多策略的郊狼优化算法

郊狼优化算法（coyote optimization algorithm,COA）是最近提出的一种群智能优化算法,具有独特的搜索结构和较好的优化性能。为了进一步提高COA的优化性能,提出了一种多策略的郊狼优化算法（multi-strategy COA,MSCOA）。首先,对于组内最优郊狼,采用一种全局最优郊狼引导的成长策略提高其社会适应能力,对于组内最差郊狼,采用一种最优郊狼引导强化策略强化最差郊狼的能力;其次,对于组内其他郊狼采用一种动态调整信息交流的组内成长策略提升组内郊狼之间的信息共享程度,并将这种组内成长策略与一种改进的迁移策略融合,更进一步提升搜索能力;最后采用动态分组策略减少参数手动设置,提高算法的可操作性。以上多种策略的使用更好地平衡了探索与开采,使算法的性能最大化。大量来自CEC2014测试集的复杂函数实验结果表明,与COA相比,MSCOA具有更强搜索能力、更快的运行速度和更高的搜索效率,与其他优秀优化算法相比,具有更明显的优势。     

差分扰动的堆优化算法

针对堆优化算法（HBO）在解决复杂问题时存在搜索能力不足和搜索效率低等缺陷,提出一种差分扰动的HBO——DDHBO。首先,提出一种随机差分扰动策略更新最优个体的位置,以解决HBO没有对其更新从而导致的搜索效率低的问题;其次,使用一种最优最差差分扰动策略更新最差个体的位置,以强化其搜索能力;然后,采用一种多层差分扰动策略更新一般个体的位置,以强化多层个体之间的信息交流,并提高搜索能力;最后,针对原更新模型在搜索初期获得有效解概率低的问题,提出一种基于维的差分扰动策略更新其他个体的位置。在大量CEC2017复杂函数上的实验结果表明,与HBO相比,DDHBO在96.67%的函数上具有更好的优化性能,更少的平均运行时间（3.445 0 s）;与WRBBO（Worst opposition learning and Random-scaled differential mutation Biogeography-Based Optimization）、DEBBO（Differential Evolution and Biogeography-Based Optimization）和HGWOP（Hybrid PSO and Grey Wolf Optimizer）等先进算法相比,DDHBO也具有显著的优势。     

融合混沌映射和二次插值的自适应鲸鱼优化算法

针对鲸鱼优化算法(whale optimization algorithm, WOA)易陷入局部最优，收敛速度慢和寻优精度低等问题，提出一种融合混沌映射和二次插值的自适应鲸鱼优化算法(adaptive whale optimization algorithm based on chaotic mapping and quadratic interpolation, CQAWOA)。引入混沌映射在初始化阶段生成新种群，实现种群多样性；设计自适应权重，提高算法全局搜索和局部寻优能力并加快收敛速度；利用二次插值策略生成新的鲸鱼个体，采用贪婪策略更新局部最优解，提高种群计算的精度。通过15个基准函数将改进算法与其它优化算法进行对比测试，测试结果验证了在求解过程中，改进算法寻优速度和求解精度均存在显著提升。     

一种基于Levy飞行的改进蝗虫优化算法

蝗虫优化算法是一种元启发式优化算法,能够用于解决任务调度问题。已有的改进蝗虫优化算法缺乏随机性,跳出局部最优的能力较弱,改进效果不够显著。针对这一问题,本文提出一种基于Levy飞行的改进蝗虫优化算法（LBGOA）。该算法引入基于Levy飞行的局部搜索机制增强算法的随机性,并采用基于线性递减参数的随机跳出策略来提高算法跳出局部最优的能力。CEC测试实验结果表明,所提出的算法拥有较强的搜索能力,在30个测试函数结果中能够获得17个最优解和6个次优解。将所提出的改进算法应用于边缘计算中的任务调度问题。任务调度仿真实验结果表明,所提出的算法能够有效提高搜索效果,相比GOA、OBLGOA、WOA、ALO、DA和PSO算法,LBGOA的搜索效果分别提升7.4%、7.5%、4.8%、27.7%、29.9%和20.7%。     

基于停滞检测的双向搜索灰狼优化算法

针对灰狼优化算法（GWO）易陷入局部最优、收敛速度低的问题,提出了一种基于停滞检测的双向搜索灰狼优化算法（DBGWO）。为了提升初始种群的质量,引入了Bernouilli shift映射;为了充分利用GWO特有的头狼机制,实现整体提升算法性能的目的,提出一种双向搜索策略;为了提升算法跳出局部最优的能力、增加算法的收敛速度,提出一种停滞检测机制,针对算法是否有陷入局部最优风险的判断,狼群会采取相应的措施改变当前状态。通过对23个基准测试函数进行仿真实验结果表明,所提算法在求解多峰函数问题上效果显著,同时在求解最优解非0点的函数问题上表现也较为优越。将该算法用于求解多阈值图像分割问题,解决了用Kapur熵法计算多阈值时耗时过长的问题。     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

增强开发能力的改进人工蜂群算法

为解决人工蜂群（ABC）算法收敛速度慢、精度不高和易于陷入局部最优等问题，提出一种增强开发能力的改进人工蜂群算法。一方面，将得出的最优解以两种方式直接引入雇佣蜂搜索公式中，通过最优解指导雇佣蜂的邻域搜索行为，以增强算法的开发或局部搜索能力；另一方面，在旁观蜂搜索公式中结合当前解及其随机邻域进行搜索，以改善算法的全局优化能力。对多个常用基准测试函数的仿真实验结果表明，在收敛速度、精度和全局优化能力等方面，所提算法总体上优于其他类似的ABC算法（例如ABC/best）和集成多种搜索策略的ABC算法（例如ABCVSS（ABC algorithm with Variable Search Strategy）和ABCMSSCE（ABC algorithm with Multi-Search Strategy Cooperative Evolutionary））。     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

改进的灰狼优化算法及其高维函数和FCM优化

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.     

基于混合灰狼算法的机器人路径规划

针对传统灰狼算法GWO优化精度低、易陷入局部最优等不足,构建了混合灰狼算法HGWO,并将其应用于机器人路径规划RPP问题。HGWO算法采用反向学习方法构建初始灰狼种群,力求提升初始解的质量。同时,算法在个体位置更新方法中融入自身历史信息以指导种群进化,并借助精英反向学习策略探索当前种群优秀解的反向解空间,以增强算法的勘探能力。为确保路径规划的精度并降低求解难度,利用Spline样条插值法拟合路径曲线。最后,进行了函数优化和路径规划的对比实验,实验结果表明,HGWO算法具有良好的求解精度和稳健的鲁棒性。     

用于函数优化和特征选择的翻筋斗觅食海鸥优化算法

针对基本海鸥优化算法（SOA）在处理复杂优化问题中存在低精度、慢收敛和易陷入局部最优的不足,提出了一种基于翻筋斗觅食策略的SOA算法（SFSOA）。该算法首先采用基于倒S型函数的控制参数A非线性递减策略更新海鸥个体的位置,以改善个体的质量和加快收敛速度;引入一种基于翻筋斗觅食策略的学习机制以增加海鸥个体位置的多样性,避免算法在搜索后期陷入局部最优值。选取八个基准函数优化问题进行数值实验,并与基本SOA、灰狼优化算法和改进SOA进行比较,结果表明,所提算法具有较高的解精度、较快的收敛速度和较强的全局搜索能力,能有效地处理复杂函数优化问题。最后,将SFSOA用于求解特征选择问题,获得了满意的结果。     

基于平面镜反射成像学习的海洋捕食者算法及特征选择

针对基本海洋捕食者算法在求解复杂优化问题时存在收敛速度慢、解精度低和易陷入局部最优的缺点,提出一种改进的海洋捕食者算法。一方面,该算法在迭代前期引入当前全局最优个体引导群体中其他个体进行搜索的策略,从而加快算法的收敛速度;另一方面,在迭代后期引入平面镜反射成像学习策略,从而帮助群体逃离局部最优和提高求解精度。将改进算法应用于12个基准测试函数的寻优,结果表明,该算法比在求解精度和收敛速度方面均获得了显著提高。再将改进算法应用于求解21个特征选择问题,结果表明,该算法能有效去除冗余特征,提高数据分类的准确度。通过以上对比实验,显示出该改进算法的性能具有较强竞争力。     

多策略协同改进的阿基米德优化算法及其应用

针对阿基米德优化算法（AOA）寻优过程中存在全局搜索能力弱、收敛精度低、易陷入局部最优等缺陷,提出一种融合多策略的阿基米德优化算法（MAOA）。首先,采用随机高斯变异策略选取适应度优的多个个体引导种群向最优解区域寻优,增强全局搜索能力;其次,利用多种混沌映射的随机性、遍历性和多样性,引入局部混沌搜索策略扩大混沌空间的搜索范围,提高算法的局部开发能力;同时,为了协调算法的全局勘探和局部开采能力,提出一种非线性动态密度降低因子;最后,利用Levy飞行引导机制的黄金正弦策略对种群位置进行扰动更新,增加迭代过程中种群的多样性,提高算法跳出局部最优的能力。通过对12个基准测试函数和部分CEC2014测试函数进行仿真实验,结果表明所提算法能够改善AOA全局探索能力弱、易陷入局部最优等缺点,提高AOA的寻优精度和稳定性。另外,引入机械设计案例进行测试分析,进一步验证MAOA在处理实际问题上的适用性和可行性。     

A whale optimization algorithm based on quadratic interpolation for high-dimensional global optimization problems

Whale Optimization Algorithm (WOA), as a new population-based optimization algorithm, performs well in solving optimization problems. However, when tackling high-dimensional global optimization problems, WOA tends to fall into local optimal solutions and has slow convergence rate and low solution accuracy. To address these problems, a whale optimization algorithm based on quadratic interpolation (QIWOA) is presented. On the one hand, a modified exploration process by introducing a new parameter is proposed to efficiently search the regions and deal with the premature convergence problem. On the other hand, quadratic interpolation around the best search agent helps QIWOA to improve the exploitation ability and the solution accuracy. Moreover, the algorithm tries to make a balance between exploitation and exploration. QIWOA is compared with several state-of-the-art algorithms on 30 high-dimensional benchmark functions with dimensions ranging from 100 to 2000. The experimental results show that QIWOA has faster convergence rate and higher solution accuracy than both WOA and other population-based algorithms. For functions with a flat or sharp bottom, QIWOA is difficult to find the global optimum, but it still performs best compared with other algorithms.     

强化最优和最差狼的郊狼优化算法及其二次指派问题应用

针对郊狼优化算法（COA）优化性能不足的问题，提出一种强化最优和最差狼的COA（BWCOA）方法。首先，对于组内最差郊狼的成长，在最优郊狼引导的基础上引入全局最优郊狼引导操作，以提高最差郊狼的社会适应能力（局部搜索能力）；然后，在组内最优郊狼的成长过程中嵌入一种随机扰动操作，即以郊狼之间的随机扰动促进成长，发挥组内每个郊狼的能动性，提高种群的多样性进而强化全局搜索能力；最后，组内其他郊狼的成长方式保持不变。将BWCOA运用到复杂函数优化和以医院科室布局为例的二次指派问题（QAP）中。在CEC-2014复杂函数上的实验结果表明，与COA以及其他最先进的算法相比，BWCOA获得1.63的平均均值排名和Friedman检验中1.68的秩均值，均排名第一。另外，在6组QAP上的实验结果表明，BWCOA获得了5次均值最优的结果。实验结果均表明BWCOA具有更强的竞争性。     

基于三次样条插值的自动入库泊车免疫粒子群改进算法

传统自动入库泊车轨迹优化算法不易寻到光滑、精确且优化的泊车轨迹。结合智能自动入库泊车原理,本文提出一种基于三次样条插值的自动入库泊车方法,从而获得理想优化的泊车参考轨迹。为了有效地提升自动入库泊车轨迹寻优算法的性能,以泊车轨迹最短作为优化目标来选定一组合适的泊车位置参考点,在三次样条插值的基础上,又提出一种免疫粒子群改进算法。首先,为提升算法全局搜索性能和收敛速度,引入自适应变异策略;然后,引入免疫机制来有效提升其全局优化能力。测试函数及自动入库泊车实际算例的仿真结果表明,所提出的自动入库泊车免疫粒子群改进算法具有更高的寻优精度和较快的收敛速度。     

Multi-strategy ensemble grey wolf optimizer and its application to feature selection

To overcome the limitation of single search strategy of grey wolf optimizer (GWO) in solving various function optimization problems, we propose a multi-strategy ensemble GWO (MEGWO) in this paper. The proposed MEGWO incorporates three different search strategies to update the solutions. Firstly, the enhanced global-best lead strategy can improve the local search ability of GWO by fully exploiting the search space around the current best solution. Secondly, the adaptable cooperative strategy embeds one-dimensional update operation into the framework of GWO to provide a higher population diversity and promote the global search ability. Thirdly, the disperse foraging strategy forces a part of search agents to explore a promising area based on a self-adjusting parameter, which contributes to the balance between the exploitation and exploration. We conducted numerical experiments based on various functions form CEC2014. The obtained results are compared with other three modified GWO and seven state-of-the-art algorithms. Furthermore, feature selection is employed to investigate the effectiveness of MEGWO on real-world applications. The experimental results show that the proposed algorithm which integrate multiple improved search strategies, outperforms other variants of GWO and other algorithms in terms of accuracy and convergence speed. It is validated that MEGWO is an efficient and reliable algorithm not only for optimization of functions with different characteristics but also for real-world optimization problems.