余弦自适应混沌被囊体种群优化算法

针对被囊体种群优化算法存在易陷入局部最优、收敛速度慢等缺点,提出一种余弦自适应混沌被囊体种群优化算法。在模拟被囊体喷射推进行为中,引入余弦自适应曲线计算搜索个体间的社会作用力,从而改进算法易出现早熟的问题;并在搜索个体向最佳位置移动上增加了一种混沌行为,使其避免局部最优并拥有更快的收敛速度。采用多种标准测试函数进行测试,实验结果表明,提出的新的被囊群优化算法在保留原有算法优点的基础上具有更好的收敛速度、精度和全局最优性。     

多策略融合改进的自适应被囊群算法

针对被囊群算法全局搜索不充分和易陷入局部极值等问题,提出一种多策略融合改进的自适应被囊群算法(MITSA)。首先,在种群初始化中引入佳点集理论提升种群多样性;其次,提出一种多精英协同引导机制优化被囊个体位置信息,增大对未知搜索区域的勘探可能性以增强算法全局探索能力;然后将自适应权重因子引入群体行为阶段,动态平衡算法的全局与局部搜索性能;接着,为增强算法的抗停滞能力,采用依概率小波变异策略实现个体动态微调,同时利用贪婪原则保留优异信息助推种群向食物源靠近;最后基于Markov链理论对改进算法的全局收敛性进行分析论证。通过对基准测试函数和CEC2014复杂函数进行数值仿真,实验结果与Wilcoxon秩和检验结果综合验证了MITSA具有优越的收敛精度、稳健的鲁棒性和高维可拓展性。     

采用改进被囊群算法的多冷水机组负荷分配优化

为了降低中央空调系统的运行能耗,针对多冷水机组负荷分配优化问题,提出一种随机森林特征优选结合核函数极限学习机的冷水机组能效预测模型,通过剔除冗余特征提高预测精度;然后提出一种混合策略改进的被囊群算法,融合鲸鱼螺旋搜索策略改进个体更新方式,引入非线性动态权重平衡全局探索和局部开发,使用空翻扰动策略避免陷入局部最优;最后在能效模型的基础上,采用改进被囊群算法对多冷水机组负荷分配进行优化。实验结果表明,随机森林特征优选的方法可以有效的提高能效预测模型的准确度;改进被囊群算法通过优化机组的启停状态和负荷率可以有效发挥系统的节能潜力,与原有方法相比能耗降低约6%。说明该方法适用于多冷水机组的负荷分配优化问题。     

基于改进被囊群算法的图像多阈值分割方法

为提升图像分割的准确度和性能,提出改进被囊群算法(improved tunicate swarm algorithm, IMTSA)的多阈值分割方法。基于折射反向学习初始化种群,采用精英反向学习重新选择优势个体,结合学生分布协调全局和局部搜索能力。在图像分割中,基于Otsu和最大熵方法,在不同阈值场景下,IMTSA与其它算法进行性能对比。实验结果表明,IMTSA在3类基准函数中均表现更好,图像分割效果与阈值数量成正比,其整体分割性能具有一定优势。     

优化算法的信息原理与群搜索

从两个不同的角度对各种进化算法进行剖析,寻求合理的解释.从信息论的角度进行讨论,分析了在算法设计中如何表示信息.提取信息、传递信息,利用信息与信息融合等问题,在优化技术与信息论之间建立了联系的纽带.从搜索的角度进行讨论,分析了单点搜索与多点搜索,指出了各种进化算法均属于随机布点,企图寻找全局最优的数值方法.     

多策略改进的被囊群算法在入侵检测中的应用

针对被囊群优化算法应用于网络入侵检测系统存在算法收敛速度较慢,容易陷入局部最优解的缺陷,提出一种适用于XGBoost的参数寻优以及特征选择的改进被囊群优化算法。应用Tent混沌映射和自适应步长两种策略加快算法的收敛,融合莱维飞行策略增强个体的路径扰动帮助算法更好跳出局部最优解。仿真结果表明,改进后优化算法收敛速度更快,更加稳定,寻优精度更高,在XGBoost上的应用相较于其它机器学习算法,取得了更好的检测结果,有效提高了网络入侵检测的性能。     

改进共享策略的简单群搜索优化算法

本文对GSO算法进行了改进。采用了三种改进措施,一是使用新的信息共享策略,不仅共享最优个体,而且共享其它优秀个体的位置信息;二是采用完全随机搜索,不再按搜索角度进行搜索;三是限制游荡者扰动的维数。其中第一项改进是本文提出的。经过6个经典测试函数测试对比后可知,无论在高维还是低维情况下,改进算法的搜索性能都优于原GSO算法以及GA、PSO算法,在高维问题中尤其明显。     

基于蚁群信息机制的粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法。通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向。提高了粒子间的多样性差异,从而改善算法能力。改进后的混合粒子群算法的性能优于带线性递减权重的粒子群算法。     

嵌入粒子群优化算法的混合人工蜂群算法

为了克服人工蜂群算法存在的早熟收敛、后期收敛速度变慢等缺点,提出了一种基于粒子群优化算法的混合人工蜂群算法(PABC).对陷入局部极值的雇佣蜂,采用粒子群优化算法对其重新进行初始化.粒子群优化算法具有很强的全局搜索性能,能使陷入局部极值的雇佣蜂尽快摆脱局部约束.测试函数的计算结果表明,改进的人工蜂群算法大大提高了蜂群算法的寻优能力,在收敛速度和精度方面均优于基本蜂群算法.     

全局信息共享的自适应FA算法

针对萤火虫算法FA对于高维复杂问题,收敛速度慢、求解精度低,优化效果不理想等缺点,提出一种基于全局信息共享的自适应FA算法。分别从三个方面对FA算法进行了改进:通过引入群体距离,改进γ值的调节方式,提升算法的自适应调节能力;通过增加过程搜索信息,加强算法的精细化调节能力;通过引入基于全局平均位置信息的量子空间下的δ势阱模式,增强算法的全局搜索能力。最后对几种典型函数的测试结果表明,改进算法在收敛速度与收敛精度上,较其它算法有明显提高。     

一种群模式全局搜索算法

由于模式搜索算法易陷入局部极值且效率低。受群智能算法的启发,结合模式搜索算法,提出一种全局优化算法——群模式全局搜索算法。该算法引入群智能的思想,包含4个操作:模式探测、模式移动、模式学习、模式扩散,具有较强的局部-全局搜索能力,且收敛速度快、稳定性好。对benchmark函数集进行仿真并与其它多个算法对比,实验结果证实该算法的有效性。     

基于分布存储的并行狭义遗传算法

讨论了基于分布存储的并行狭义遗传算法,实现了数据级的并行操作,具有较高的并行度。它具有收敛速度快,搜索过程稳定性好、可控制性强,以及通讯开销小等特点。     

基于信息熵的粒子群优化算法

粒子群算法是一种进化计算技术,并成功的运用于广泛的数值优化问题。PSO算法在求解高维复杂函数优化问题时容易陷入局部最优。有鉴于此,本文提出了一种基于信息熵的粒子优化算法。该算法提高设计了一种兼顾种群选择性压力以及种群多样性的选择策略,从而提高了粒子在运行过程中的多样性。实验表明,该算法有效避免了陷入局部最优,提高了全局最优解的搜索精度。     

粒子群优化算法

系统地介绍了粒子群优化算法，归纳了其发展过程中的各种改进如惯性权重、收敛因子、跟踪并优化动态目标等模型。阐述了算法在目标函数优化、神经网络训练、模糊控制系统等基本领域的应用并给出其在工程领域的应用进展，最后，对粒子群优化算法的研究和应用进行了总结和展望，指出其在计算机辅助工艺规划领域的应用前景。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

电子政务信息共享安全研究

随着电子政务的发展,电子政务中的信息安全已经成为了发展的焦点问题之一,网络中共享信息的要求与信息保密的要求构成一对矛盾。基于Web服务的信息共享平台中的交互活动主要由用户、服务和数据三部分组成,解决好这三方面的安全问题才能更好地保证共享信息的安全。从描述信息共享平台开始,分析了组成平台的三个方面的安全问题,最后具体实现了一个信息共享平台的结构模型。     

具有自适应弹射机制的粒子群算法

针对粒子群算法容易陷入局部最优和停滞的问题,提出自适应弹射机制的粒子群算法.为了保持粒子群的活力,在算法内引入弹射操作.当粒子满足条件,当前位置赋予很大的速度,使其飞到很远的区域.弹射方式可以选择全维弹射和概率弹射.为了配合弹射操作,提出粒子优劣的判断机制,使粒子可以被弹射飞出可行域.在算法中设定自适应判别函数,当粒子满足该判别函数,对粒子实施弹射.数值实验表明,文中算法具有较强的全局搜索能力和较快的搜索速度.     

基于免疫粒子群优化算法的增量式PID控制

基于粒子群优化算法的收敛速度快简单易实现的特点和免疫算法的免疫记忆、免疫自我调节和多峰值收敛的特点,本文设计出免疫粒子群算法,并将其应用于PID控制器中。仿真结果表明,免疫粒子群优化算法适用于增量式PID控制,并且基于免疫粒子群优化算法的增量式PID控制的跟踪效果和抗干扰能力比粒子群优化算法的PID控制和基于免疫算法的增量式PID控制跟踪效果和抗干扰能力都要好。     

随机装卸工问题的粒子群算法

在装卸工问题的基础上提出了随机装卸工问题及其求解策略。根据问题的特点设计了相应的粒子群优化算法,并通过数值算例就其求解精度和速度与标准遗传算法进行了对比分析。     

基于平均场模型的传感器网络信息共享算法研究

为了提高分布式系统信息共享的可扩展性,并提供区分感知程度的支持能力,基于平均场提出了一种新的应用于大规模传感器网络的信息共享算法.利用统计机制建立了网络全局态势感知的概率分布模型,并与网络节点的交互关系进行了关联映射.通过分析概率分布模型发现,在某一控制变量的相变点,具有较高差异度的网络能够快速达到信息共享,随后以该变量作为决策参数设计开发了借鉴模拟退火的交互算法.不同网络模型下的仿真实验验证了算法的可行性和有效性,并能得出达到最优差异度所需的交互报文数量.利用该结果可进一步分析或统计处理,进而确定网络节点的交互时机和交互对象,调整网络达到最佳性能.