混沌混合蛙跳算法

针对基本混合蛙跳算法(Shuffled Frog Leaping Algorithm,简称SFLA),收敛速度慢,优化精度低的问题,提出了混沌混合蛙跳算法。将混沌优化思想引入到蛙跳算法中,利用混沌运动的随机性和遍历性,对全局最优个体Xg或随机更新策略中的最差个体Xw进行混沌优化,并用优化结果随机替代当前种群中的某个体或Xw,通过这种处理增强了蛙跳算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。通过对6个测试函数和背包问题进行优化实验,仿真结果表明,混沌混合蛙跳算法的优化性能明显优于基本混合蛙跳算法和相关文献中的改进算法。     

一种新颖的差分混合蛙跳算法

在使用智能优化算法处理函数优化问题时,保持种群的多样性及加快种群的收敛速度可以提升一个算法的性能.针对混合蛙跳算法在寻优过程中易陷入局部最优和早熟收敛的缺点,本文提出了一种新颖的差分混合蛙跳算法.该算法借鉴差分进化中的变异交叉思想,在前期利用子群中其他个体的有用信息来更新最差个体,增加局部扰动性,以提高种群的多样性;在后期为加快收敛速度使用最好个体的信息进行变异交叉操作.同时本文使用归档集进一步保留种群的多样性.仿真测试结果表明:该算法在求解优化问题时较基本蛙跳算法和平均值蛙跳算法具有更好的寻优性能.     

基于邻域正交交叉算子的混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的群体智能优化算法。针对基本混合蛙跳算法优化精度低、收敛速度慢的缺点,引入邻域正交交叉算子的概念,提出了一种基于邻域正交交叉算子的混合蛙跳算法（SFLA-OCO）。通过对基准函数进行测试,实验结果证明改进的算法提高了算法的收敛速度,增强了算法的寻优能力。     

多种群粒子群算法与混合蛙跳算法融合的研究

针对粒子群算法和混合蛙跳算法在复杂函数寻优上易于陷入局部最优值的缺点,提出一种新的粒子群与混合蛙跳融合算法.算法采用多种群粒子群方法,每次进化后,将各子群中的最优粒子组成新的群体,采用混合蛙跳模式进化,以提高种群的多样性.粒子群各子群的进化模式中,除考虑本子群最好的粒子外,还考虑整合群体最好的粒子.相对于其它一些改进的粒子群或混合蛙跳算法,融合算法概念简单,易于实现,具有良好的全局搜索能力和较快的收敛速度.基准测试函数的仿真结果表明,本文算法优于目前一些常见的改进粒子群算法.     

一种新的改进的混合蛙跳算法

针对混合蛙跳算法在优化过程中受初始值影响较大且容易陷入局部最优的缺陷,提出了一个改进的混合蛙跳算法,该算法利用基于对立学习的策略产生初始种群,提高了产生解的质量;在进化过程中,将差分进化有机地嵌入其中,维持了种群的多样性。数值结果表明,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。     

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。     

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。     

混合蛙跳算法应用研究

混合蛙跳算法（SFLA）是一种模拟青蛙觅食行为的智能优化算法.算法具有设置参数少、简单易于理解、鲁棒性强等特点.由于该算法提出的时间不长,目前对此算法的研究成果并不多,该算法在理论和实践上还不够成熟,如该算法的鲁棒性、收敛性、稳定性等数学理论还未给出完整的数学证明,算法的适用范围目前还仅限于函数优化、组合优化、单目标优化、多目标优化等方面.本文重点分析研究了该算法的基本原理、应用前景、国内外的研究现状和主要研究内容,以及目前该算法研究过程中出现的问题.     

一种蛙跳和差分进化混合算法

混洗蛙跳算法（SFLA）具有算法简单、控制参数少、易于实现等优点,但在高维难优化问题中算法容易早熟收敛且求解精度不高。导致该缺陷的主要原因是在进化后期种群多样性迅速下降,且缺乏局部细化搜索能力。借鉴差分进化算法（DE）中DE/best/1/bin版本具有全局搜索能力较强、种群多样性较好的优点,将SFLA与DE有机融合,形成混合优化算法（SFL-DE）,以克服SFLA容易早熟收敛的缺陷。给出了6个30维benchmark问题数值对比实验,结果表明,在给定的较小进化代数内,SFL-DE的寻优效率、计算精度、鲁棒性等性能优于SFLA和基本DE（DE/best/1/bin和DE/rand/1/bin）,不足之处是其耗时更长。     

混合蛙跳算法研究综述

针对混合蛙跳算法(SFLA)是一种结合了基于遗传基因的模因演算算法和基于群体觅食行为的粒子群优化算法的亚启发式协同搜索群智能算法,系统地介绍了SFLA的基本原理和算法流程,讨论了SFLA的研究进展和应用现状,并指出了SFLA的发展趋势和下一步的研究方向.     

协同进化混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度低且易陷入局部最优的问题,提出了一种新的协同进化混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新引入平均值的同时充分利用最优个体的优秀基因,可有效扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙采取交互学习策略向邻近子群的最优个体交流学习,增加子群间交互的频繁性,提高信息共享程度,有利于进化。在全局迭代过程中采取精英群自学习进化机制,以对精英空间进行精细搜索,获得更优解,进一步提升算法的全局寻优能力,正确导向算法的进化。实验结果表明,所提算法在七个测试函数中均能收敛到最优解0,成功率为100%,优于其他对比算法。所提算法可有效避免陷入早熟收敛,极大地提高了算法的收敛速度和优化精度。     

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。     

基于伪差分扰动的混合蛙跳算法研究

为了充分发掘混合蛙跳算法求解复杂优化问题的能力,提出了一种新颖的改进混合蛙跳算法.改进算法借鉴粒子群优化算法的速度更新方式,通过族群中随机个体、最优个体和最差个体间的位置关系来确定最差个体的更新步长;借鉴差分进化思想,通过伪差分变异产生虚拟个体来更新最差个体,以提高种群开拓能力.通过对四个典型测试函数的仿真实验表明,相比其他几种改进算法,改进算法以100％的概率找到了某些函数的理论最优值,寻优效果更好,收敛成功率更高.     

基于蛙跳算法的无线传感器网络节点定位

为减小测距误差对无线传感器网络定位精度的影响,将蛙跳算法应用到距离式定位算法的位置计算阶段中,提出了蛙跳定位算法。该算法在适应度函数设计中,根据节点间的测距信息对锚节点进行了加权处理,以降低测距误差对定位结果的影响。结合最小最大法构造初始种群,使其包含更多可行解,从而提高算法效率。仿真结果表明,与采用极大似然估计法或总体最小二乘法来进行位置计算的距离式定位算法相比,该算法有效降低了距离误差对定位精度的影响,具有较高的定位精确度和稳定性,是一种实用的无线传感器网络节点定位方法。     

一种基于选择策略的差分混合蛙跳算法

设计了一种选择差分混合蛙跳算法SDSFLA,该算法通过增加组内个体更新个数提高了种群更新效率;通过引入差分进化算法的交叉算子和变异算子,加强了个体之间的信息交流;使用多种更新策略,提高了实验个体产生的成功率;随机选择控制参数,增加了种群的多样性。基于16个基准测试函数,将SDSFLA与一种改进的蛙跳算法、两种改进的差分进化算法进行对比,实验结果证实了SDSFLA算法的有效性和稳定性。     

基于新型蛙跳算法的低碳柔性作业车间调度

针对低碳柔性作业车间调度问题(flexible job shop scheduling problem,FJSP),提出一种新型蛙跳算法(shuffled frog leaping algorithm,SFLA)以总碳排放最小化,该算法运用记忆保留搜索所得一定数量的最优解,并采取基于种群和记忆的种群划分方法,应用新的搜索策略如全局搜索与局部搜索的协调优化以实现模因组内的搜索,取消种群重组使算法得到简化.采用混合遗传算法和教–学优化算法作为对比算法,大量仿真对比实验验证了SFLA对于求解低碳FJSP具有较强的搜索能力和竞争力.     

基于量子粒子群搜索策略的混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的群体智能优化算法。针对基本混合蛙跳算法局部搜索能力差,因而优化精度低、收敛速度慢的缺点,引入量子粒子群算法的搜索策略,提出了一种基于量子粒子群搜索策略的混合蛙跳算法（QPSO-SFLA）。通过对基准函数进行测试,实验结果表明改进的算法大大提高了算法的收敛速度,增强了算法的寻优能力。     

改进的反向蛙跳算法求解函数优化问题

针对混洗蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的缺点,提出了一种基于反向学习策略的改进算法,在种群初始化和进化过程中分别加入反向操作,产生更靠近优质解的种群,从而提高了算法的全局寻优能力,促进了算法收敛。实验仿真表明,新算法在寻优效率、计算精度等方面均优于原算法。