函数全局优化的改进实数遗传算法

针对有界区域复杂函数的全局优化问题,分析了一般实数遗传算法的不足,提出了一种新的改进实数遗传算法。在改进算法中,个体的适应度值直接按其目标值排序的方法获得,这可避免进化后期陷入局部极值;基于适应度的线性逼近交叉策略,随机遍历抽样选择、最优保存和子代淘汰父代选择结合的混合选择策略及变异概率动态变化的实值变异策略,可使算法以较快的速度收敛于最优值。对12个典型的复杂函数进行优化仿真,结果表明改进算法不仅收敛速度快,鲁棒性好,而且能得到较高的优化精度。     

基于遗传算法改进的交通干线信号优化研究

针对城市交通拥挤、道路通行能力低等问题,通过建立城市交通干线系统信号配时模型,设计了一种基于遗传算法改进的混合式优化算法.算法对遗传算法中适应度函数、交叉算子和变异箅子等进行了一些改进,并将混沌优化思想融入改进后的遗传算法中.用混合式优化算法对城市交通干线系统信号进行配时,有效地协调了各路口的信号灯,使交通干线系统的交通量得到了明显改善.仿真结果表明此算法具有较快的收敛速度和进化效率,能有效实现全局优化.     

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

在图像分割中,为了准确地把目标和背景分离出来,提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下,将改进的类间方差准则和最大熵准则作为适应度函数,通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时,为了提高全局和局部搜索能力,在蜂群进化时,将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中,并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值,从一组非支配解中选取最优阈值。实验结果表明,该算法能够取得理想的分割结果。     

多峰函数优化的改进群居蜘蛛优化算法

针对群居蜘蛛优化（SSO）算法求解复杂多峰函数成功率不高和收敛精度低的问题,提出了一种自适应多种群回溯群居蜘蛛优化（AMBSSO）算法。引入自适应决策半径概念,动态地将蜘蛛种群分成多个种群,种群内适应度不同的个体采取不同的更新方式,提高了种群样本多样性;提出回溯迭代进化策略,在筛选全局极值的基础上,根据进化程度执行回溯迭代更新,保证了算法全局寻优能力。高维多峰函数仿真结果表明,同SSO算法、PSO算法等优化算法相比,AMBSSO算法具有较快的收敛速度和较高的收敛精度,尤其适用复杂高维多峰函数优化问题。     

一种求解约束多目标优化问题的线性进化算法

针对多目标优化问题,提出了一种新的基于实数编码的线性进化算法.新算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,并构造出一种线性适应度函数,重新设计了一种基于密度函数的交叉算子.对二组典型优化问题的测试表明,本算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

混合策略改进灰狼优化算法的函数优化

为了解决灰狼优化算法在函数优化过程中搜索精度不高的问题,提出了一种分群优化、高斯变异和随机扰动混合策略改进的灰狼优化算法.一方面,通过采用分群优化策略,加强算法局部搜索与全局搜索之间的信息交换;另一方面,采用高斯变异和随机扰动策略维持算法进化过程中的种群多样性,并利用贪婪思想更新种群.通过引入包含单峰、多峰和固定维度多峰的多个基准测试函数,仿真实验验证了所提改进灰狼算法有效性.在与其他几种先进优化算法的综合比较与分析中,改进算法在搜索精度、寻优稳定性和收敛速度上体现出了明显优势.     

结合增广Lagrange罚函数的约束优化差分进化算法

利用增广Lagrange罚函数处理问题的约束条件,提出了一种新的约束优化差分进化算法。基于增广Lagrange惩罚函数,将原约束优化问题转换为界约束优化问题。在进化过程中,根据个体的适应度值将种群分为精英种群和普通种群,分别采用不同的变异策略,以平衡算法的全局和局部搜索能力。用10个经典Benchmark问题进行了测试,实验结果表明,该算法能有效地处理不同的约束优化问题。     

改进的乘幂适应度函数在遗传算法中的应用

在遗传算法优化过程中,引导搜索的主要依据是适应度函数。通过评估常见的几种适应度函数,兼顾保持种群的多样性和算法的收敛性,由乘幂尺度变换,提出了一种改进的乘幂适应度函数。以三个典型的测试函数为例,在相同遗传操作和参数情况下,分别采用常见的与改进的适应度函数进行优化比较。结果表明,所改进的乘幂适应度函数能明显提高算法的收敛精度、收敛速度和收敛稳定性,对提高遗传算法的整体性能有重要的意义。     

细菌觅食优化算法的研究与改进

细菌觅食优化算法是一种群集智能优化方法,针对细菌觅食优化算法中的迁徙和复制操作进行改进.迁徙操作导致已经找到最优位置或接近最优位置的细菌个体逃离最优位置,产生逃逸现象,极大地影响了算法的收敛速度.为解决快速性,根据菌群的进化代数改变迁徙操作的作用范围,避免逃逸发生,提出在复制操作中,按照细菌个体当前适应度值的优劣进行复制,更准确地实现了细菌个体的优胜劣汰,进一步提高收敛速度.经典函数测试表明,改进算法在收敛速度和精度上比原有算法有了较大提高.     

协同粒子群优化算法

为解决粒子群优化算法易陷入局部最优的问题,提出了两种新方法协同处理粒子群优化算法：对比平均适应度值差的粒子,用动态Zaslavskii混沌映射公式改进粒子惯性权重与速度矢量,在复杂多变的环境中逐步摆脱局部最优值,动态寻找全局最优值;对好于或等于适应度平均值的粒子,用动态非线性函数调整粒子惯性权重与速度矢量,在保存相对有利环境的基础上逐步向全局最优处收敛。两种方法相辅相成、动态协调,使两个动态种群相互协作、协同进化。实验表明该算法在多个标准测试函数下都超越了同类著名改进算法。     

New quantum inspired meta-heuristic techniques for multi-level colour image thresholding

The efficient meta-heuristic techniques, called ant colony optimization, differential evolution and particle swarm optimization, inspired by the fundamental features of quantum systems, are presented in this paper. The proposed techniques are Quantum Inspired Ant Colony Optimization, Quantum Inspired Differential Evolution and Quantum Inspired Particle Swarm Optimization for Multi-level Colour Image Thresholding. These techniques find optimal threshold values at different levels of thresholding for colour images. A minimum cross entropy based thresholding method, called Li's method is employed as an objective (fitness) function for this purpose. The efficiency of the proposed techniques is exhibited computationally and visually on ten real life true colour images. Experiments with the composite DE (CoDE) method, the backtracking search optimization algorithm (BSA), the classical ant colony optimization (ACO), the classical differential evolution (DE) and the classical particle swarm optimization (PSO), have also been conducted subsequently along with the proposed techniques. Experimental results are described in terms of the best threshold value, fitness measure and the computational time (in seconds) for each technique at various levels. Thereafter, the accuracy and stability of the proposed techniques are established by computing the mean and standard deviation of fitness values for each technique. Moreover, the quality of thresholding for each technique is determined by computing the peak signal-to-noise ratio (PSNR) values at different levels. Afterwards, the statistical superiority of the proposed techniques is proved by incorporating Friedman test (statistical test) among different techniques. Finally, convergence curves for different techniques are presented for all test images to show the visual representation of results, which proves that the proposed Quantum Inspired Ant Colony Optimization technique outperforms all the other techniques.     

Efficient quantum inspired meta-heuristics for multi-level true colour image thresholding

Thresholding is a commonly used simple and effective technique for image segmentation. The computational time in multi-level thresholding significantly increases with the level of computation because of exhaustive searching, adding to exponential growth of computational complexity. Hence, in this paper, the features of quantum computing are exploited to introduce four different quantum inspired meta-heuristic techniques to accelerate the execution of multi-level thresholding. The proposed techniques are Quantum Inspired Genetic Algorithm, Quantum Inspired Simulated Annealing, Quantum Inspired Differential Evolution and Quantum Inspired Particle Swarm Optimization. The effectiveness of the proposed techniques is exhibited in comparison with the backtracking search optimization algorithm, the composite DE method, the classical genetic algorithm, the classical simulated annealing, the classical differential evolution and the classical particle swarm optimization for ten real life true colour images. The experimental results are presented in terms of optimal threshold values for each primary colour component, the fitness value and the computational time (in seconds) at different levels. Thereafter, the quality of thresholding is judged in terms of the peak signal-to-noise ratio for each technique. Moreover, statistical test, referred to as Friedman test, and also median based estimation among all techniques, are conducted separately to judge the preeminence of a technique among them. Finally, the performance of each technique is visually judged from convergence plots for all test images, which affirms that the proposed quantum inspired particle swarm optimization technique outperforms other techniques.     

一种具有区域影响的人工萤火虫算法

受到自然界中萤火虫通过荧光进行信息交流的群体行为的启示,萤火虫算法被提出。它是一种新颖的仿生群智能优化算法。基本的萤火虫算法中,萤火虫个体间存在协作不足,易陷入局部最优的缺陷;考虑到萤火虫个体的区域影响作用,提出一种更接近社会上信息传递系统的萤火虫算法。该算法综合考虑了萤火虫个体的历史最优位置和萤火虫群体的历史最优位置对当前位置的影响作用,使相距较近的萤火虫个体能很快地得到信息并受其影响。实验仿真结果表明,区域影响下的萤火虫算法性能有了显著提高。     

非线性互补问题的粒子群算法

针对非线性互补问题求解的困难,利用粒子群算法并结合极大熵函数法给出了该类问题的一种新的有效算法。该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题,将该函数作为粒子群算法的适应值函数;然后应用粒子群算法来优化该问题。数值结果表明,该算法收敛快、数值稳定性较好,是求解非线性互补问题的一种有效算法。     

求解高维优化问题的改进正弦余弦算法*

提出一种改进的正弦余弦算法(简记为ISCA)。受粒子群优化(PSO)算法的启发,引入惯性权重以提高正弦余弦算法的收敛精度和加快收敛速度。此外,采取反向学习策略产生初始个体以提高种群的多样性和解的质量。采用8个高维基准测试函数进行仿真实验：在相同的最大适应度函数评价次数下,ISCA总体性能上均优于基本SCA算法和HGWO算法;当维数较高(D=1000)时,ISCA所用计算量远小于HDEOO。实验结果表明ISCA在收敛精度和收敛速度指标上均优于对比算法。     

多策略融合的粒子群优化算法

受天体学和植物学启发,提出一种多策略融合的粒子群优化算法（MSPSO）,以改善粒子群优化算法（PSO）易陷入局部最优的不足。三黑洞系统捕获策略和多维随机干扰策略的引入,使算法增强全局开拓能力的同时兼顾局部搜索能力,并通过协调因子完成从全局寻优向局部搜索的转变,进而提高收敛速度。同时,早熟扰动策略的采用,使算法陷入局部最优的概率降低。采用9个测试函数,将该算法与其他5种算法进行性能对比。仿真结果表明,MSPSO算法具有在相同迭代下更好的寻优能力、在给定精度下更快的收敛速度等优势。     

改进的SAMPSO的软件测试数据自动生成

针对软件测试数据的自动生成提出了一种简化的自适应变异的粒子群算法（SAMPSO）。该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法前期全局搜索能力,去掉了粒子群优化（PSO）算法中进化方程的粒子速度项,仅由粒子位置控制进化过程,避免了由粒子速度项引起的粒子发散而导致后期收敛变慢和精度低问题。实验结果表明该算法在测试数据的自动生成上优于基本的粒子群算法,提高了效率。     

惯性权值对粒子群算法收敛性的影响及改进

研究惯性权值对粒子群算法(PSO)收敛性的影响,在分析线性权值递减策略基础上,提出一种基于各粒子适应值的递减策略——FDIW。标准测试函数对比实验表明,该策略可以使粒子在搜索初期获得更好的多样性,从而使粒子具有更强的摆脱局部极值的能力,在搜索末期可以加快粒子收敛速度以提高PSO算法的性能。     

改进的粒子群模糊聚类算法

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。     

量子光学优化算法*

通过分析光学优化算法的特性,将光学优化算法中每个光源点都用量子空间中的一个粒子来描述,利用群体智慧的聚集性,建立了光学优化算法的量子势能场模型,并根据势能场模型的群体自组织性和协同性等特点提出了量子光学优化算法。通过对多个经典测试函仿真分析,得出量子光学优化算法在量子力学收敛理论下比光学优化算法控制参数少,设置简单,优化性能更好,收敛速度更快,优化了算法的收敛精度和速度。