基于正态云模型的自适应果蝇优化算法

为有效解决果蝇优化算法易陷入局部最优和收敛精度低等问题,提出一种采用正态云模型优化的自适应果蝇优化算法。该算法首先给出敏感因子的概念,采用自适应机制来修正敏感因子,控制搜索步长,更新果蝇种群位置;然后采用正态云模型描述味道浓度参数的随机性与模糊性,动态调整味道浓度参数,进行嗅觉搜索操作。最后将该算法应用于自动组卷中,与相关文献中的果蝇优化算法进行实验比较分析。结果表明,该算法在组卷效率及寻优精度上均有所提高。     

一种基于随机数扰动变异的果蝇优化算法

针对果蝇优化算法在解决现实中复杂高维优化问题时不稳定、精度不高、易陷入局部最优、移动步长取值不易确定的缺陷,提出一种改进的果蝇优化算法。改进算法对每代果蝇群体的最优解实施随机数扰动变异,作为果蝇个体位置更新的移动步长,并为移动步长设置动态惯性扰动因子,使移动步长的取值具有自适应性。在8个高维峰值函数上做性能分析实验。结果表明:改进算法在收敛精度和收敛速度上较对比算法有显著提升,在较高目标精度下的寻优成功率达到100%。说明改进算法通过对果蝇群体的最优解实施随机数扰动变异,能够增加果蝇个体分布的离散程度,扩展果蝇群体的多样性,使果蝇更易跳出局部极值的束缚,显著提高算法的收敛精度和收敛速度。     

多种群果蝇优化算法求解自动化仓库拣选作业调度问题

针对自动化仓库的拣选作业调度问题,提出了一种多种群果蝇优化算法。采用随机键编码方式,利用味道浓度判定值的大小次序来映射调度解。通过同时学习子种群的局部最优和全局最优个体,实现对果蝇个体的更新计算。为了避免陷入局部最优,采用了一种果蝇个体变异机制。计算结果显示,多种群果蝇优化算法在计算精度和收敛效率方面要好于基本果蝇优化算法,并且搜索过程能够有效跳出局部最优。     

基于自适应步长的果蝇优化算法

针对固定搜索步长下标准果蝇优化算法(SFOA)寻优速度慢,收敛精度不高,容易陷于局部极值的不足,通过分析果蝇个体生成机制中搜索步长与算法搜索能力的关系,提出了一种基于自适应步长的改进果蝇优化算法(FOABASS),在该算法中搜索步长随种群当前位置、当前优化代数的变化而变化,由此生成的果蝇群体具备较强的全局勘探能力,同时兼顾全局勘探能力和局部开发能力的平衡.最后给出了FOABASS算法和SFOA算法、其它几种改进FOA算法的性能比较,仿真结果表明了该算法的有效性.     

一种新的双策略进化果蝇优化算法

标准果蝇优化算法(fruit fly optimization algorithm, FOA)在迭代寻优的过程中,整个果蝇群体只向最优个体靠近,这导致算法极易陷入局部最优,从而引起早熟收敛的问题。针对该问题,提出一种新的双策略进化果蝇优化算法(a novel double strategies evolutionary fruit fly optimization algorithm, DSEFOA)。提出的一种新的群体分割策略,将果蝇群体动态地划分为精英子群和普通子群;对于精英子群,引入混沌变量引导果蝇个体在其附近搜索食物,优化其局部搜索能力;对于普通子群,引入权重因子改进标准FOA的随机搜索方式,执行全局搜索,加快收敛速度。DSEFOA算法针对不同进化水平的果蝇个体采用不同的策略更新进化,充分地提升了整个群体的寻优搜索能力。8个测试函数的仿真试验结果表明, DSEFOA算法有比标准FOA算法更好的优化性能。     

一种新的双策略进化果蝇优化算法

标准果蝇优化算法(fruit fly optimization algorithm, FOA)在迭代寻优的过程中,整个果蝇群体只向最优个体靠近,这导致算法极易陷入局部最优,从而引起早熟收敛的问题。针对该问题,提出一种新的双策略进化果蝇优化算法(a novel double strategies evolutionary fruit fly optimization algorithm, DSEFOA)。提出的一种新的群体分割策略,将果蝇群体动态地划分为精英子群和普通子群;对于精英子群,引入混沌变量引导果蝇个体在其附近搜索食物,优化其局部搜索能力;对于普通子群,引入权重因子改进标准FOA的随机搜索方式,执行全局搜索,加快收敛速度。DSEFOA算法针对不同进化水平的果蝇个体采用不同的策略更新进化,充分地提升了整个群体的寻优搜索能力。8个测试函数的仿真试验结果表明, DSEFOA算法有比标准FOA算法更好的优化性能。     

基于正态云模型的自适应细菌觅食优化算法

在研究细菌觅食算法趋化、复制、迁徙操作等相关理论的基础上,将云模型和遗传算法相关理论引入,对细菌觅食算法进行优化和改进,在趋化操作中运用X条件云发生器自适应调整细菌灵敏度,控制游动步长,提高了算法的收敛速度;在复制操作中利用遗传算法交叉编译原理,设计交叉算子和遗传算子对算法的复制操作改进,提高算法的局部搜索能力和种群的多样性;在迁徙操作中,利用正向正态云发生器,修正非线性自适应的迁移概率,增强了算法全局寻优能力。最后将改进后的算法应用于自动组卷系统,并与遗传算法进行实验结果比较分析。     

递减步长果蝇优化算法及应用

提出一种递减步长果蝇优化算法(diminishing step fruit fly optimization algorithm,DS-FOA).该算法的搜索步长随果蝇觅食进程逐步减小,从而使果蝇群体在觅食初期具有较强的全局搜索能力,在觅食后期具有较强的局部寻优能力,从而实现全局搜索能力和局部寻优能力的平衡.将该算法用于支持向量机(support vector machine,SVM)回归模型的惩罚因子和核函数参数优化中,结果表明,DS-FOA收敛速度快,全局搜索与局部寻优能力强.与其他算法相比,由DS-FOA优化参数的SVM回归模型均方误差最低,回归效果好.     

基于改进果蝇优化算法的人群疏散仿真

基本果蝇优化算法收敛精度不高,易陷入局部极值,在人群疏散仿真中存在疏散路径不平滑的缺陷。为此,借鉴萤火虫算法思想,赋予果蝇个体感知域,在感知域内有邻居时,向邻居集合内味道浓度最佳的果蝇个体飞去,没有邻居时,向果蝇群体味道浓度最佳的个体飞去。向邻居集合最优个体学习时,为了防止算法陷入局部最优,采用局部极值和全局极值相结合的动态位置搜索方式。迭代开始阶段果蝇个体主要向局部极值方向飞去,以便获得多个极值点。随着迭代次数增加,果蝇群体极值所占比重逐渐增加,在确保求解精度的同时提高收敛速度。将改进的算法在4个经典测试函数上进行性能分析,实验结果表明,改进的算法在收敛速度,特别在收敛精度上有显著提高。将改进的算法应用在双出口房间人群疏散仿真中,实现了疏散路径平滑、疏散仿真度较好的效果。     

基于群密度的改进果蝇优化算法及在异常检测中的应用

针对传统果蝇算法面临的收敛稳定性差、难以协调全局搜索及局部搜索能力等缺点,提出一种基于群密度的改进果蝇优化算法。首先,借鉴现有算法的优势,将果蝇种群分为搜索果蝇和跟随果蝇,并分别使用两类果蝇进行全局化搜索与局部精细化搜索。然后,为提高算法全局搜索的稳定性,在每次迭代过程中使用基于最优区间回避的分区采样策略更新搜索果蝇的位置;该策略在每次迭代过程中获得表现最优的若干只果蝇以构造最优果蝇组,根据最优果蝇组中果蝇个体在每个维度上的取值范围确定最优区间,并通过对最优区间外的其他区间分区采样以确定搜索果蝇的新位置。最后,为协调算法的全局搜索能力与局部搜索能力,引入群密度的概念,通过计算果蝇群密度并结合相关阈值实现不同种群规模的动态调整。针对典型测试函数的实验结果表明,基于最优区间回避的分区采样策略相对于传统随机函数具有更强的全局优化性能。与传统优化算法相比,本文算法在保证收敛速度的同时获得了较高的寻优精度及稳定性,在综合性能上得到明显提升。在KDDcup99数据集上的异常检测仿真实验结果表明,本文基于分区采样及群密度的果蝇优化算法能有效避免局部最优,在获取异常检测分类器的重要参数最佳取值方面起到一定作用。     

花朵授粉算法的研究及在测试数据自动生成中的应用

为了提高测试数据自动生成的效率,通过分析基本花朵授粉算法(FPA)的寻优性能,提出一种基于禁忌搜索的自适应步长花朵授粉算法(TS-ASFPA)并将其应用于测试数据的自动生成中.首先针对花朵授粉算法收敛速度慢、寻优精度低的问题,根据当前解的位置状态,提出一个步长因子来实时地对步长的大小进行适应调整,使搜索范围更靠近最优解所在的区域;其次,引入禁忌搜索算法以克服花朵授粉算法易陷入局部极值的缺陷;最后将该算法与其他几种典型的智能算法作比较,通过对公开的测试程序集进行实验对比,表明该算法在测试用例自动生成上的可行性和高效性.     

基于单纯形的改进精英人工蜂群算法

针对人工蜂群算法收敛速度慢,求解精度不高,易陷入局部最优等问题,基于受粒子群启发的多精英人工蜂群优化算法,引入了蜂群中的精英个体和全局最优个体来增强开发全局最优解的能力.文章中,在雇佣蜂阶段借助精英个体引导蜜源搜索,并利用蜂群中蜜源的质量排序重新构造蜜源的选择概率公式;在跟随蜂阶段,选择种群最优蜜源引领蜂群,加强算法对全局最好解的局部开采能力,同时将随机选择邻居蜜源变为最优定向选择.最后利用单纯形算法对精英解集进行再次更新,进一步平衡蜂群的全局搜索和局部寻优能力.数值实验表明改进的新算法的寻优精度和收敛速度均有明显提高.     

一种改进的群搜索优化算法

群搜索优化算法是建立在群居动物觅食行为基础上的新型启发式算法,具有算法简单、易于实现的特点.标准群搜索优化算法(GSO)基于发现-追随的寻优策略,由于追随者搜索模式过于单一,从而容易陷入局部最优.为了提高标准GSO算法的收敛速度与收敛精度,提出一种改进群搜索优化算法(IGSO).在该算法中,发现者保持原有的寻优方式,追随者执行鱼群算法的寻优模式,通过引入鱼群算法的觅食、追尾、聚群与随机行为,使搜索方式多样化,可以同时考虑种群的个体最优与群体最优,从而有效避免陷入局部最优.通过6个基准测试函数对两种算法进行比较,实验结果表明,改进的群搜索优化算法优于标准群搜索优化算法.     

基于混沌的正余弦果蝇优化算法

针对果蝇优化算法(FOA)存在收敛速度慢和易陷入局部最优等问题,提出一种基于混沌的正余弦果蝇优化算法(CSC-FOA)。通过混沌logistic映射生成算法的初始种群位置,使果蝇位置更接近最优值,降低随机初始化对算法性能的影响;果蝇个体位置更新时采用正余弦搜索策略,利用正余弦的波动搜索避免局部最优,提高收敛速度。实验结果表明,与同类算法相比,CSC-FOA算法在收敛精度、稳定性以及收敛速度等方面的性能更好。     

基于遗传算法的正则表达式规则分组优化

为解决正则表达式匹配问题,提出一种基于正态自适应遗传优化的改进正则表达式分组算法.根据迭代次数的变化,利用正态函数自适应改变交叉概率Pc和变异概率Pm,采取最优保存策略保证最优个体不被数值大的Pc和Pm破坏.结合Becchi算法和局部寻优算法进一步优化.仿真结果表明,该算法能在全局范围内搜索到更好的解,能有效减少状态总数,降低正则表达式匹配的空间复杂度.     

基于精英保留策略与爆炸算子的改进遗传算法

针对标准遗传算法(standard genetic algorithm,SGA)应用于数值优化存在收敛缓慢、易陷入局部优解和精度低等问题,提出一种具有爆炸算子的改进遗传算法(FGA)。引入爆炸算子(fire algorithm,FA),通过局部最优解集爆炸产生新个体以弥补SGA算法寻优过程中种群多样性不足的缺陷, 从而提高算法在解析域的全局搜索能力;加入精英保留策略使每代中的最优个体都能得以保留,避免交叉和变异操作遗失全局最优解。为验证算法的优化性能,选用4个经典测试函数对SGA与FGA这2种算法的优化性能进行对比,算例结果表明,本文所提算法具有更好的全局搜索能力、收敛性能以及计算精度。     

基于云模型的小生境MAX-MIN相遇蚁群算法

针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。     

一种多策略搜索寻优的改进鸽群优化算法

针对鸽群优化算法易于早熟收敛、陷入局部最优解的不足,提出了一种改进的鸽群优化算法(MSIPIO)．首先,在地图和指南针算子中引入免疫算法,并提出变异因子,通过交叉变异,同时提升了算法前期找到最佳寻优方向的概率;其次,在地标算子中提出种群衰减因子和全局影响因子,克服标准鸽群优化算法后期数目衰减过快的不足,增强算法寻优能力;最后,利用模拟退火机制对次优解进行保留,有效减缓标准鸽群优化算法陷入局部最优解的问题,提高了算法获得全局最优概率．仿真结果表明,与其他5种算法相比,MSIPIO算法在收敛精度上有明显提升,并且能够有效避免陷入局部最优解．     

基于多模态优化问题的粒子群算法研究

多模态优化问题包含多个全局最优解或局部最优解,求解多模态优化问题难度较高。为了更有效地求解多模态优化问题,提出用粒子群算法求解多模态问题。研究了星型拓扑结构及环型拓扑结构的算法模型,并引入线性递减惯性权重对两种粒子群算法进行改进,让粒子群算法的惯性权重从一个较大的数值线性递减到一个较小的数值,从而提高种群搜索的多样性和精度。用15个复杂的多模态测试函数对两种粒子群算法进行仿真实验,实验结果表明,引入线性递减惯性权重的环型拓扑结构粒子群算法的搜索能力明显更强,更适用于多模态优化问题的求解。     

一种改进的粒子群算法

针对粒子群算法搜索精度不高的问题,提出了一种改进的粒子群算法。该算法一方面通过跟踪个体极值、全局极值和周围极值来搜索解空间的最优值;另一方面通过引入3种非线性递减函数对惯性权重进行调整,仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。