带高效变异尺度系数和贪婪交叉策略的回溯搜索优化算法

针对回溯搜索优化算法(BSA)收敛速度慢的缺点,提出基于麦克斯韦〖CD*2〗玻尔兹曼分布的变异尺度系数和带贪婪性的交叉策略,来提高算法收敛速度。利用麦克斯韦〖CD*2〗玻尔兹曼分布产生变异尺度系数,能有效提高搜索效率,提高收敛速度;在交换维数较少的交叉策略中使用向优秀个体群学习过的变异种群进行交叉,在充分保证种群多样性的前提下为交叉策略添加了一定贪婪性,成功克服了以往算法添加贪婪性时易陷入局部最优的缺点。对15个标准测试函数进行仿真实验,结果显示,改进算法收敛速度较快,收敛精度较高,即使在高维多峰函数中,相同迭代次数后改进算法的搜索结果比原BSA平均高出近14个数量级,收敛精度均达到10-10以上。     

随机变异的自适应布谷鸟搜索算法

布谷鸟搜索算法现在还存在收敛精度不高、寻优效果不佳的问题。为解决这类问题,本文在基本布谷鸟搜索算法的基础上引入了惯性权重和变异策略。优化后的布谷鸟搜索算法在搜索精度和寻优效果上都有了大幅度的提升。实验测试结果显示,改进算法比其它算法在函数优化上效果更加明显。     

具有组合变异策略的回溯搜索优化算法

针对回溯搜索优化算法收敛速度慢和易陷入局部最优的缺陷,提出了一种基于组合变异策略的改进回溯搜索优化算法。为了提高历史种群的多样性并扩大算法的搜索空间,在算法迭代过程中采用柯西种群生成策略,利用柯西分布尺度系数生成历史种群;引入基于混沌映射和伽玛分布的组合变异策略,在一定概率下对较差个体进行变异生成质量较好的个体;对新种群中越界个体采用越界处理策略,确保算法在预定的搜索空间内搜索。选取了11个标准测试函数,在低维和高维状态下进行数值仿真,并与3种表现良好的算法进行比较,结果表明该改进算法在收敛速度和收敛精度上有很大优势。     

融合自适应惯性权重和柯西变异的秃鹰搜索算法

针对基本秃鹰搜索算法存在收敛速度慢、易陷入局部最优的缺点，提出了一种融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES).首先使用Tent混沌映射初始化种群，保留了种群的多样性；其次，引入自适应惯性权重，加快算法的收敛速度，增强算法的局部开发能力；最后将柯西变异算子整合到当前全局最优位置进行变异更新，提高算法陷入局部最优的能力.通过12个单模态、多模态基准测试函数对CBES、BES、FPA、MFO、PSO 5种算法进行实验对比，实验结果表明了改进后的算法在收敛速度和精度方面均得到了提升.同时将该算法应用到实际工程中，验证了算法的扩展性和适用性.     

螺旋探索与自适应混合变异的麻雀搜索算法

针对麻雀搜索算法(SSA)收敛速度慢，易陷入局部最优的问题，提出一种螺旋探索与自适应混合变异的麻雀搜索算法(SHSSA).首先，采用一种无限次折叠的ICMIC混沌初始化种群，增加种群多样性和遍历性，为全局寻优奠定基础；其次，融入一种螺旋探索策略，增强发现者探索未知区域的能力，提高算法的全局搜索性能；然后，提出一种基于精英差分和随机反向的混合变异策略，加快算法收敛速度，改善算法跳出局部最优的能力.基于12个基准测试函数的仿真结果表明，SHSSA与其余3种算法及2种改进的麻雀搜索算法相比，收敛速度更快、寻优精度更高，稳定性更强.最后，将SHSSA应用于多阈值图像分割中，实验结果表明，相较于基本SSA算法，SHSSA的分割速度和分割精度均得到了提升.     

改进回溯搜索算法解决光伏模型参数识别问题

为了准确、可靠地识别光伏模型参数,提出一种改进回溯搜索算法(MBSA).该算法首先通过选取部分种群个体同时学习当前种群和历史种群信息,而其他个体向当前种群中最优个体学习并远离最差解,从而保持种群多样性并提高收敛速度;然后,通过概率来量化总体中的个体性能,进而每个个体基于概率自适应地选择不同的进化策略来平衡探索和开发能力...     

基于改进回溯搜索优化算法的应急资源调度

以连续性消耗应急系统为背景,建立以时间成本和运输成本最小化为目标的多资源多供应点调度模型。针对该模型的特点,对一种具有强全局搜索性的新智能算法——回溯搜索优化算法进行改进,设计变异操作中的变异尺度系数和交叉操作中的交叉概率策略,提高算法的收敛速度和求解精度。运用改进回溯搜索算法进行模型求解,仿真实例表明,改进回溯搜索优化算法在解决应急资源调度问题时拥有良好的性能,全局收敛性与求解精度均优于比较的回溯搜索优化算法、差分进化算法和粒子群算法,能够有效且合理地进行应急资源调度。     

基于差分进化的回溯搜索优化算法研究与改进

针对回溯搜索优化算法收敛速度慢和易早熟的缺点,提出了一种改进算法.首先,利用麦克斯韦分布产生变异尺度系数,并在此基础上提出了一种新的变异算子.新变异算子有效地加快了收敛速度.同时,在变异策略中添加了一种选择机制以增加全局搜索能力,避免出现早熟收敛.通过与差分进化的变异策略对比和经典测试函数的测试,实验结果表明改进算法不仅具有较快的收敛速度,而且具有良好的全局搜索能力.     

基于回溯搜索算法的决策粗糙集属性约简

属性约简是粗糙集理论的核心问题,为了获得更多更稳定的最小属性约简,根据决策粗糙集模型将最小属性约简问题转化为决策风险最小化问题,并给出了新的适应度函数计算方法;在此基础上利用回溯搜索算法较强的全局搜索性能,提出了基于回溯搜索算法的决策粗糙集属性约简算法;对UCI数据集的实验结果以及与其他约简算法的比较表明,该算法能够得到更多的最小属性约简,而且能够在多次运行中保持约简结果个数的稳定性。     

混沌优化的仿射尺度搜索算法研究

为了求解单目标线性规划问题,提出了基于混沌优化（COA）算法的仿射尺度搜索（AFS）算法,即混沌AFS算法。使用混沌优化算法以迭代方式从随机初始点中得到优化的初始点;将得到的初始解点作为仿射尺度搜索算法的起始点来提高仿射尺度搜索算法的性能;通过搜索单目标线性规划决策变量域得到可行的近似最优解。实验结果表明,相比传统的AFS算法,在求解单目标线性优化问题时所提混沌AFS算法明显降低了目标值的偏差,同时大大地减少了迭代次数及CPU运行时间。     

用进化算法和函数优化模型分析回溯算法上界

研究的是常出现在求解NP难问题的Davis-Putnam型指数时间回溯算法中的一类多变量递归问题。首先引入适当的赋权函数,把多变量递归函数转化为单变量递归函数;然后提出有效的优化模型,把求解单变量递归函数问题转化为一般的带约束条件的函数优化问题。传统的算法计算精度较差,并且求得的结果多为局部最优解。所以,引进新颖的遗传算法求解优化模型以改进求解精度和速度,并应用此算法求解了set packing问题,计算结果具有很高的精度。     

Sequential quadratic programming enhanced backtracking search algorithm

In this paper, we propose a new hybrid method called SQPBSA which combines backtracking search optimization algorithm (BSA) and sequential quadratic programming (SQP). BSA, as an exploration search engine, gives a good direction to the global optimal region, while SQP is used as a local search technique to exploit the optimal solution. The experiments are carried on two suits of 28 functions proposed in the CEC-2013 competitions to verify the performance of SQPBSA. The results indicate the proposed method is effective and competitive.     

基于元胞自动机的动态回溯搜索优化算法

针对传统回溯搜索优化算法存在收敛速度慢、搜索精度不高等问题,提出了一种基于元胞自动机和正交实验设计的改进算法。首先将正交实验设计方法引入算法的交叉算子中,得出具有代表性的优质子代个体;然后在元胞自动机邻居模型的基础上,对个体展开领域内多父代正交交叉操作,提高算法的开采能力和搜索效率;最后对参与交叉的种群引入动态优秀个体比例权重进行选择更新,并采用新的动态变异方程,平衡算法的全局搜索和局部搜索能力。通过对12个标准测试函数进行仿真实验,并与其他六种表现良好的算法进行比较,结果表明,改进的算法在收敛速度以及寻优精度方面都具有明显优势。     

基于回溯搜索优化的卷积混合语音盲分离

针对独立矢量分析（IVA）算法初始分离矩阵取值对分离性能影响较大的局限性,提出了基于回溯搜索优化的卷积混合语音盲分离算法。采用频域各频率点IVA分离信号的复数峭度和作为目标函数,利用回溯搜索优化算法（BSA）对初始分离矩阵进行优化调整,更好地实现了语音信号的盲分离。在分离过程中,采用复Givens旋转变换原理将对分离矩阵的求解转化为对旋转角度的求解,有效减少了BSA的参数编码维数,降低了优化求解难度。针对语音信号的卷积混合分离实验表明,该算法具有良好的分离效果,其分离性能较之基本IVA算法显著提升。     

混合策略改进的鲸鱼优化算法

针对标准鲸鱼优化算法易出现搜索速度慢、寻优精度低及早熟收敛等问题,提出一种混合策略改进的鲸鱼优化算法。首先采用混沌映射生成初始种群增加种群多样性,为算法全局搜索奠定基础;然后引入非线性策略改进收敛因子和惯性权重,平衡算法的全局探索与局部开发能力并加快收敛速度;最后根据群体适应度方差设定阈值进行变异操作,避免算法出现早熟收敛的现象。通过对12个典型基准函数进行三方面的性能测试,实验结果表明,改进算法在搜索速度、收敛精度等方面有显著提高,且摆脱陷入局部最优解的能力强。     

一种改进的约束优化差分进化算法

提出一种改进的差分进化算法用于求解约束优化问题.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.利用佳点集方法初始化个体以维持种群的多样性.结合差分进化算法两种不同变异策略的特点,对可行个体与不可行个体分别采用DE/best/1变异策略和DE/rand/1策略,以提高算法的全局收敛性能和收敛速率.用几个标准的Benchmark问题进行了测试,实验结果表明该算法是一种求解约束优化问题的有效方法.     

混合自适应引力搜索优化的特征选择方法

特征选择在许多领域具有重要作用,提出一种基于混合自适应引力搜索算法的特征选择方法,在最大化分类精度的同时从数据样本中选出最小特征子集。算法设计两种解更新策略进行组合式搜索,引入群体约简方法,有效地平衡算法的全局搜索和局部收敛能力,同时提出自适应调控参数,减少参数设置对算法性能的影响。在七组真实数据集中的实验结果表明,从分类精度、特征子集大小和运行时间三方面比较,提出的方法优于原始算法和已有相近算法,具有良好的综合性能,是一种有效的特征选择方法。     

引导小生境回溯优化算法

回溯搜索优化算法（BSA）是近年提出的一种新型优化算法,针对其收敛速度较慢、易陷于局部最优的缺点,提出了一种基于最优个体引导和小生境技术相结合的改进BSA算法。本方法首先在BSA的变异操作中引入向最优个体学习的策略,以提高算法的收敛速度;其次,设计一种新的小生境排挤技术,根据每个个体到其他个体距离的平均最小值确定小生境半径,排除部分相似性较高的个体;结合群体当前的最差信息,设计一种新的变异方法产生一定数量的新个体补充到新的种群中,维持群体数量的恒定并增强群体多样性。改进的BSA算法充分考虑了算法的收敛速度和群体的多样性,较大地提高了传统BSA算法的性能。对10个典型函数进行仿真测试,并与其他算法结果进行对比,实验结果表明,改进算法在收敛速度与精度方面具有较好的效果。