基于高斯映射和小孔成像学习策略的鲸鱼优化算法

针对鲸鱼优化算法（WOA）容易陷入局部最优解、收敛速度慢等缺陷,提出一种基于小孔成像反向学习策略的鲸鱼优化算法。首先采用高斯映射生成的混沌序列取代原始算法中随机产生的初始种群,增加种群的多样性;其次,提出了一种小孔成像反向学习策略,并结合最优最差反向学习思想,增加了寻优位置的多样性,提高了算法跳出局部最优的能力;最后,在算法中加入了一个非线性收敛因子和一个对数形式的概率阈值,在保留鲸鱼算法优点的前提下,协调了算法的全局搜索和局部开发能力。通过对10个基准函数进行仿真测试,实验结果表明改进算法在收敛速度和收敛精度等方面有明显的提高。     

混合策略改进鲸鱼优化算法

为使鲸鱼优化算法在具备摆脱局部最优区域能力的同时提升算法寻优能力,提出一种基于混合策略的改进鲸鱼优化算法。利用混沌的特性对初始种群位置进行优化,使种群个体更加丰富多样,位置分布更加合理;提出一种混合反向学习策略,将透镜成像反向学习策略和最优最差反向学习策略相结合,提高领导者跳出局部最优区域的能力,提高算法的求解精度;出于协调改进算法勘探能力的目的,将自适应概率阈值p’和权重ω融入到算法中。对6个单峰函数和4个多峰函数的仿真结果验证了所提优化算法在收敛速度和寻优精度等方面有较大的提高。     

基于混合反向学习策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)在解决高维复杂问题时存在收敛速度慢、全局搜索能力不足的问题,提出一种最优最差个体混合反向学习的WOA(MWOA)。首先,引入一种自适应惯性权重,用于调节寻优前期的步长和寻优后期的种群多样性;其次,提出一种混合反向学习策略并将其融入WOA,以提高算法的收敛精度;最后,引入一种参数非线性衰减策略,以提高其在高维度以及复杂问题上的探索开发能力和收敛速度。将MWOA与WOA、MS-WOA、IWOA对10个基准函数的优化效果进行比较,结果表明MWOA在收敛速度、优化精度上相较对比算法均有所提升。另外,将MWOA与CODE、CPSO、EGWO和DIHS进行比较,结果表明MWOA具有较好的收敛精度。     

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。     

基于灰狼优化的反向学习粒子群算法

针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法。     

一种改进的鲸鱼优化算法

针对鲸鱼优化算法（whale optimization algorithm ,WOA）容易陷入局部最优和收敛精度低的问题进行了研究,提出一种改进的鲸鱼优化算法（IWOA）。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。实验选取九个基准函数,所有算法均迭代30次,结果表明：改进的鲸鱼优化与原鲸鱼优化算法以及五种改进的鲸鱼优化算法相比,其均值和标准差均优于其他算法,收敛曲线也优于其他大多数算法。说明改进的鲸鱼优化算法收敛精度和算法稳定性最佳,收敛速度较其他大多数改进的鲸鱼优化算法明显加快。     

基于围攻机制的改进鲸鱼优化算法

针对传统鲸鱼优化算法全局探索能力不足、收敛精度低、速度慢等问题,提出一种基于围攻机制的改进鲸鱼优化算法.首先,使用Tent混沌映射和非线性参数,使种群的分布更均匀,并且协调了鲸鱼优化算法的探索与开发能力;其次,考虑算法适应度在寻优中的重要作用,提出限制适应度控制和高斯检测机制;最后,结合哈里斯鹰优化算法的围攻机制,提升鲸鱼优化算法的全局探索和局部寻优的能力.将改进的算法与多种算法在13个可变维基准函数上进行仿真测试,结果表明,基于围攻机制的改进鲸鱼优化算法,在拥有较好鲁棒性和稳定性的同时,能够保证收敛精度与速度.     

基于教与学和逐维柯西变异的鲸鱼优化算法

基本鲸鱼优化算法在面对复杂优化问题时仍然存在易陷入局部极值、收敛速度慢和计算精度低等问题,为此提出一种基于教与学和逐维柯西变异的鲸鱼优化算法TCWOA。首先,选用Sobol序列对鲸鱼种群进行初始化操作,可使种群分布更均匀;其次,引入教与学算法中的教学策略替换鲸鱼优化算法中的随机搜索策略,避免搜索的盲目性,提高算法的收敛速度;再次,采用带惯性权重的逐维柯西变异对鲸鱼最优个体进行变异扰动,助其跳出局部最优解,增强算法的全局搜索能力;最后,与多种优化算法在10个标准测试函数上的对比分析,以及用TCWOA先优化BP网络参数,再预测波士顿房价的应用研究结果,表明了该优化算法的有效性和准确性。     

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...     

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.     

动态搜索和协同进化的鲸鱼优化算法

针对基本鲸鱼优化算法寻优精度低、收敛速度慢及容易陷入局部最优等缺陷,提出了一种动态搜索和协同进化的鲸鱼优化算法。首先,通过等价替换和Faure序列提高初始解的质量;其次,通过对种群进行分工,提高种群多样性并增强算法跳出局部最优解的能力;最后,根据种群进化信息动态调整搜索策略,从而提高算法的收敛速度和寻优精度。仿真实验结果表明,提出的改进算法相比基本鲸鱼优化算法和部分改进算法具有较好的寻优性能。     

正余混沌双弦鲸鱼优化算法

针对基本鲸鱼优化（WOA）算法容易陷入局部最优解和收敛速度慢的缺点,提出一种正余混沌双弦鲸鱼优化（CSCWOA）算法。为鲸鱼的觅食加入信息交流强化机制,并在捕食引入正余混沌双弦机制,通过正弦全局搜索减少寻优盲点,余弦局部开发加快收敛速度,以及混沌算子增强跳出局部最优的能力,个体信息在种群中双弦混沌交叉快速传播。通过仿真对比实验,证明了该算法具有较好的收敛速度、求解精度和稳定性。     

动态学习混沌映射的粒子群算法

传统粒子群优化算法（PSO）对社会认知部分与自我认知部分都采用恒定学习常数,一定程度上限制种群全局协调能力。在算法收敛后期种群多样性丧失而导致全部个体收敛于搜索空间中的某一点,这易诱发早熟现象。针对这种缺陷提出一种动态学习混沌映射的粒子群优化算法（VLCMPSO）。在算法初期迭代中应多考虑自身记录的最佳点,在算法后期应快速向种群最佳点收敛,因而设计一种进行协调的动态学习因子。为克服早熟现象,判断种群多样性方差低于设定阈值时,以混沌映射的方式将该代最优个体位置更新且以新的方式进行优化操作。经实验证明新算法在收敛速度与精度上都具有更好的性能。     

An improved crow search algorithm based on oppositional forgetting learning

Applied Intelligence - Crow search algorithm (CSA) is a novel meta-heuristic optimization algorithm based on the intelligent behavior of the crow population. Although the algorithm has the...     

基于余弦控制因子和多项式变异的鲸鱼优化算法

针对基本鲸鱼优化算法(Whale optimization algorithm, WOA)在求解最优解不在原点附近的目标函数时存在收敛精度低、易陷入局部最优解的缺陷,提出一种基于余弦控制因子和多项式变异的鲸鱼优化算法(CPWOA).所提算法中控制参数按照余弦曲线变化,并加入同步余弦惯性权值,使得在迭代前期减缓收敛速度以进行充分的全局探索,而在迭代后期加速收敛以提高算法精度;同时,对最佳鲸鱼位置引入多项式变异,以增强算法跳出局部最优解的能力.将所提算法对多个shifted单峰、多峰和固定维测试函数进行求解,实验结果表明,与基本WOA、EHO、GWO、SCA、MBO以及其他改进型WOA算法相比, CPWOA对绝大多数测试函数的求解有更高的精度和稳定性.用非参数估计方法对计算结果进行差异显著性统计检验,表明CPWOA算法的显著性更优.     

融合学习心理学的人类学习优化算法

针对简单人类学习优化（SHLO）算法寻优精度低和收敛慢的问题,提出了一种融合学习心理学的人类学习优化算法（LPHLO）。首先,结合学习心理学中的小组学习（TBL）理论引入TBL算子,从而在个体经验、社会经验的基础上,增加了小组经验来对个体学习状态进行控制,避免算法早熟收敛;然后,结合记忆编码理论提出了动态调参策略,从而实现个体信息、社会信息、团队信息的有效融合,更好地平衡了算法局部探索和全局开发的能力。选取典型的组合优化难题——背包问题中的两种算例,即单约束背包问题、多约束背包问题进行仿真实验,实验结果表明,所提LPHLO与基本的SHLO算法、遗传算法（GA）和二进制粒子群优化（BPSO）算法等算法相比,在寻优精度和收敛速度方面更具优势,具有更好的解决实际问题的能力。     

基于Logistic映射的蜉蝣优化算法

在高维复杂问题上,蜉蝣优化算法存在易陷入局部最优区域且求解精度较差等问题,因而提出基于Logistic映射的蜉蝣优化算法.引入依据Logistic映射的混沌机制,当种群进化停滞时,当前最优蜉蝣通过混沌机制寻找适应度更好的蜉蝣,以激发种群进化能力;建立较劣蜉蝣加速进化机制,激励蜉蝣个体以达到种群寻优要求;采用动态惯性权重均衡算法全局和局部的搜索性能.抽取5个benchmark函数测试算法性能,实验结果验证了所提算法在寻优性能上的有效性.     

融入武装部队的鲸鱼优化算法用于社区发现

针对于鲸鱼优化算法（WOA）多样性不足、两搜索阶段信息交流效率低、不平衡的问题,这里借用武装部队协同作战机理,提出一种新的WOA用于社区发现。为解决包围捕食阶段多样性不足问题,引入“邻居潜力”学习模型,提高WOA的全局搜索能力和学习广度;为解决两捕食阶段信息交流效率低问题,提出鲸鱼指挥官领导的气泡网捕食,确保搜索信息有效利用;为解决两种捕食机制不平衡的问题,采用改进的学习自动机引导鲸鱼种群向有希望区域移动。同时,考虑到复杂网络社区发现是离散问题,提出了一种基于拓扑特性的新编码离散演化规则。最后,通过真实数据集测试并与其他算法比较,结果表明,所提算法相较于对比算法具有更优的寻优能力,验证了算法的有效性。