;在港口泊位调度的应用中,经过该算法优化后,所有船舶停留总时间较优化前缩短了14.7%,大幅度缩短了船舶的在港时间.该算法在船舶调度优化中取得了满意的应用效果,能够得出相对较佳的调度方案,实现泊位停靠最优化,为港口泊位调度优化提供了新方法.     

实时数据下城市高架路短期交通流预测模型

灰狼算法具有容易困于局部最优且收敛精度有缺陷，笔者改进非线性收敛因子，同时利用差分进化策略，得到新的灰狼优化算法。借助基准测试函数进行验证，改进后算法的全局搜索能力和收敛速度强于标准灰狼算法。进一步把改进后的算法应用在城市高架路短期交通流预测，具有较好的可行性，经过比较可知，预测的精度有明显的提升，优化了实时数据下高架路短期交通流预测的计算路径。     

基于量子行为和差分进化的改进蜻蜓算法

针对原始蜻蜓算法易陷入局部最小值导致全局搜索能力较差,以及蜻蜓算法后期种群缺乏多样性易出现停滞现象等缺陷问题,提出量子行为和差分进化融合策略下的改进蜻蜓算法(QDEDA)。量子行为的融入改进了算法中蜻蜓个体的位置更新方式,差分进化的融入增强了算法中的信息交流,量子行为和差分进化融合策略实现了优化该算法向最优解方向搜索。最后选取8个标准测试函数进行实验验证,与原始蜻蜓算法、灰狼算法和粒子群算法进行对比分析,QDEDA在收敛速度和寻优精度方面均实现改善。     

一种改进的混合蛙跳算法求解有约束优化问题

提出一种适用于求解有约束优化问题的改进混合蛙跳算法(improved shuffled frog leaping algorithm, Im-SFLA)。该算法针对混合蛙跳算法(shuffled frog leaping algorithm, SFLA)在进化后期搜索速度变慢且容易陷入局部极值的缺陷,将模拟退火和免疫接种思想引入到具有高斯变异和混沌扰动的SFLA中。标准测试函数仿真结果表明Im-SFLA能显著提高收敛速度和精度,并能有效克服局部极值,全局寻优能力明显优于SFLA。使用静态罚函数法将有约束优化转化为无约束优化,对12个有约束优化测试函数的实验结果表明Im-SFLA寻优精度高、鲁棒性强,是一种十分有效的求解有约束优化问题的算法。     

基于鸟群搜索行为和余弦变异的改进白鲨优化算法

白鲨优化算法是受白鲨捕猎行为的启发设计的一种新元启发式算法。该算法在求解高维优化问题时,易进入早熟状态,寻优结果精度较低。为此,文章提出一种改进的白鲨优化（improved white shake optimizer,IWSO）算法。首先使用Sinusoidal混沌映射初始化种群,以提高种群多样性及初始解在解空间的分布性;其次,引入鸟群搜索行为,赋予白鲨游动速度自适应动态惯性权重,以提高算法的收敛速度;最后,在位置更新阶段引入精英白鲨余弦变异策略,利用余弦函数的周期性特征,驱使白鲨个体在精英白鲨的有限邻域内进行精细化开发,以提高收敛精度。在23个著名基准函数和CEC2014函数上做了性能对比实验,其结果表明,IWSO算法优于6种对比算法,适合求解函数优化问题。     

基于灰狼优化算法的置换流水线车间调度

采用了一种新颖的混合灰狼优化算法来求解置换流水线调度问题。针对标准灰狼优化算法在求解离散流水线车间调度问题时收敛速度慢的现象,并结合问题的特点,提出了改进的灰狼优化算法。为了避免非可行解的产生,在该改进算法中采用了随机键编码机制对工件位置进行编码,同时引入局部搜索策略以提高算法收敛能力,基于灰狼个体间的社会等级信息以最优3个狼指引其它个体到达最优解区域从而更新种群。通过最新标准测试集的仿真结果和算法比较验证了所提算法的有效性。     

基于新型两阶段混合算法的电力系统无功优化

针对电力系统无功优化领域现有的人工智能算法易早熟和收敛精度不佳的缺点,将萤火虫算法和量子粒子群算法相结合,形成一种新型两阶段混合优化算法。该混合算法采用串联的方法将GSO算法与QPSO算法混合,使两种算法优势互补。在算法迭代前期充分利用萤火虫算法可同时搜索全部局部最优解的特性,保证了寻优的全面性。在迭代中后期,利用量子粒子群算法收敛速度快、解的精度高的特点进行寻优,保证了算法的收敛精度。同时基于黄金分割点理论,引入了群体替代算子,避免了迭代后期算法陷入局部最优。经过算法在IEEE30节点算例中的对比仿真,结果表明:在无功优化领域中,两阶段混合算法的全局搜索能力,收敛速度及精度均优于对比算法。     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法.随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力.实验结果表明,改进后的算法在收敛速度以...     

递减步长果蝇优化算法及应用

提出一种递减步长果蝇优化算法(diminishing step fruit fly optimization algorithm,DS-FOA).该算法的搜索步长随果蝇觅食进程逐步减小,从而使果蝇群体在觅食初期具有较强的全局搜索能力,在觅食后期具有较强的局部寻优能力,从而实现全局搜索能力和局部寻优能力的平衡.将该算法用于支持向量机(support vector machine,SVM)回归模型的惩罚因子和核函数参数优化中,结果表明,DS-FOA收敛速度快,全局搜索与局部寻优能力强.与其他算法相比,由DS-FOA优化参数的SVM回归模型均方误差最低,回归效果好.     

自适应多策略粒子群优化算法的研究综述

粒子群优化(particle swarm optimization,PSO)算法模拟鸟群或鱼群中生物体的运动行为,是一类优秀的元启发式算法。PSO算法的研究现状是进行自适应多策略的探索。所谓多策略是指采用多种策略分别实现保持多样性、逃脱停滞/局部极值、加速收敛和局部搜索等目的,而自适应是指根据种群/粒子的演化状态动态地更新各策略中用到的关键参数以及恰当地进行策略的调用、转换和设置。通过对文献中各种自适应多策略PSO算法进行综述,分析得出PSO算法的发展趋势是结合维和更小尺度的搜索经验知识进行自适应多策略的研究。