融合Sin混沌和分段权值的阿基米德优化算法

针对阿基米德优化算法（Archimedes optimization algorithm,AOA）存在全局搜索能力弱、收敛精度低,易陷入局部最优等问题,提出融合Sin混沌和分段权值的阿基米德优化算法（SAOA）。采用无限折叠迭代的Sin混沌反向学习策略初始化种群,提高初始阶段解的质量,为全局搜索多样性奠定基础;引入算数交叉算子,将当前个体向与全局最优个体进行交叉,引导种群向最优解区域寻优,提高全局搜索能力;引入分段权值策略,平衡算法的全局勘探与局部开发能力,降低算法陷入局部最优的概率;通过对8个测试函数和部分CEC2014函数进行仿真实验及Wilcoxon秩和检验来评估改进算法的寻优性能,实验结果表明改进算法在搜索精度、收敛速度和稳定性等方面均有较大提升。另外,引入优化机械设计案例进行测试分析,进一步验证SAOA在工程优化问题上的可行性和适用性。     

多阶段动态扰动和动态惯性权重的布谷鸟算法

针对布谷鸟仿生智能优化算法存在着的易陷入局部最优、求解精度低以及收敛速度慢等问题,提出了基于多阶段动态扰动和动态惯性权重的布谷鸟搜索算法（MACS）。利用多阶段动态扰动策略对布谷鸟算法的全局位置的最优鸟巢位置根据方差可调的正态随机分布进行扰动,有利于增加种群的多样性和鸟窝位置的灵活性,提高算法全局搜索能力。在局部位置处引入动态惯性权重,使得算法有效克服易陷入局部最优的缺陷,提高局部寻优搜索能力。引入了动态切换概率[p]代替固定概率,可以动态平衡全局搜索和局部搜索。通过与4种算法相比和11个测试函数的仿真结果表明：改进布谷鸟算法（MACS）的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

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。     

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO.引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力.8...     

基于黄金莱维引导机制的阿基米德优化算法

针对标准阿基米德优化算法（AOA）在求解优化问题时存在全局探索能力弱、收敛速度慢和求解精度低等问题,提出一种多策略阿基米德优化算法（MSAOA）。首先,利用变区间初始化策略,使得初始种群尽可能地靠近全局最优解,从而提高初始解的质量;其次,提出黄金莱维引导机制,以提高算法在迭代后期的种群多样性;最后,在维持种群多样性的前提下,引入自适应波长算子,以达到提高算法搜索效率的目的。将所提算法与均衡器算法（EO）、正余弦算法（SCA）以及灰狼优化算法（GWO）在20个基准测试函数上进行比较实验。实验结果表明,所提算法具有更高的寻优精度和收敛速度,并将所提算法应用于4个机械设计实例中,再次验证了所提算法的有效性和优越性。     

双重反馈机制的蚁狮算法

针对基本蚁狮算法存在的收敛精度低、易陷入局部最优解的缺陷,将蚁狮能力和种群改善率的特征作为双重反馈信息引入ALO算法,提出双重反馈机制的蚁狮算法DFALO。DFALO算法运用动态自适应反馈调整策略以动态调整陷阱大小而提高收敛精度;利用时空混沌探索策略提高了全局搜索能力,避免算法陷入局部最优;采用多样性反馈高斯变异策略增强种群的多样性而避免算法出现早熟。八个标准测试函数仿真测试表明,DFALO在平衡全局搜索和局部开发能力上有显著提高,收敛速度快、全局搜索能力强、求解精度高。     

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。     

基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

针对多目标粒子群优化算法全局最优位置〖BP(〗(gbest)〖BP)〗选取存在的缺陷和局部搜索能力弱的缺点,提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进,引入拥挤距离机制,不再是粒子从档案中选择全局最优位置,而是档案成员从种群中选择合适的被引导粒子,引导种群均匀快速地向Pareto前沿飞行,提高了Pareto解的收敛性和多样性;其次当种群寻优能力减弱时,引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索,以提高算法的收敛性;最后通过与其他多目标优化算法的比较,结果表明MOPSO-GL具有更好的收敛性和分布性。     

混沌映射与动态学习的自适应樽海鞘群算法

针对传统樽海鞘群算法寻优精度低、易于陷入局部最优的问题,提出基于混沌映射与动态学习的自适应樽海鞘群算法.引入改进混沌Tent映射实现种群初始化,确保更加均匀的搜索空间;设计基于Logistic映射的领导者更新机制,有效增强种群多样性;利用基于动态学习的追随者更新机制,使算法跳出局部最优,提升全局搜索能力;设计领导者/追随者规模的自适应调整机制,有效均衡种群的局部开发和全局勘探能力.实验结果表明,该算法在收敛速度、寻优精度及寻优成功率上均有大幅提升.     

拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法

针对蝴蝶优化算法存在种群多样性差、寻优精度低、收敛速度慢的不足,提出了拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法。首先利用拉丁超立方抽样种群初始化策略以提高种群的多样性,从而增强算法的全局搜索能力;然后引入在不同进化时期自动调节搜索范围的自适应最优引导策略,平衡算法的全局和局部搜索能力,从而提升算法的寻优精度;最后采用高斯小孔成像策略,对最优个体进行扰动,使得种群个体向最优个体靠近,以进一步提升算法的寻优精度并加快算法的收敛速度。通过对14个基准测试函数进行仿真实验以及Wilcoxon秩和检验,结果表明改进算法的寻优精度、收敛速度、稳定性和可扩展性等性能均得到了较大提高。     

基于混沌搜索策略的鲸鱼优化算法

针对鲸鱼优化算法存在探索和开发能力难以协调、易陷入局部最优的不足,提出一种基于混沌搜索策略的鲸鱼优化算法(CWOA).首先,采用混沌反向学习策略产生初始种群,为全局搜索多样性奠定基础;其次,设计收敛因子和惯性权重的非线性混沌扰动协同更新策略以平衡全局探索和局部开发能力;最后,将种群进化更新与最优个体的混沌搜索机制相结合,以减小算法陷入局部最优的概率.对10个基准测试函数和6个复合测试函数进行优化,实验结果表明,CWOA在收敛速度、收敛精度、鲁棒性方面均较对比算法有较大提升.     

基于改进的Tent混沌万有引力搜索算法

万有引力搜索算法(gravitational search algorithm,GSA)相比于传统的优化算法具有收敛速度快、开拓性能强等特点,但GSA易陷入早熟收敛和局部最优,搜索能力较弱.为此,提出一种基于改进的Tent混沌万有引力搜索算法(gravitational search algorithm based on improved tent chaos,ITC-GSA).首先,改进Tent混沌映射来初始化种群,利用Tent混沌序列随机性、遍历性和规律性的特性使得初始种群随机性和遍历性在可行域内,具有加强算法的全局搜索能力;其次,引入引力常数G的动态调整策略提高算法的收敛速度和收敛精度;再次,设计成熟度指标判断种群成熟度,并使用Tent混沌搜索有效抑制算法早熟收敛,帮助种群跳出局部最优;最后,对10个基准函数进行仿真实验,结果表明所提算法能够有效克服GSA易陷入早熟收敛和局部最优的缺点,提高算法的收敛速度和寻优精度.     

采用混合搜索策略的阿奎拉优化算法

针对阿奎拉优化算法(AO)存在的不足,提出一种采用混合搜索策略的阿奎拉优化算法(HAO)。首先,利用动态调整函数平衡算法的全局探索与局部开发;其次,利用混沌自适应权重来增强算法的全局搜索能力、加快算法的收敛速度;最后,设计新的个体变异概率系数,采用改进型差分变异策略,利用适应度值较优个体引领群体中其他个体开展搜索活动,保持了种群的多样性,增强了算法跳出局部最优的能力。通过八个基准测试函数和10个CEC2019测试函数,以及一个工程应用问题的数值实验仿真对所提算法进行实验验证。实验结果表明,所提算法的全局收敛速度和优化精度均得到了明显地改善,跳出局部最优的能力得到了增强。     

基于切线飞行的麻雀搜索算法

为解决在临近全局最优条件下,原始麻雀搜索算法(sparrow search algorithm, SSA)存在种群多样性降低,局部开发能力薄弱导致不容易跳出局部最优点的问题,提出基于切线飞行的麻雀搜索算法(tangent flight sparrow search algorithm, tanSSA)。首先,使用自适应t分布策略改进发现者位置更新公式,可以提高麻雀个体的寻优能力,同时防止算法早熟。然后,利用切线搜索算法中切线飞行策略所具有的可以增强算法探索搜索空间能力,且能使算法跳出局部最优解的优势,在原始麻雀搜索算法中使用切线飞行扰动策略对最优解进行扰动。这两种策略相结合,可以有效提升tanSSA算法的勘探与开发性能。最后,使用12个标准基准测试函数,结合Wilcoxon秩和检验来测试验证tanSSA算法的优化性能,并与原始SSA算法、鲸鱼优化算法、粒子群优化算法以及自适应t分布SSA算法进行比较。实验证明,基于切线飞行的麻雀搜索算法的寻优能力和收敛速度都有显著提升。     

多策略融合的改进麻雀搜索算法及其应用

针对麻雀搜索算法易陷入局部最优、收敛速度慢等不足,提出一种多策略融合的改进麻雀搜索算法.采用精英混沌反向学习策略生成初始种群,增强初始个体的质量和种群多样性,实现对更多优质搜索区域的勘探以提升算法的局部极值逃逸能力和收敛性能;结合鸡群算法的随机跟随策略,优化麻雀搜索算法中跟随者的位置更新过程,平衡算法的局部开发性能和全局搜索能力;采用柯西-高斯变异策略提升算法的种群多样性保持能力和抗停滞能力.对10个不同特征的基准测试函数进行寻优,测试结果与Wilcoxon符号秩检验结果均表明改进算法具有更好的寻优精度、收敛性能和稳定性.最后,利用改进算法对最小二乘支持向量机的参数进行优化,应用于煤与瓦斯突出危险性辨识,通过实验进一步验证改进策略的有效性和改进算法的优越性.     

多策略融合算术优化算法及其工程优化

针对算术优化算法(AOA)在搜索过程中容易陷入局部极值点、收敛速度慢以及求解精度低等缺陷,提出一种多策略集成的算术优化算法(MFAOA)。首先,采用Sobol序列初始化AOA种群,增加初始个体的多样性,为算法全局寻优奠定基础;然后,重构数学优化器加速函数(MOA),权衡全局搜索与局部开发过程的比重;最后,利用混沌精英突变策略,改善算法过于依赖当前最优解的问题,增强算法跳出局部极值的能力。选用12个基准函数和部分CEC2014测试函数进行实验仿真,结果表明MFAOA在求解精度和收敛速度上均有明显的提升;另外,通过对两个工程实例进行优化,验证了MFAOA在工程优化问题上的可行性。     

混沌精英池协同教与学改进的ChOA及其应用

针对黑猩猩优化算法存在全局搜索能力弱、寻优精度低、收敛速度慢等问题,提出一种混沌精英池协同教与学改进的黑猩猩优化算法（chimp optimization algorithm improved by the elite chaos pool collaborative teachinglearning,ECTChOA）。采用混沌精英池策略生成初始种群,增强初始解的质量和种群的多样性,为算法全局寻优奠定基础;引入自适应振荡因子平衡ChOA的全局探索和局部开发能力;结合教与学优化算法的教学阶段和粒子群优化算法的个体记忆思想优化种群位置更新过程,提高算法的寻优精度和收敛速度。仿真实验将ECTChOA与标准ChOA、其他元启发式优化算法和最新改进ChOA在12个基准测试函数下进行寻优对比,实验结果与Wilcoxon秩和检验p值结果均表明所提改进算法具有更高搜索精度、更快的收敛速度和更好的鲁棒性。另外,将ECTChOA应用于机械工程设计案例中,进一步验证ECTChOA在实际工程问题中的可行性和适用性。