目标空间聚类的差分头脑风暴优化算法

作为一种新型的群体智能优化算法,头脑风暴优化(brain storm optimization,BSO)算法一经提出便引起了众多研究者的关注.本文在对原始头脑风暴算法的聚类操作和变异操作改进的基础上,提出了基于目标空间聚类的差分头脑风暴(difference brain storm optimization based on clustering in objective space,DBSO–OS)算法.算法通过对目标空间的聚类替代对决策空间的聚类,减小了算法的运算复杂度;采用差分变异代替高斯变异来增加种群的多样性.多个测试函数的仿真结果表明,目标空间聚类的差分头脑风暴算法不仅提高了算法的寻优速度,而且提高了算法的寻优精度.文中进一步分析了参数对算法性能的影响,设计了最佳参数选择方案,并用于对实际热电联供经济调度问题的求解,验证了算法的实用性.     

结合头脑风暴优化的混合蚁群优化算法

特征选择能够有效提升数据分类的性能.为了进一步提升蚁群优化(ACO)在特征选择上的求解能力,提出一种结合头脑风暴优化的混合蚁群优化(ABO)算法.该算法利用信息交流档案维护历史较好解,并通过基于松弛因子的时间最久优先方法动态更新档案.当ACO的全局最优解多次未更新时,采用基于Fuch混沌映射方法的路径-想法转换算子将档...     

机器人路径规划的新型头脑风暴优化算法

针对头脑风暴优化算法在求解机器人路径规划问题时存在初始解成功率低、运算代价大且路径不平滑等问题进行了研究,从心理学角度出发,提出了一种新型头脑风暴优化算法及其离散化方案。引入羊群效应下的教与学思想增强个体学习的方向性,并通过基于自我选择效应的步长调节机制扩大后期局部搜索比例,提升算法效率;离散处理阶段采用贪婪移动搜索法取得较优初始解,重新定义运算过程以双向平滑路径。仿真结果表明,新型头脑风暴优化算法在离散化前后均有较优的表现,在不同障碍物环境中均能规划出较优的路径。数值实验验证了所提算法的有效性,该算法在路径规划领域的应用值得进一步探索。     

多分支混沌变异的头脑风暴优化算法

头脑风暴优化算法是一种受人类群体行为启发的新型群智能优化算法。该算法通过模拟人类使用头脑风暴创造性解决问题的行为,在解空间中分析个体分布,并使用变异生成新个体,多次迭代求得最优解,具有较高的鲁棒性和自适应能力。针对头脑风暴优化算法精度较差、易陷入局部最优导致早熟收敛的缺陷,提出了一种多分支混沌变异的头脑风暴优化算法。该算法选取8种混沌映射,设计了一种多分支混沌变异算子。当原始算法陷入局部最优时,使用多分支混沌变异生成新个体,利用多种混沌运动的遍历性、随机性和多样性,扩大了混沌空间的范围,增强了算法全局搜索的能力。对10个经典测试函数的10、20、30维问题进行测试,并与原始头脑风暴优化算法、粒子群优化算法、遗传算法和布谷鸟搜索算法进行对比,实验结果表明,所提出的算法可以有效避免陷入局部最优,具有更高的稳定性和全局搜索能力。     

基于头脑风暴优化算法的Wiener模型参数辨识

Wiener模型是一种典型的模块化非线性模型,广泛应用于工业过程控制领域.由于其结构的非线性,参数辨识无法直接得到解析解.为此,将Wiener模型的参数估计转化为带约束的非线性优化问题,以头脑风暴优化(BSO)算法并行搜索该问题的最优解,并以搜索过程中的反馈信息调整BSO算法的变异过程,以改进算法的收敛速度和辨识精度.数值仿真和工业数据验证了所提算法的有效性.     

基于头脑风暴算法的电动货车路径优化问题

针对电动货车路径优化问题,应用物流网络以及电动货车电量消耗等方面的知识,研究了电动货车的智能调度方法,构建了带时间窗的电动货车路径优化模型(electric vehicle routing problem with time window,EVRPTW)。该模型考虑了耗电量与电动货车行驶速度、载重量之间的关系,客户满意度与软时间窗之间的关系。同时,引入了计算机智能算法,充分利用了遗传算法、头脑风暴算法等优化算法的智能化特征,有效提高了电动货车的配送效率。仿真结果表明:该模型运用头脑风暴算法的最优值精确度和收敛速度都优于遗传算法,可以有效解决EVRPTW问题。所提出的模型和算法能明显提高配送中心的配送效率,节省充电成本,提高顾客满意度。针对配送中心电动货车运营调度管理的特点,借助计算机技术以及自动控制技术,进一步提高了电动货车的配送效率,为物流网络系统的智能化调度提供技术准备。     

求解离散调度问题的双机制头脑风暴优化算法

为了探讨头脑风暴算法对离散调度问题的求解能力,以柔性作业车间调度问题为应用场景,提出集成种群多样性机制和讨论机制的头脑风暴优化算法.首先,建立柔性作业车间调度模型;然后,提出双机制头脑风暴优化算法,包含增加种群多样性机制和讨论机制,并深入分析算法的关键参数,设计关键操作,提出基于扩展工序的编码方式,设计聚类算法、扰动算子和合并算子;最后,对典型算例进行仿真计算,结果表明,增加种群多样性和讨论机制的头脑风暴优化算法表现最为优异,能够有效避免算法早熟,显著提高该系列算法的寻优能力.     

基于Spark的并行化头脑风暴优化算法及复杂多峰函数优化

头脑风暴优化BSO算法是一种新型的群体智能优化算法,启发于众人集思广益求解问题的模式,适合求解复杂多峰函数优化问题。但是,BSO求解多峰极值时需进行重复的迭代运算,面对大规模数据集时会出现计算效率与求解精度过低的现象。为解决上述问题,设计并实现了一种基于Spark的并行化头脑风暴优化算法,通过将BSO算法中计算复杂度最高的聚类与新解产生过程并行化,以提高算法的加速比与计算效率。特别地,基于并行化思想,将种群划分为多个子群进行协同演化,每个子群独立产生新解来保持种群多样性,提高算法的收敛速度。最后,利用并行化BSO算法求解多峰函数。实验表明,在并行节点的总核心数为10的情况下,并行化BSO算法计算时间节省一半,计算精度和串行BSO算法基本持平,收敛速度明显提高,实验结果说明了并行化BSO的有效性。     

融合头脑风暴思想的教与学优化算法

针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题，提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子，并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中，当前个体首先执行“教”算子。随后，在种群中随机选择两个个体，令其中优秀的个体与当前个体执行头脑风暴式学习，提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力，在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明，与TLBO算法相比，所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上，ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性，所提算法适合用来求解较高维度的连续优化问题。     

An improved brain storm optimization with chunking-grouping method

Brain storm optimization (BSO) is a population-based intelligence algorithm for optimization problems, which has attracted researchers' growing attention due to its simplicity and efficiency. An improved BSO, called CIBSO, is presented in this article. First of all, a new grouping method, in which the population is partitioned into chunks according to the fitness and recombined to groups, is developed to balance each group with same quality-level. Afterwards, a new mutation strategy is designed in CIBSO and a learning mechanism is used to adaptively select appropriate strategy. Experiments on the CEC2014 test suite indicate that CIBSO is better or at least competitive performance against the compared BSO variants.     

基于头脑风暴算法的FastSLAM2.0算法

针对FastSLAM2.0算法粒子权值退化与粒子多样性丧失导致机器人定位建图精度下降的问题,提出了基于头脑风暴算法改进FastSLAM2.0算法.通过头脑风暴算法替换FastSLAM2.0算法重采样过程,首先将重要性采样后的粒子权值作为头脑风暴算法中个体评判的适度值,根据适度值大小差异完成K-means聚类操作;其次对聚类后的集合进行变异操作,并取消头脑风暴算法中个体选择操作,从而实现改进头脑风暴算法替代FastSLAM2.0算法重采样过程,缓解粒子的贫化现象,增加粒子多样性,最终实现对机器人定位建图精度的提升.在机器人定位建图实验中,对比经典FastSLAM2.0算法和基于遗传算法改进FastSLAM2.0算法,提出的算法定位精度最高,相较于经典FastSLAM2.0算法,提出算法定位精度提升了63％,稳定性提升了55％.     

改进头脑风暴优化算法与Powell算法结合的医学图像配准

针对现有医学图像配准算法精度较差、易陷入局部极值和收敛速度慢的问题,结合多分辨率分析,提出改进头脑风暴优化（MBSO）算法与Powell算法结合的图像配准算法。MBSO算法通过改变个体生成方式调节参与局部和全局搜索的个体比例,应用可变步长加强搜索能力,达到跳出局部最优和加速收敛的目的。首先,在低分辨率层利用MBSO算法进行全局搜索;然后,将搜索结果作为Powell算法的初始点在高分辨率层进一步搜索;最后,在原始图像层利用Powell算法搜索并定位全局最优值。与粒子群优化（PSO）算法、蚁群优化（ACO）算法、遗传算法（GA）与Powell算法结合算法相比,所提算法平均均方根误差分别减小了20.89%、30.46%和18.54%,平均配准时间分别缩短了17.86%、27.05%和26.60%,并且达到了100%的成功率。实验结果表明,所提算法具有很强的鲁棒性,能够快速、准确完成医学图像配准任务。     

基于头脑风暴优化算法的多机器人气味源定位

针对现有室内湍流环境下多机器人气味源搜索算法存在历史浓度信息利用率不高、缺少调节全局与局部搜索的机制等问题,提出头脑风暴优化（BSO）算法与逆风搜索结合的多机器人协同搜索算法。首先,将机器人已搜索位置初始化为个体,以机器人位置为中心聚类,有效利用了历史信息的指引作用;然后,将逆风搜索作为个体变异操作,动态调节选中一个类中个体或两个类中个体融合生成新个体的数量,有效调节了全局和局部搜索方式;最后,根据浓度和持久性两个指标对气味源进行确认。在有障碍和无障碍两个环境中将所提算法与三种群体智能多机器人气味源定位算法进行定位对比仿真实验,实验结果表明,所提算法的平均搜索时间减少33%以上,且定位准确率达到100%。该算法能够有效调节机器人全局和局部搜索关系,快速准确定位气味源。     

头脑风暴优化算法求解带转角能耗多无人机路径规划问题

多台无人机协同完成野外传感器数据采集的工作中,建立具有精确能耗模型的多无人机路径规划问题模型尤为重要。提出了带转角能耗多无人机路径规划问题(multi-UAV path planning with angular energy consumption, MUPP-AEC)模型,该模型考虑了无人机在加速、减速、匀速、转角等飞行条件下的能耗差异。针对MUPP-AEC的特点,提出目标空间聚类离散头脑风暴优化算法(discrete brain storm optimization algorithm in objective space, DBSO-OS)。该算法采用个体空间整数编码和带2-opt的分阶段贪婪法解码策略,并对扰动算子和个体更新算子进行了离散化定义。个体更新算子中采用了混合随机反转变换和部分匹配变换的生成策略。实验结果表明:DBSO-OS能有效地求解MUPP-AEC;所提离散头脑风暴算子在全局收敛能力、求解精度和稳定性等方面均优于传统头脑风暴算子;在中小规模测试算例和较大规模测试算例的测试中,DBSO-OS优于对比算法。     

基于线性权重最优支配的高维多目标优化算法

在高维多目标优化问题中,Pareto支配关系存在非支配解随优化目标数增加呈指数级增长和种群选择压力下降等问题。针对这些问题,基于线性权重聚合函数和支配关系两种比较多目标解方法的思想,提出一种线性权重最优支配关系（LWM-dominance）,并理论证明了LWM非支配解集是Pareto非支配解集的子集,同时保留了种群中重要的角解。进一步地,基于LWM支配关系,实现了一个高维多目标进化优化算法,基于该算法的实验验证了LWM支配关系的性质。在随机解空间中的实验结果表明LWM支配关系适用于5~15个目标的高维多目标优化问题,通过DTLZ1~DTLZ7高维多目标优化问题进化过程中LWM非支配解集与Pareto非支配解集规模的对比实验,结果表明优化目标数为10和15时非支配解的比例平均下降了约17%。     

一种量子行为粒子群优化动态聚类算法*

为了改善量子行为粒子群优化算法的收敛性能,避免粒子早熟问题,提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法,新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确定最佳的聚类数目。在五个测试数据集上与其他两种动态聚类算法进行聚类实验比较,实验结果表明,基于完全学习策略的量子行为粒子群优化动态聚类算法能够获得较好的聚类结果,有着良好的应用前景。