基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.     

集成协方差矩阵自适应进化策略与差分进化的优化算法

不同智能优化算法在求解优化问题时通常表现出显著的性能差异.差分进化(DE)算法具备较好的全局搜索能力,但存在收敛慢、效率低的不足,协方差矩阵自适应进化策略(CMA–ES)局部搜索能力强,具备旋转不变性,但容易陷入局部最优,因此, DE和CMA–ES之间具有潜在的协同互补能力.针对上述问题,提出了一种集成协方差矩阵自适应进化策略与差分进化的优化算法(CMADE).在CMADE框架中, DE算法负责全局搜索, CMA–ES算法进行局部搜索.通过周期性解交换机制实现CMA–ES和DE两个算法间协同交互和反馈控制.在解交换时,从DE种群中选择优秀个体,利用CMA–ES算法在优秀个体周围进行局部搜索.同时在DE和CMA–ES的混合种群中,综合考虑解的多样性和最优性,选取一定比例的解作为DE算法的新种群进行全局搜索,实现全局搜索与局部搜索的动态平衡.将CMADE算法与CMA–ES, DE, SaDE, jDE, EPSDE, ACODE和SHADE算法在CEC2014标准测试集上进行比较实验.结果表明, CMADE整体性能显著优于其它比较算法.     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

基于极值优化的混合差分进化算法

针对标准差分进化算法在求解复杂优化问题时易陷入局部最优的问题,提出了一种基于极值动力学机制的混合差分进化算法。该算法的核心在于,当种群聚集度较高时, 利用极值优化算法强大的波动性,通过引入基于种群的极值优化算法来提高种群多样性,从而协助差分进化算法跳出局部最优。仿真实验表明,该混合算法具有较好的全局收敛性,能有效避免早熟收敛。     

基于单纯形算子的混合差分进化算法

针对DE／rand／1／bin方案收敛速度慢的缺点,提出一种将单纯形确定性算法和差分进化随机搜索算法相结合的混合优化算法。利用差分进化算法搜索范围广、全局搜索能力强和单纯形算法局部搜索能力强、收敛速度快的特性,较大地提高了差分进化算法的收敛速度和搜索精度。典型Benchmarks复杂函数优化实验表明,该算法优化效率高、优化性能好、对初值具有较强的鲁棒性,性能优于单一的优化方法。     

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA).该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索.在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛.通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点.     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

自适应蚁群差分进化算法

针对传统差分进化算法在求解高维复杂问题时存在通用性差、鲁棒性低、收敛速度慢和求解精度低等问题,提出一种基于蚁群算法的自适应多模式差分变异策略.算法在每代进化中,个体根据各变异进化模式上的信息素大小,采用轮盘赌选择策略选择变异算子,并根据各变异算子对优化所做贡献的大小对信息素进行动态更新,贡献大的变异算子可以获得更多被选择的机会,使得各变异算子发挥其最大性能,从而提高算法的收敛速度和通用性.对5个高维的benchmark函数进行算法验证,实验结果表明,该算法很好的提高了差分进化算法的通用性和鲁棒性,有效地克服了收敛速度慢和早熟等问题.     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

基于差分演化与猫群算法融合的群体智能算法

提出一种基于差分演化与猫群算法融合的群体智能算法。该算法基于猫群算法的两种行为模式,引进差分演化的思想,根据分组率随机把群体分成两个种群,一个种群执行猫群算法搜寻模式,另一种群执行差分变异模式,算法采用一种信息共享机制,使两个种群在搜索最优解时可以实现协同进化,信息交流。既实现了不同进化模式间的优势互补,又可以增加种群的多样性。对5个基准函数进行仿真实验并分别与DE和CSO进行比较,表明混合算法同时具有全局搜索和局部搜索最优解性能,收敛速度快,计算精度高,更适合用于求解高维复杂函数。     

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE．该算法基于一种双种群进化策略，一个种群中的个体由粒子群算法进化而来，另一种群的个体由差分操作进化而来．此外，通过采用一种信息分享机制，在算法执行过程中两个种群中的个体可以实现协同进化．为了进一步提高PSODE算法的性能，摆脱陷入局部最优点，还采用了一种变异机制．通过4个标准测试函数的测试并与PSO和DE算法进行比较，证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法．     

基于混沌映射的自适应樽海鞘群算法

针对樽海鞘群算法收敛速度慢、易陷入局部最优等问题,提出了一种基于混沌映射的自适应樽海鞘群算法。在种群初始化阶段引入混沌映射来增强种群的多样性,提高算法的收敛速度;改进领导者的更新方式,同时加入自适应权重,提高算法的探索和开发能力;改进追随者的位置更新方式,减少追随者的盲目性。通过对10个测试函数进行仿真实验,并与其他优化算法进行比较,实验结果表明,在不改变原有时间复杂度的前提下,提出的算法在收敛速度和寻优精度上有较大的提升,具有更好的优化性能。     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。     

一种基于差异演化的协同粒子群优化算法

提出一种协同进化PSO算法,用于保持粒子种群的多样性并避免发生“早熟”的问题．该方法采用两个不同的分群;其中分群一的粒子采用标准PSO算法进行搜索寻优,分群二的粒子采用差异演化算法进行搜索和寻找最优解．在搜索过程中,如果标准PSO算法的适应度变化率低于一个阈值,则按照黄金分割率用分群二中的若干优势粒子取代分群一中的劣势粒子．用所提出的PSO算法和标准PSO算法对4种常用函数进行优化．结果表明,该粒子群优化算法比标准粒子群优化算法更容易找到最优解,而且优化效率和优化性能明显提高．     

人工萤火虫与差分进化混合优化算法

人工萤火虫优化算法在寻找函数全局最优值时存在着收敛速度慢、易陷入局部最优、收敛成功率和计算精度低等缺点,为此,文中将人工鱼群算法的觅食行为嵌入到人工萤火虫算法,并与差分进化算法融合,提出一种基于人工萤火虫与差分进化的混合优化算法.最后,通过4个典型测试函数和1个应用实例进行测试,结果表明所提出的混合算法收敛速度快,计算精度高,其整体逼近性能比基本人工萤火虫和差分进化算法更优.     

基于差分演化的粒子群算法

粒子群优化算法是一种简单有效的随机全局优化算法.但粒子群优化算法有易陷入局部极值点,进化后期收敛速度慢,精度较差的缺点.为了改进粒子群优化算法,将差分演化算法融合到粒子群优化算法中,在算法中,将粒子每代的所有局部最优位置进行变异、杂交、选择操作,提出了基于差分演化的粒子群算法.使粒子群算法和差分演化的探测和开发能力得到有效利用与平衡,提高了求解进度和效率,并通过仿真验证算法的性能优于带线性递减权重的粒子群优化算法和差分演化算法.