Lévy飞行的正余弦乌燕鸥混合算法及应用

为解决标准乌燕鸥算法（STOA）易陷入局部最优和收敛速度慢等缺点,提出一种混合正余弦算法（SCA）和Lévy飞行的自适应乌燕鸥算法（SLSTOA）。采用正余弦算法的搜索方式,同时采用非线性递减自适应正弦因子,改进乌燕鸥算法的攻击搜索方式,来增强STOA算法的全局与局部探索能力。乌燕鸥个体和最优个体通过Lévy飞行策略进行变异,来增加种群多样性和扩大搜索空间,以达到提高跳出局部最优和全局探索能力。与四种先进的元启发式算法比较,SLSTOA算法性能通过6个基准测试函数进行评价,结果表明,相比其他四种元启发式算法,SLSTOA算法精度高、稳定性好和鲁棒性强。同时为验证SLSTOA算法的科学性与实用性,将其应用于解决32t/22.5m桥式起重机主梁结构优化设计中。     

基于改进乌燕鸥算法的移动音乐机器人路径规划

移动音乐机器人最短路径规划是一个带有复杂约束和高维的非线性规划问题,标准的乌燕鸥算法求解此问题时,存在局部停滞不足导致其获得的最短路径精度较低。为此,设计一种改进的乌燕鸥算法。引入一种新颖的改进Logistic混沌映射种群初始化策略,增强算法迭代初期的寻优能力;采用非线性自适应Lévy飞行攻击位置更新方式,协调算法的全局搜索和局部开发能力之间的动态平衡;采用Lévy飞行和黄金正弦混合扰动策略,提高算法的全局寻优能力。仿真结果表明：与其他著名算法相比,该算法路径规划结果更优,寻优能力和搜索效率更强,可高效地处理复杂的移动音乐机器人路径规划问题,具有较强的适用性。     

基于局部搜索策略的混合自适应布谷鸟算法

为了提高布谷鸟算法的搜索精度和全局收敛速度,提出一种基于局部搜索策略的混合自适应布谷鸟算法。在该改进算法中,每个当前解的周围随机产生一个局部种群,利用正余弦算子的局部寻优能力得到局部最优解,并用局部最优解替换当前解,以提高局部搜索精度;同时采用自适应发现概率和搜索步长替代布谷鸟算法中的固定发现概率和搜索步长,以提高算法的全局收敛速度。对25个经典高维基准函数进行实验表明,所提算法在收敛速度和求解精度上优于布谷鸟算法,通过将其应用于拉压弹簧、三杆桁架设计和0-1背包问题,验证了算法的有效性。     

基于小生境技术的改进鲸鱼优化算法北大核心CSCD

针对标准鲸鱼优化算法全局搜索能力不足、收敛速度慢等问题,采用小生境技术和引入自适应权重对鲸鱼优化算法进行改进。首先,引入小生境技术中的竞争选择策略,通过比较距离添加共享函数计算适应度来提高鲸鱼算法的寻优能力,避免WOA算法陷入局部最优,解决算法早熟现象;其次,采用自适应参数作为位置权重调整鲸鱼算法的位置公式,提高算法的收敛速度和寻优精度。将该算法引入单峰和多峰模态基准测试函数中,仿真实验表明,在保证算法收敛速度的同时,所提出的改进鲸鱼优化算法有效地提高了搜索能力和寻优精度。     

基于Lévy飞行微粒群算法的液压系统可靠性优化

针对微粒群算法易于陷入局部最优解、早熟的缺点,将Lévy飞行引入微粒速度迭代公式中,并动态改变微粒群速度迭代公式中Lévy飞行的权重值,提出动态Lévy飞行微粒群算法。根据T-S故障树理论,建立液压支架液压系统的可靠性模型,进而得出可靠性费用目标函数。将提出的动态Lévy飞行微粒群算法应用于液压支架液压系统的可靠性优化中,并通过标准微粒群算法、布谷鸟搜索算法和基于Lévy飞行微粒群算法比较,验证所提出算法的优越性。     

基于改进蝙蝠算法的移动机器人路径规划方法研究

针对智能算法解决移动机器人路径规划问题时存在的效率低下、易陷入局部最优等问题,将黄金正弦算法融合到蝙蝠算法中,提出一种具有快速收敛能力和全局搜索能力的混合算法.该算法利用黄金正弦对精英蝙蝠个体位置进行更新,增加算法寻优方式,提高收敛速度,同时使用平均种群位置对剩余个体进行引导,改善种群多样性;其次对最优个体分阶段进行单...     

一种改进的免疫算法在车间调度中的研究

针对免疫算法收敛较慢,种群更新优劣差距较大等缺点,提出了一种改进的免疫算法,并用该算法解决了FlowShop车间调度问题,结果表明算法具有较好的搜索与寻优能力,很好地克服了一般人工免疫算法搜索速度较慢、容易陷入局部最优解的缺点。该算法采用自适应的交叉算子、变异算子以及种群分割的方法,在搜索速度和全局最优解搜寻能力上与传统的零等待免疫算法相比有明显的优势。     

一种改进的免疫算法在车间调度中的研究

针对免疫算法收敛较慢,种群更新优劣差距较大等缺点,提出了一种改进的免疫算法,并用该算法解决了FlowShop车间调度问题,结果表明算法具有较好的搜索与寻优能力,很好地克服了一般人工免疫算法搜索速度较慢、容易陷入局部最优解的缺点。该算法采用自适应的交叉算子、变异算子以及种群分割的方法,在搜索速度和全局最优解搜寻能力上与传统的零等待免疫算法相比有明显的优势。     

搜索空间自适应调整蜂群算法的起重机主梁优化

为了减轻起重机主梁自身重量、实现主梁轻量化,提出了搜索空间自适应调整蜂群算法的主梁优化设计方法.建立了起重机主梁轻量化设计数学模型;以传统人工蜂群算法为基础,提出了蜂群搜索空间随迭代次数自适应缩减方法,直至最终锁定最优值区域;充分利用混沌系统的遍历性和随机性,使用混沌搜索蜜源代替停滞蜜源,不仅跳出了局部极值,而且实现了蜜源进化,有效提高了算法收敛速度和寻优精度.使用搜索空间自适应调整的混沌蜂群算法和传统算法求解主梁优化数学模型,改进算法优化的主梁面积比企业主梁截面积减少了2.77％,而传统算法只减少了2.42％;对优化后主梁进行有限元分析可知,主梁优化后依然满足约束条件,符合设计使用要求.     

基于混合策略改进的鹈鹕优化算法

针对鹈鹕优化算法求解精度低、稳定性不足、易陷入局部最优等问题,文章提出一种混合策略改进的鹈鹕优化算法（IPOA）。首先,为了增强种群的随机性和多样性,扩大种群的搜索范围,引入反向折射学习机制;其次,利用正余弦算法和鹈鹕算法融合,改进鹈鹕搜索猎物的方式,增强算法的局部搜索与全局搜索能力;然后,采用Levy飞行机制对鹈鹕位置进行更新,从而提高算法的搜索能力以寻找最优值;最后,引入自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强鹈鹕种群的多样性,避免算法陷入局部最优。通过12个标准测试函数对改进算法与海鸥优化算法、黑猩猩优化算法、鲸鱼优化算法、蛇群优化算法和基本鹈鹕优化算法进行测试比较,结果表明,IPOA具有更好的收敛速度和稳定性。最后将改进鹈鹕算法应用于压力容器设计优化问题,进一步证实改进后的算法具有较好的求解性能。     

改进的协同粒子群优化算法的研究与应用

为增强现有PSO算法和协同粒子群优化算法的优化性能,提出了一种改进的协同粒子群优化算法及一种新的协同策略。该算法在进化过程中,将寻优粒子群分解为若干子分群,各子分群粒子利用本分群经验和整个种群经验进行搜索,既能在分群内部不断搜索,不迷失寻优方向,又能周期性地共享整群最优值引导粒子找到最好解。分解为多个子种群有利于维持种群的多样性,有效抑制局部最优现象发生。对经典复杂函数的寻优测试表明,改进算法的鲁棒性、收敛速度、精度及全局搜索能力均优于基本PSO算法。最后将改进算法用于建立基于神经网络的旋转机械故障诊断模型,设计了相应的故障诊断系统。结果表明,基于此算法的故障诊断系统具有诊断精度较高、稳定性能较好等特点。     

一种自适应寻优的社会蜘蛛优化算法(SA-SSA)

针对标准社会蜘蛛优化算法(SSA)全局搜索能力不足、收敛速度慢等问题。提出一种自适应寻优的社会蜘蛛优化算法(SA-SSA)。在蜘蛛振动更新公式中,引入权重思想来构成振动自适应函数,动态调节最优位置的影响力,提高算法收敛速度;引入最优领域扰动策略,避免算法早熟,解决算法易陷入局部最优解的问题。在6个测试函数中进行仿真实验,结果表明所改进的自适应寻优的社会蜘蛛优化算法(SA-SSA)相较于其他群优化算法,如蝙蝠优化算法(BA)、人工鱼群(AFA)以及标准社会蜘蛛优化算法(SSA),具有更高的寻优精度和收敛速度,证明了改进策略的有效性。     

求解低碳车间调度问题的改进鲸鱼算法

针对传统柔性作业车间调度问题只考虑完工时间,设备利用率,完工成本等因素的局限,构建了以碳排放成本和完工时间成本加权和最小为目标的低碳柔性作业车间调度问题模型,并设计了一种改进的鲸鱼优化算法对其进行求解。首先,采用等长的两段式编码方式来表示柔性作业车间调度问题,引入基于ROV规则的转换机制,实现鲸鱼个体位置向量与调度解之间的相互转换。其次,采用基于一定比例的全局搜索、局部搜索和随机搜索的混合式种群初始化方法,生成一定质量的初始种群,同时设计了非线性收敛因子和自适应惯性权重系数来加强算法协调全局搜索和局部寻优的能力。再次,引入自适应调整搜索策略以提高算法跳出局部最优的能力。最后,通过实验数据验证了改进鲸鱼算法在求解低碳柔性作业车间调度问题方面的有效性。     

混合粒子交互微粒群算法

针对现有微粒群算法仅考虑单一一种引斥力规则使得其搜索能力存在的不足,考虑在不同搜索阶段采用不同的引斥力规则,提出搜索后期引力增强型混合引斥力微粒群算法(LAPSO算法)。利用拟态物理学中的引斥力规则使粒子保持多样性,提高算法的全局搜索能力;当进入到具有全局最优解的区域时,增强引力作用、减少斥力作用,利用比自身适应度好的粒子和全局最优解粒子的引力作用,提高算法的局部搜索能力。为进一步提高LAPSO算法的优化性能,将其与混合全连接型-环形拓扑结合,提出混合粒子交互微粒群算法(HIPSO算法)。通过6个Benchmark函数进行测试,结果表明,与现有的扩展-微粒群、微-微粒群、中值导向-微粒群等算法相比,所提的LAPSO算法、HIPSO算法具有较好的种群多样性,具有更好的寻优精度、收敛率和最优解搜索能力。结合文献[7]中的柔性流水车间调度离散优化实例和文献[20]中的超声振动加工工艺参数连续优化实例,验证了HIPSO算法的最优解搜索能力。     

多阶段自适应蝙蝠-蚁群混合群智能算法

针对蝙蝠算法在优化过程中未充分利用蝙蝠间搜索信息交互影响的不足,借鉴拟态物理学中的作用力规则,基于阶段性搜索策略将搜索过程分为两个阶段,分别构造符合算法阶段性搜索特点的作用力规则,提出多形态作用力蝙蝠算法,并利用Benchmark函数对所提算法与标准蝙蝠算法、变异蝙蝠算法、标准微粒群算法、两阶段微粒群算法进行性能对比测试,结果表明,所提算法具有更好的寻优能力.针对标准蚁群算法在离散空间优化时信息素更新机制单一、容易早熟收敛的不足,结合蚁群的实际社会活动提出多阶段自适应信息素机制蚁群优化算法,并在算法出现长时间停滞时,引入混沌算子使算法跳出早熟收敛,更好地发挥蚁群算法的优势,相对于标准蚁群算法、引入差分进化算法交叉变异机制的混合微粒群算法、基于动态局部搜索蚁群算法,所提算法在旅行商问题中具有更高的寻优精度、更好的稳定性.为综合不同群智能算法的优势,针对多形态作用力蝙蝠算法全局搜索能力强、收敛速度快,多阶段自适应信息素机制蚁群优化算法局部精细化能力强的特点,将两种算法串行混合,提出了多阶段自适应蝙蝠-蚁群混合群智能算法.最后,通过液压系统可靠性优化和串-并联多态系统可靠性优化实例,验证了所提混合群智能算法的有效性.     

混合随机反向学习和高斯变异的混沌松鼠搜索算法

针对松鼠搜索算法(SSA)易陷入局部最优、过早收敛等问题，提出一种混合随机反向学习和高斯变异的混沌松鼠搜索算法(RGCSSA)。该算法通过Tent混沌映射初始化策略生成混沌初始种群，增强初始种群分布的均匀性，实现对解空间更高效的搜索；采用非线性递减的捕食者概率策略，平衡SSA的全局搜索和局部开发能力；利用位置贪婪选择策略在迭代过程中不断保留种群中的优势个体，以提升算法收敛速度；引入随机反向学习和高斯变异策略，在增加种群多样性的同时提高算法跳出局部最优的能力。使用10个不同的基准测试函数进行仿真实验，并利用Wilcoxon符号秩检验验证所提算法的寻优性能，结果表明，RGCSSA算法在求解精度、收敛速度和稳定性等方面均有极大提升。     

一种混合遗传算法在PID参数优化中的应用

针对常规遗传算法收敛速度慢、易于早熟、局部寻优能力差等缺点,设计了一种混合遗传算法,即在全局搜索的遗传算法中引入局部搜索的单纯形算法,并将其应用于PID参数寻优.仿真结果表明,此混合遗传算法寻优设计的PID控制器可以有效地提高寻优精度和收敛速度,具有很好的动态品质和稳定性.     

基于改进烟花算法的桥式起重机主梁轻量化设计

介绍了烟花算法,并针对烟花算法寻优精度低、易陷入局部最优等缺陷对算法进行改进。引入反向学习策略优化种群,采用自适应因子改进爆炸半径,使用新的变异方式及交叉选择操作改进算子位置,且使用锦标赛选择策略选取优良个体。将改进算法引入桥式起重机主梁轻量化设计中,通过实例验证了算法的可行性。优化效果较明显且符合主梁约束条件。     

一种带有自适应变异的双种群优化算法

提出一种带有自适应变异的双种群算法(ATPSO),通过采用两个带有不同惯性权重的子群扩大搜索范围,并借鉴遗传算法的杂交机制和自适应变异,加快算法的收敛速度,提高算法跳出局部最优进行全局搜索的能力。实验结果表明,新算法较好地改善了标准PSO算法性能。     

求解带时间窗车辆路径问题的改进型烟花算法

针对带时间窗车辆路径问题,为寻求组合优化问题最优解,构建总运输成本最小数学模型。由于烟花算法搜索半径不能自适应调整,算法后期易陷入局部最优,故对爆炸算子进行改进,使最优烟花搜索半径自适应调整,增强后期局部搜索能力;同时利用分布式信息共享机制避免算法早熟并引入变异火花增强种群多样性。利用标准测试集进行验证后,结果表明该算法在求解带时间窗车辆路径问题时不仅具有可行性和有效性,并且收敛速度快、搜索质量高。