精英反向黄金正弦海洋捕食者算法

由于基本的海洋捕食者算法在运行时存在求解准确度低和稳定性差等缺点,提出一种精英反向学习黄金正弦的海洋捕食者算法。加入精英反向学习机制,提升了海洋捕食者的种群质量,使得算法全面探索的范围得到了有效扩大;加入黄金正弦策略,改进了海洋捕食者捕食猎物的方法,缩小了海洋捕食者的搜索空间,使得算法的局部开发性能得到了有效提高。对12个基准测试函数和12个CEC2017函数进行求解测试,测试结果显示,2种改进策略有助于提高海洋捕食者算法的性能。     

融合反向学习和黄金正弦的改进粒子群算法

提出一种融合反向学习和黄金正弦的改进粒子群算法。通过反向学习策略优化初始种群的质量,提高算法的收敛速度;结合黄金正弦算法优化位置更新公式,并通过双面镜理论处理边界外的粒子,使粒子在搜索空间内分布更均匀,增强算法的搜索能力;利用柯西变异的方法对全局最优粒子的位置进行扰动,提高粒子跳出局部最优的能力。对8个测试函数进行实验,并与其他的五种算法进行比较,结果表明,本文改进之后的粒子群优化算法有着更快的收敛速度和更高的寻优精度。     

精英反向与二次插值改进的黏菌算法

针对基本黏菌算法(slime mould algorithm,SMA)易陷入局部最优值、收敛精度较低和收敛速度较慢的问题,提出精英反向学习与二次插值改进的黏菌算法(improved slime mould algorithm,ISMA).精英反向学习策略有利于提高黏菌种群多样性和种群质量,提升算法全局寻优性能与收敛精度;利用二次插值生成新的黏菌个体,并用适应度评估更新全局最优解,有利于增强算法局部开发能力,减少算法收敛时间,使算法跳出局部极值.通过求解多个单模态、多模态和高维度测试函数进行不同算法之间的对比,结果显示,结合两种策略的ISMA具有较高的寻优精度、寻优速度和鲁棒性.     

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。     

具有学习机制的正弦余弦算法

针对标准正余弦算法在求解函数优化问题时易陷入局部最优、收敛精度较差等问题,提出了一种具有学习机制的正弦余弦算法。该算法引入精英反向学习策略构造精英及反向群体,对其混合群体进行择优保留,从而优化了种群中的个体位置、提高了算法的寻优精度;同时,利用个体的反思学习能力防止个体盲目地向当前最优解学习,使算法停滞在局部最优,从而有效地避免了算法的未成熟收敛。在13个标准测试函数进行仿真实验,实验结果证明,该算法相比于对比算法具有较强的鲁棒性和函数优化能力。     

融合互利共生和透镜成像学习的HHO算法

针对哈里斯鹰优化算法收敛速度慢、易陷入局部最优的问题,提出一种融合互利共生和透镜成像学习的哈里斯鹰优化算法(improved Harris hawks optimization,IHHO).利用Tent混沌映射初始化种群,增加种群多样性,提高算法寻优性能;在探索阶段融入一种互利共生思想,并引入非线性惯性因子,以增强种群...     

融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法

阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。AO算法全局寻优能力强,但收敛精度低,容易陷入局部最优,而HHO算法具有较强的局部开发能力,但存在全局探索能力弱,收敛速度慢的缺陷。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了AO的探索机制与HHO的开发机制,提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能,并对比了几种经典反向学习策略,结果表明引入动态反向学习的混合算法收敛性能更佳,能够有效求解工程设计问题。     

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。     

基于混合策略的改进哈里斯鹰优化算法

针对原始哈里斯鹰优化算法(HHO)存在的收敛精度低、收敛速度慢、易陷入局部最优等不足, 提出了一种基于混合策略的改进哈里斯鹰优化算法(HSHHO). 首先, 在种群初始化阶段引入Sobol序列, 生成均匀分布的种群, 提高种群的多样性, 有利于提高算法的收敛速度; 其次, 引入limit阈值, 令算法在一定迭代次数没有获得更优值后执行全局探索操作, 提高算法跳出局部最优解的能力, 改善HHO在迭代后期只执行开发阶段而易陷入局部最优的缺陷; 最后, 提出一种动态的反向学习机制, 提高算法的收敛精度以及跳出局部最优的能力. 在9个基准函数和6个CEC2017函数上进行测试, 与其他多种优化算法、HHO变体作对比, 验证所提出策略的有效性, 并进行Wilcoxon符号秩检验、Friedman检验和Quade检验等非参数检验. 实验结果表明, HSHHO在收敛速度、寻优精度和统计测试方面具有较为优秀的性能. 最后, 还应用到焊接梁设计优化问题, 结果表明改进的算法对于带约束的实际工程优化问题也具有更好的效果.     

基于扰动的精英反向学习粒子群优化算法*

针对粒子群算法容易陷入局部极值、进化后期收敛精度低的缺点,提出了一种基于扰动的精英反向学习粒子群算法。算法采用在粒子迭代的过程中,以一定的概率对当前的最优个体进行动态一般反向学习生成其反向解,引导粒子向最优解空间靠近;用一种非线性递减的方式改变惯性权重,以提高算法的收敛速度和收敛精度;采用扰动的方式增强算法的局部探索能力,帮助粒子跳出局部最优解。在14个标准函数上进行仿真测试,结果表明改进算法具有更高的收敛速度和收敛精度,能有效的避免陷入局部最优,适合求解函数优化的问题。     

一种精英反向学习的差分演化算法

为提高差分演化算法的性能,提出一种精英反向学习策略的差分演化算法.该算法以一定的概率通过反向学习生成种群中精英个体的反向解,引入一般化系数k,构造动态搜索边界下的反向群体形成反向搜索空间,之后同时评估当前种群与反向种群的解来指导算法的搜索空间向包含全局最优解的空间逼近,有利于均衡算法的勘探与开采能力.对13个典型的测试函数进行实验,将本文算法与5种代表性的差分演化算法进行对比,结果表明本文算法不仅在求解精度上更优,在收敛速度上也有非常大的优势.     

异构WSN中基于改进哈里斯鹰的分簇算法

针对无线传感器网络中传统的低功耗自适应集簇分层型协议存在的节点能耗过高、网络生存周期短以及负载不均衡等问题, 本文提出了一种异构传感网络下的多目标簇头选举和基于模拟退火的哈里斯鹰路由优化算法(LEACH-MHO). 这种改进算法首先在计算节点最优阈值的基础上, 构建新的考量能耗和负载的适应度函数, 找到最优簇首节点, 保证簇首节点的均匀分布; 再建立基于哈里斯鹰优化器的路径选择策略, 同时嵌入模拟退火算法, 防止过早陷入局部最优; 最后使用评估函数筛选出可加入到最佳路径的簇头, 缩短簇头节点到基站的通信距离. 仿真实验数据表明, 与CREEP、LEACH-C、LEACH算法相比, 本文算法的网络生存寿命分别延长了22.18%、77.83%和180.52%, 能更有效地延长网络生存寿命.     

基于泛化反向学习的多目标约束差分进化算法

差分进化算法是一种简单有效的进化算法,基于泛化反向学习的机制在进化算法中经常可以引导种群的进化.针对多目标的约束优化问题,提出了一种基于泛化反向学习的多目标约束差分进化算法.该算法采用基于泛化反向学习的机制(generalized opposition-based learning, GOBL)产生变换种群,然后在种群初始化和代跳跃阶段,利用非支配排序、拥挤距离和约束处理技术从原始种群和其变换种群中选择更优的种群个体作为新的种群继续迭代进化;该算法通过采用基于泛化反向学习的机制,可以引导种群个体慢慢向最优的Pareto前沿逼近,以求得最优解集.最后采用多目标Benchmark问题对该算法进行了实验评估,实验结果表明：与NSGA-Ⅱ,MOEA/D及其他的多目标进化算法相比,提出的算法具有更好的收敛性,并且产生的解能够逼近最优的Pareto前沿.     

融合混沌反学习与蜂群搜索算子的引力搜索算法

引力搜索算法是最近提出的一种较有竞争力的群智能优化技术,然而,标准引力算法存在的收敛速度慢、容易在进化过程中陷入停滞状态.针对上述问题,提出一种改进的引力搜索算法.该算法采用混沌反学习策略初始化种群,以便获得遍历整个解空间的初始种群,进而提高算法的收敛速度和解的精度.此外,该算法利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.通过对13个非线性基准函数进行仿真实验,验证了改进的引力搜索算法的有效性和优越性.     

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。