混合策略改进的蝴蝶优化算法

针对蝴蝶优化算法存在的求解精度低、易陷入局部最优等缺陷,提出混合策略改进的蝴蝶优化算法.首先,利用Circle映射初始化蝴蝶个体的位置,增加初始个体的多样性;其次,在局部搜索阶段利用动态切换概率控制改进正弦余弦算法与蝴蝶优化算法的转换,充分利用少量的蝴蝶个体,增强算法的局部开发能力;然后,在全局和局部位置更新处引入自适应余切权重系数,控制蝴蝶个体下一代的移动方向和距离,提高算法的收敛速度和精度;最后,引入逐维变异策略,对全局最优位置变异,引导种群向最优位置进化,避免陷入局部最优.对八个基准函数进行仿真实验,结果表明,改进算法的收敛性能更佳,与其他改进算法相比具有一定的竞争力.     

融合正弦余弦和无限折叠迭代混沌映射的蝴蝶优化算法

针对蝴蝶优化算法求解精度不高、收敛速度较慢等问题,提出融合正弦余弦和无限折叠迭代混沌映射(ICMIC)的蝴蝶优化算法.首先,采用ICMIC映射对蝴蝶个体状态进行初始化,避免算法陷入局部最优.然后,在自身认知飞行部分引入正弦余弦算子,平衡算法的局部搜索能力与全局搜索能力.最后,通过改进依赖香味大小的幂指数调整吸收程度,获取更好的最优解.在8个基准函数上的实验表明,文中算法具有较优的全局搜索能力和求解鲁棒性,寻优精度较高,收敛速度较快.     

收敛因子和黄金正弦指引机制的蝴蝶优化算法

针对蝴蝶优化算法(butterfly optimization algorithm,BOA)中存在的局部开采和全局探索能力不均衡,易陷入局部最优值,收敛精度低等缺陷,提出收敛因子和黄金正弦指引机制的蝴蝶优化算法(convergence factor and gold sinusoidal guidance mechanism of butterfly optimization algorithm,AGSABOA)。受到鲸鱼优化算法的启发将收敛因子融入算法的全局位置更新处,提高算法全局搜索的多样性;结合黄金正弦指引机制,弥补BOA算法迭代后期种群多样性下降,易陷入局部最优的不足。选取9个常用的基准测试函数进行的仿真结果表明,AGSABOA算法在寻优精度、收敛速度、鲁棒性方面更优。     

改进的蝴蝶优化聚类算法

针对当前算法在求解聚类问题时存在精度低、速度慢及鲁棒性差等问题,提出一种改进的蝴蝶优化聚类算法,借鉴精英策略思想重新定义蝴蝶优化算法的局部搜索迭代公式,然后融合遗传算法的选择、交叉和变异操作.在1个人工数据集和5个UCI数据集上的测试结果表明所提出算法的性能,且与其他算法相比具有一定优势.     

基于余弦相似度的改进蝴蝶优化算法

针对蝴蝶优化算法(BOA)容易陷入局部最优和收敛性差等问题,提出一种多策略改进的蝴蝶优化算法(MSBOA).首先引入余弦相似度位置调整策略,通过旋转变化算子和伸缩变换算子进行位置更新,从而有效地保持BOA的种群多样性;其次引入动态切换概率,来平衡BOA局部阶段和全局阶段的转换;最后增加混合惯性权重策略,以提高BOA的收...     

函数优化的量子正弦余弦算法

正弦余弦算法利用正弦和余弦函数对个体位置进行更新与搜索。为了避免正弦余弦算法早熟收敛,根据量子进化算法的相关理论和正弦余弦算法,设计了一种求解函数优化问题的新型智能算法——量子正弦余弦算法。量子正弦余弦算法则利用量子位对个体位置进行编码,以量子旋转门实现对个体最优位置的搜索,并以量子门实现个体的变异,从而避免早熟收敛。通过一系列典型函数优化问题的求解实验并与其他算法作比较,获得了满意的效果。     

融合变异策略的自适应蝴蝶优化算法

蝴蝶优化算法是近年来提出的一种新型自然启发式算法。针对基本蝴蝶优化算法收敛速度慢、求解精度低、稳定性差等问题,提出了一种融合变异策略的自适应蝴蝶优化算法。通过引入动态调整转换概率策略,利用迭代次数和个体适应度的变化信息动态调整转换概率,有效维持了算法全局探索与局部搜索的平衡;通过引入自适应惯性权重策略和局部变异策略,利用惯性权重值和混沌记忆权重因子进一步提高了算法的多样性,有效避免算法早熟收敛,同时加快了算法的收敛速度和求解精度。利用改进算法对12个基准测试函数进行仿真实验,与基本蝴蝶优化算法、粒子群算法、樽海鞘群算法、灰狼优化算法等其他算法对比表明,改进算法具有收敛速度快、寻优精度高、稳定性强等优异性能。     

局部遮荫下改进蝴蝶算法的MPPT控制仿真研究

光伏发电一段时间后,光伏阵列表面会受污渍或灰尘遮盖,导致光伏输出的功率特性出现多峰值现象.在局部遮荫条件下,针对传统的MPPT算法不能跳出局部最优来找到最大功率点以及传统的蝴蝶算法存在搜索振荡较大且收敛速度慢等问题,提出了一种局部遮荫下MPPT改进的蝴蝶优化算法.其在传统蝴蝶优化算法上引入收敛因子,加快全局搜索;引入正...     

自适应变异蝴蝶优化算法

针对基本蝴蝶优化算法存在的收敛速度慢、求解精度低和易陷入局部最优等问题,提出一种自适应变异蝴蝶优化算法。首先,利用改进帐篷映射结合重心反向学习初始化种群,获得更好的初始解;其次,在位置更新处引入非线性惯性权重,平衡算法的全局搜索与局部搜索能力;最后,在算法运行过程中,根据群体适应度方差以及当前最优解大小来决定是否对当前最优解和最差解进行高斯变异二次寻优,增强算法跳出局部最优的能力。对12个基准测试函数的多种维度仿真实验结果表明,该算法在收敛速度、求解精度和寻优稳定性方面明显优于其他对比算法。     

基于混合策略改进的鲸鱼优化算法

针对传统鲸鱼优化算法收敛速度慢、易陷入局部最优等问题,提出一种基于混合策略改进的鲸鱼优化算法。首先,引入非线性调整策略改进收敛因子,平衡算法的全局探索与局部开发能力并加快算法收敛速度;然后,将自适应权重系数引入鲸鱼位置更新式中,从而提高算法的寻优精度;最后,结合人工蜂群算法的limit阈值思想,使算法能够有效跳出局部最优,改善算法早熟收敛现象。通过对14个基准测试函数在不同维度上的仿真实验表明,改进算法具有较高的寻优精度和较快的收敛速度。     

单纯形和人口迁移的混合全局优化算法

针对基本人口迁移算法具有易早熟和精度不高等缺陷,利用人口迁移算法随机产生的点采用单纯形法进行优化,提出了一种基于单纯形法和人口迁移算法的混合全局优化算法。通过典型的测试函数Shaffer,验证了改进后算法的性能,并与10种类型的粒子群优化算法进行比较,结果表明,该文算法能获得比较好的解,收敛成功率高达100%。     

一种求解全局优化问题的新混合遗传算法

把简化的二次插值法融入实数编码遗传算法,构成适于求解全局优化问题的混合遗传算法,该混合算法可以较好解决遗传算法的早熟收敛问题,提高了收敛速度,改善了解的质量,并减少了计算量.由于该混合遗传算法对目标函数的性质没有要求,适合求解大规模问题和工程实际问题.通过对23个标准测试函数的仿真实验,并和已有算法的比较,结果表明本文提出的混合遗传算法是非常有效的.     

Web服务组合QoS全局优化算法

Web服务技术的发展使得组合Web服务的应用成为可能,组合服务的QoS优化问题的重要性越来越明显。遗传算法与蚁群算法是解决QoS全局优化的两种方法,针对采用蚁群算法进行优化时易出现的收敛速度缓慢及遗传算法易陷入局部最优解、效率不高的问题,结合两种算法的优势,充分发挥蚁群算法正反馈特性与遗传算法的快速全局搜索能力,改善QoS全局优化算法,提高了算法的优化能力,从而更好地解决了Web服务的QoS全局优化问题。     

融合正余弦优化与跳距优化的DV-Hop定位算法

针对DV-Hop定位算法中跳距计算不精确以及最小二乘法求解不能达到最优无偏状态导致定位不准确的问题,提出一种融合正余弦优化与跳距优化的DV-Hop定位算法,并给出了最优化锚节点的概念。该算法首先选取每个未知节点周围所有锚节点中平均跳距最小的锚节点作为最优化锚节点;然后选取其余任一锚节点与未知节点构成三角形,将最优化锚节点到未知节点的边作为三角形中的最优化边;其次利用余弦定理计算其余锚节点到未知节点的距离,达到优化跳距的目的;最后利用正余弦优化算法改进最小二乘法,利用正余弦函数的波动性寻找未知节点的最优位置。实验结果表明,该算法相比于传统DV-Hop定位算法和DV-Hop改进算法,定位误差明显降低。     

一种有效的解无约束全局优化的进化算法

为了解决进化算法在求解全局优化时易陷入局部最优和收敛速度慢的问题,设计了一个杂交算子,利用种群中最好点与其他点间的关系确定搜索方向,从而快速地找到实值函数的下降方向,一旦算法找到优于种群中最好点的点,利用所构造的两条直线交点的投影对其进行进一步优化,使函数值更迅速地下降.提出了适合杂交算子的初始种群生成方法.设计了一个既能提高收敛速度又能摆脱局部最优的变异算子以增强算法的效果.在此基础上,提出了一个求解全局优化问题的高效进化算法,并从理论上证明了全局收敛性,从数值上验证了有效性.     

多峰值全局优化的混合算法

根据遗传算法在较小的可行区域内一般有较好的求解结果这一事实,提出了一种混合算法。该算法先利用区间算法求解全局优化问题来得到包含所有最优解的小区间,随后运用遗传算法进行后续过程。算法能够有效缩小一个较大的可行区域空间,提供高适应值的初始种群,求出多峰值问题的全部最优解,提高算法的求解精度同时避免陷入局部最优。最后数值实验说明了算法的有效性。     

用于多维函数优化的实数编码量子蚁群算法*

基于量子计算理论及蚂蚁群体寻优策略,提出了一种用于连续优化问题的新方法——实数编码量子蚁群算法（RQACOA）。针对量子比特编码和二进制编码在连续优化问题上的不足,引入一种新的实数编码表示方法,设计了智能量子蚂蚁,一条染色体携带指定范围内的多个个体信息。智能量子蚂蚁利用量子态纠缠和相干机理,通过叠加、变异及自学习来完成前期进化过程,然后以蚂蚁群体智能寻优方式进一步求解。实验结果表明,该算法具有强的全局寻优能力及快速搜索能力。     

The spherical search algorithm for bound-constrained global optimization problems

In this paper, a new optimization algorithm called Spherical Search (SS) is proposed to solve the bound-constrained non-linear global optimization problems. The main operations of SS are the calculation of spherical boundary and generation of new trial solution on the surface of the spherical boundary. These operations are mathematically modeled with some more basic level operators: Initialization of solution, greedy selection and parameter adaptation, and are employed on the 30 black-box bound constrained global optimization problems. This study also analyzes the applicability of the proposed algorithm on a set of real-life optimization problems. Meanwhile, to show the robustness and proficiency of SS, the obtained results of the proposed algorithm are compared with the results of other well-known optimization algorithms and their advanced variants: Particle Swarm Optimization (PSO), Differential Evolution (DE), and Covariance Matrix Adapted Evolution Strategy (CMA-ES). The comparative analysis reveals that the performance of SS is quite competitive with respect to the other peer algorithms.